В дополнение к открытым спутниковым данным, некоторые из которых перечислены в статье Общедоступные данные дистанционного зондирования Земли: как получить и использовать, существует и множество производных продуктов — например, рельеф. Притом можно найти открытый рельеф разного пространственного разрешения, равно как и множество коммерческих, и появляется задача выбрать лучший продукт из доступных.

Сегодня мы рассмотрим открыто доступный рельеф пространственным разрешением 30 м и 1 м и сравним с коммерческим разрешением 1 м. Для сравнения и оценки рельефа разного масштаба используем методы анализа пространственного спектра, неоднократно описанные в моих предыдущих статьях, например, Пространственные спектры и фрактальность рельефа, силы тяжести и снимков В силу фрактальной природы рельефа, его спектр в двойных логарифмических координатах должен совпадать с линией, и мера этого совпадения и есть качество рельефа, а разрешение, начиная с которого компоненты спектра подчиняются закону фрактальности, его реальное разрешение. Как будет показано на высокодетальном открытом рельефе, выбранный метод оценки корректен.

Рельеф USGD NED DEM 1m и ALOS DEM 30m со спутниковой картой Google Satellite

Дистанционное зондирование Земли (ДЗЗ) — наблюдение поверхности Земли наземными, авиационными и космическими средствами, оснащёнными различными видами съемочной аппаратуры [википедия]. Поговорим о возможностях, предоставляемых бесплатными и общедоступными данными. Всего не перечислить, поэтому расскажу только о том, с чем я сам работаю, все примеры кода и картинки мои собственные. Исходный код по ссылкам представлен на языке Python 3 в виде Jupyter Notebooks на GitHub.

Картинка ниже показывает смещение поверхности Земли относительно спутника (красным цветом обозначено смещение вверх и синим — вниз) в результате землетрясения (6.5 баллов) — как видим, горы "подросли" (на 20-30 см) и долины углубились (на 15-20 см). Можно ли это замерить локально? Да, с помощью сети наземных приемников GPS, для которых местоположение можно вычислить с очень высокой точностью, но это дорого и сложно, а точность спутниковых наблюдений уже превосходит наземные. Кстати, показанная интерферограмма вычислена за пару часов на обычном лаптопе с помощью Open Source утилит GMTSAR (фактически, это расширение для знаменитых в области наук о Земле утилит GMT).

Как растут горы — спутниковая интерферограмма землетрясения магнитудой 6.5 баллов в Монте Кристо, Невада, США

Геоаналитика с помощью Python: GeoPandas, folium, Uber H3, OSM + примеры как можно определять лучшие локации для поиска помещений под открытие кофейни (и не только).

На Хабре время от времени появляются статьи про различные веб-сервисы и приложения, так или иначе анализирующие городскую среду. Такие сервисы, по задумке авторов, должны помогать жителям принимать какие-то решения - куда пойти, где купить жилье, где комфортнее жить и гулять.

Однако раз за разом авторы сталкиваются с одними и теми же проблемами: где взять исходные данные для своих моделей. В комментариях пользователи постоянно просят одни и те же нереализуемые фичи (например, информацию по социальной инфраструктуре) и предлагают одни и те же неработающие или имеющие множество подводных камней решения (типа кравлинга соцсетей или вытаскивания несуществующей информации из OSM).

В этой статье я постарался сделать обзор тех данных, которые можно использовать в урбанистически-айтишных сервисах в России. Что с их помощью можно сделать, что - нельзя, какие там есть подводные камни и типичные проблемы. Надеюсь, этот текст поможет как будущим авторам таких сервисов (чтобы не тратить время на то, что сделать не получится), так и для их пользователей (чтобы понимать, почему эти сервисы работают именно так, как работают, и не могут работать лучше).