8 кубов земли это сколько фото: Расчет кубометров и тонн песка, щебня, земли в кузове КАМАЗа

Сколько кубов в КАМАЗе самосвале?

Самосвал фирмы КАМАЗ, один из самых популярных на сегодняшний день на территории РФ. И не смотря на появление собратьев из Китая, которые конкурируют по цене, в надежности они значительно уступают отечественным. 

А так как спрос на него большой, очень часто слышим вопрос сколько кубов в КАМАЗе самосвале?

В первую очередь стоит заметить, что модельный ряд состоит из нескольких комплектаций. Разница не только в том, сколько кубов перевезет кузов но и в количестве колес, а следовательно грузоподъемности. Кроме того различается тип двигателя, количество мест в кабине и прочие данные, не влияющие на вместимость кузова. 

Вообще эти машины способны перевозить грузы весом от 7 тонн до 25 тонн. Они делятся на 4 типа по количеству осей:

• двухосный — 4х2;
• трехосный — 6х4;
• трехосный полноприводный — 6х6;
• четырехосный — 8х4.

Но для того, чтобы подобрать подходящую под конкретную перевозку спецтехнику, нужно точно знать сколько кубов в кузове самосвала КАМАз.  

Как посчитать сколько кубов берет КАМАЗ самосвал

Для расчета этой величины нужно выяснить какая грузоподъемность у машины, так как объем кузова может быть равен, а прочие параметры могут отличаться. Стоит обязательно учитывать плотность и влажность сыпучего груза. Например плотность песка 1,6  тонн на м3.

Таким образом, если весит песок 9,6 тонн, то его объем при перевозке будет составлять 6 м3. Считается это по формуле:

Вес сыпучего материала/плотность= м3

При этом если плотность выше, к примеру 1,8 вместо 1,6, то в кузов самосвала КАМАЗ поместится уже 5 м3 песка. Узнать плотность можно в документе.

Вместимость по количеству кубов кузова самосвала КАМАЗ бывает : 6 м³, 8 м³, 10 м³, 12 м³, 20 и 25 м³.

Примеры расчетов для перевозки песка:

Сколько кубов щебня в КАМАЗе самосвале?

К примеру машина с грузоподъемностью 1 500 кг (15 тонн), исходя из размеров кузова вместит в себя 10м3 щебня, при его плотности 1300кг/м3.

Гранитный щебень с плотностью 1 470 кг/м3 массой 15 тонн в среднем 10 м3.

Более подробно в таблице:

Как выбрать самосвал?

• Если выбираете машину для себя, следует оценить комфортность для водителя, завод предлагает различные комплектации.
• Технические характеристики, сюда относится тип и мощность двигателя, габаритные объемы кузова, разрешенную максимальную массу автомобиля и ее грузоподъемность.  
• Надежность техники. Не стоит отдавать предпочтение машине основываясь на цене и объеме кузова, любая поломка значительно снизит производительность, а также повысит расходы.
• Посчитать сколько кубов песка/щебня/дров/или других материалов вы планируете на нем перевозить. Просчитав все заранее сведете риски к минимуму.
• Колесная база, это может быть важно не только для грузоподъемности, но и для проходимости машины, ведь сыпучие материалы приходится возить по бездорожью.

Заказать самосвал КАМАЗ от «Академмеханизации»

Наша компания располагает своим автопарком, мы предоставим Вам на выбор несколько единиц спецтехники, необходимые для выполнения конкретной задачи. Помимо самосвалов предлагаем в аренду спецтехнику для любых видов строительных и дорожных работ.

Для заявки необходимо позвонить по телефону +7 (343) 267-85-89  или заполнить форму ниже.

Вывоз мусора контейнером 8 м3

Цены на вывоз мусора контейнером 8 кубов

Компания «Главмусор» специализируется на вывозе мусора в Москве и территории Московской области. Для сбора отходов мы предлагаем вместительные контейнеры на 8 м³, которые можно заказать по доступной цене. Бункеры оптимально подходят для утилизации любого мелкого и среднего мусора. Их перевозка на полигон осуществляется посредством современной спецтехники, оснащенной подъемными механизмами для установки на транспортную платформу. При необходимости мы предоставим бригаду грузчиков и экскаваторы, которые помогут загрузить ненужные вещи в контейнер.

Расчёт стоимости вывоза мусора

Тип мусора

Деревянные
отходы

Производственный
или строительный

Снег

Контейнеры

8 м³

20 м³

27 м³

Район

Внутри садового кольцаОпция 2Опция 3

Количество в месяц

Итого

5 000 ₽

5 000 ₽

1

5 000 ₽

Дополнительные услуги

Рассчитать стоимость вывоза мусора

Тип мусора

• Деревянные
  отходы
• Производственный
  или строительный
• Снег

Район

ЗАОСВАОТТКЦАО

Контейнеры

8 м³

20 м³

27 м³

Количество в месяц:
0 шт.

Контейнер

27 м³
4 шт
11 800 ₽

Итого

47 200 ₽

8 м³

20 м³

27 м³

Количество в месяц:
0 шт.

Контейнер

0 м³
0 шт

Стоимость за шт.

0 ₽

Итого

0 ₽

Назначение контейнеров 8 м

³

8-кубовые мусорные накопители вмещают в себя до 5 тонн груза. Область их применения достаточно широка – от многоквартирных домов и дачных хозяйств до коммерческих организаций и промышленных предприятий. Установка одного бункера заменяет сразу несколько обычных контейнеров для ТБО и позволяет эффективно утилизировать практически любые типы мусора:

• твердые бытовые отходы;
• ТКО;
• снег;
• строительный, смешанный мусор;
• грунт.

Накопители можно устанавливать на любых ровных площадках, будь то асфальт, земля или газон. Возможность хранения мусора в металлических емкостях исключает загрязнение окружающей среды и помогает избежать загромождения территорий ненужным, а иногда и опасным хламом.

Особенности конструкции

При обращении к нашим услугам клиентам предоставляются прочные и надежные бункеры, изготовленные из листов горячекатаной стали. Емкости имеют трапециевидную форму. По периметру изделия размещаются ребра жесткости из углового профиля и труб, что обеспечивает устойчивость накопителя к деформационным процессам.
Все элементы контейнера на 8 кубов соединяются электросварочными швами и обрабатываются лакокрасочными составами, которые защищают металл от действия влаги, коррозии, агрессивной среды. Благодаря этому изделия исправно служат долгие годы даже в неблагоприятных условиях эксплуатации.
Накопитель имеет задний тип загрузки. За счет небольшой высоты стенок пользователи могут самостоятельно складировать мусор без привлечения механизированных средств. На боковых бортах бункера имеются специальные захваты, которые используются для его погрузки на транспорт.
Наша компания предоставляет контейнеры на привлекательных условиях. Мы сотрудничаем как с физическими, так и с юридическими лицами, оказывая услуги на разовой или постоянной основе. Круглосуточный режим работы, наличие договоров со многими полигонами и мусороперерабатывающими заводами позволяют нам транспортировать мусор контейнерами на 8 м³ оперативно и с гарантией качества.

Цены на перевозку мусора контейнером

Все работы выполняются в соответствии с условиями договора и согласно заявленным срокам. Стоимость сервиса определяется индивидуального для каждого заказчика. Расчет цены осуществляется с учетом следующих факторов:

• Расположение объекта – тарифы меняются в зависимости от того, находится ли ваша мусорная площадка в ЦАО, за Садовым кольцом либо в ближнем Подмосковье.
• Объемы отходов – на основании общего количества мусора мы определяем, сколько контейнеров вам нужно предоставить.
• Помощь в погрузке – дополнительная плата взимается за аренду экскаватора или услуги грузчиков.

Чтобы получить более подробные консультации по нашему сервису, просто позвоните менеджерам «Главмусор» по контактному телефону. Мы возьмем на себя все заботы о поддержании чистоты на вашем объекте!
Наша компания предлагает услуги по вывозу мусора контейнерами 8 м³ в Москве и области. Мы занимаемся не только вывозом, но утилизацией отходов на специальных полигонах.
Работаем как с физическими, так и с юридическими лицами. Нас ценят за профессионализм, оперативное выполнение рабочих задач, внушительный технический потенциал и удобные схемы сотрудничества.
Почему выгодно обращаться в «Главмусор»:

• круглосуточный режим работы;
• не нужно тратить время на подготовку площадки;
• контейнеры могут размещаться на любой ровной поверхности – газоне, земле, асфальтном покрытии;
• современные и надежные бункеровозы;
• быстрая и бесшумная работа, не оставляем грязи, не портим газоны или другие покрытия;
• заказчики не тратят свои силы и время упаковку мусора в специальные мешки, поскольку наши контейнеры свободно переносят контакт с большинством химических веществ;
• используемые конструкции отличаются эргономичностью, могут устанавливаться на участках, где мало свободного пространства.

Контейнеры для вывоза мусора

Мы предлагаем следующие контейнеры на выбор:

Лицензии

на сбор отходов I–IV класса опасности

Контейнер 8 м³
3. 4 × 2 × 1.4 м
5 тонн

Контейнер 20 м³
6 × 2.5 × 1.7 м
10 тонн

Контейнер 27 м³
6 × 2.5 × 2.3 м
10 тонн

Подробнее о контейнерах

Стоимость вывоза мусора контейнером 8 м3

Контейнер 8 м³

Контейнер 20 м³

Контейнер 27 м³

ЦАО

от 5000 ₽

от 10000 ₽

от 11900 ₽

СВАО, ВАО, ЮВАО, ЮАО, ЮЗАО, ЗАО, СЗАО, САО

от 5000 ₽

от 10000 ₽

от 11900 ₽

До 20 км от МКАД

от 5000 ₽

от 10000 ₽

от 11900 ₽

Наши преимущества

Круглосуточно вывозим мусор

Заказать бункеровоз можно в любое удобное время дня или ночи.

Собственный парк бункеровозов

Отличное состояние техники. Устанавливаем на площадках свои контейнеры для производственных отходов.

Обслуживаем все районы

Коммерческие, административные учреждения, жилые комлексы, производственные площадки.

Профессиональные штатные грузчики

Помогут расчистить завалы или убрать снег.

Как мы работаем

Для вывоза мусора контейнером 8 м3 мы используем современную спецтехнику, позволяющую вывести все виды строительного и бытового мусора, а затем утилизировать их в сжатые сроки.

• Погрузка
• Разгруза

Наши лицензии

Наша спецтехника

В нашем автопарке — более сотни бункеровозов на базе автомобилей ЗИЛ, ГАЗ Next и МАЗ. Подъемные устройства, которыми оснащены наши бункеровозы, позволяют транспортировать мусорные контейнеры разного объема — от 8 до 27 м³.

Подробнее об автопарке

Отзывы наших клиентов Все отзывы

Василий

владелец дачи

30.03.2023

Года три уже два раза в год — весной и осенью, вызываем эту компанию в СНТ — несколько хозяев расположенных рядом домов. Ни разу не было сбоев, все довольны, тем более, что цены вполне разумные. Вот, наступает время очередного вызова перед началом дачного сезона.

Галина

сотрудник строительной компании

06.09.2021

Работаю в строительной компании, уже третий год имеем дело именно с этим оператором. Никаких нареканий, очень четко и слаженно работают, отличный парк техники, в том числе для вывоза крупногабаритного мусора. Срочные вызовы несколько раз были — пока никаких сбоев или срывов. Надеемся, что все будет продолжаться в том же режиме.

Ольга Юрьевна

частное лицо

19. 07.2021

С компанией «Главмусор» мы познакомились, когда строили дом в коттеджном поселке — строительного мусора огромное количество, самим просто нереально с ним справится. Самое позитивное впечатление — быстро, спокойно, профессионально работают, соблюдают все оговоренные сроки. Ни одного сбоя не было.

Все отзывы

Что такое странный черный куб на Солнце на этом новом изображении НАСА?

Солнце. Изображение: SOHO/NASA/ESA

Мы живем в золотой век изображений Солнца. Хотя нашу звезду не особенно легко или безопасно фотографировать, учитывая, что это ослепительно яркий шар ядерного синтеза, ученым все же удалось сделать самые близкие снимки, когда-либо сделанные, а также самые подробные снимки солнечной поверхности. все за последний год.

Эти новые миссии следуют за успехом опытных фотографов, таких как Солнечная и гелиосферная обсерватория (SOHO), космический аппарат, разработанный НАСА и Европейским космическим агентством (ЕКА), который с момента своего запуска в 19 году делает захватывающие снимки Солнца. 95.

Реклама

Если бы вы искали последние фотографии Солнца, сделанные SOHO на этой неделе, вы, возможно, были бы удивлены, обнаружив сообщения таблоидов о том, что космический корабль сделал снимок КОРАБЛЯ-КУБА ЧУЖИХ, который в ДЕСЯТЬ РАЗ больше Земли. .

Бернхард Флек, ученый проекта SOHO и руководитель миссии, предлагает простой ответ на это безумное предположение о наличии НЛО, подобных Боргу, в нашей Солнечной системе.

«Конечно, это полная и полнейшая чушь», — написал Флек в электронном письме. «Черный квадрат связан с отсутствующим (поврежденным) блоком телеметрии».

Другими словами, странный темный куб на изображении не является объектом, не говоря уже об огромном космическом корабле пришельцев. Это артефакт изображения — сбой в самом изображении, вызванный ошибками передачи между SOHO и Землей.

SOHO расположен на гало-орбите примерно в миллионе миль от Земли, и изображения, которые он отправляет нам через это расстояние, по понятным причинам время от времени просачиваются на несколько пикселей. Эти пробелы обычно закрываются, когда космический корабль повторно отправляет свои данные.

«Большинство отсутствующих блоков действительно заполняются нашей конвейерной обработкой, но это не всегда работает, и не все отсутствующие блоки заполняются правильно», — пояснил Флек. «Это не повлияет на окончательные научные данные нулевого уровня».

НАСА публикует «самые последние» изображения SOHO в часто обновляемой галерее. Эти изображения поступают свежими из световых волн из космоса, поэтому НАСА предупреждает, что данные «предназначены только для визуального осмотра, а не для анализа, поскольку они не имеют научного качества» на веб-сайте галереи.

Реклама

Отсутствующие блоки часто встречаются на новых изображениях SOHO, включая недавний снимок, сделанный 15 июля, который вновь разжег воображение некоторых сторонников НЛО.

«Я могу отправить вам десятки, если не сотни подобных изображений (с еще большими НЛО)», — сказал Флек.

«Отсутствующие блоки кратны 32×32 пикселям, что является наименьшей единицей блока телеметрии», — добавил он. «Таким образом, даже если был поврежден только один байт, весь блок 32×32 будет затемнен».

Пустые пиксели — не единственный артефакт изображения с SOHO, привлекший внимание охотников за инопланетянами. В 2003 году НАСА опубликовало объяснение под названием «Как сделать свой собственный НЛО», в котором излагалось, почему изображения SOHO совершенно естественных явлений в конечном итоге имеют черты, напоминающие летающие тарелки, или могут быть улучшены, чтобы выглядеть как космический корабль пришельцев.

«С момента запуска было много людей, которые утверждали, что видели летающие тарелки и другие эзотерические объекты на изображениях SOHO», — говорится в статье НАСА 2003 года. «Хотя некоторые из этих предполагаемых изображений НЛО могут показаться весьма интригующими, при исследовании их опытными учеными SOHO всегда оказывалось, что они имеют вполне обычную причину».

Аналогичным образом, Флек сказал, что он не уверен, что «наших теоретиков заговора в оловянной фольге убедят» пешеходные пробелы в телеметрии, когда так весело верить, что внеземные кубисты находятся на охоте.

К счастью, все лагеря согласны в одном: снимки SOHO потрясающие, а просмотр фотогалереи миссии стоит вашего времени.

Кубы данных наблюдения Земли | сидит: Анализ временных рядов спутниковых изображений на кубах данных наблюдения Земли

Готовые к анализу коллекции изображений данных

Готовые к анализу данные (ARD) — это изображения, готовые к анализу без необходимости дальнейшей предварительной обработки или преобразования. Они упрощают и ускоряют анализ данных наблюдения Земли (EO), предоставляя согласованные и высококачественные данные, стандартизированные для различных датчиков и платформ. Данные ARD обычно предоставляются в виде набора отдельных файлов, где каждый пиксель файла содержит одно значение для каждой спектральной полосы на заданную дату.

Коллекции ARD доступны в облачных сервисах, таких как Amazon Web Service, Brazil Data Cube, Digital Earth Africa, Swiss Data Cube и Microsoft Planetary Computer. Эти коллекции были обработаны для улучшения сопоставимости нескольких дат. Меры излучения в верхних слоях атмосферы преобразуются в меры отражательной способности земли. В целом сроки изображений коллекции ARD разные. Изображения по-прежнему содержат мутные или отсутствующие пиксели; полосы для изображений в коллекции могут иметь разное разрешение. Рисунок 9показывает пример коллекции изображений Landsat ARD.

Рисунок 9: Коллекция изображений ARD (источник: Геологическая служба США). Воспроизведение на основе доктрины добросовестного использования.

Коллекции изображений ARD организованы в виде пространственных разделов. Изображения Sentinel-2/2A следуют системе листов MGRS, которая делит мир на 60 зон UTM по 8 градусов долготы. Каждая зона имеет блоки по 6 градусов широты. Блоки разбиты на плитки размером 110 х 110 км2 с перекрытием 10 км. На рис. 10 показана тайловая система MGRS для части северо-восточного побережья Бразилии, входящей в UTM-зону 24, блок М.

Рисунок 10: Система листов MGRS, используемая изображениями Sentinel-2 (источник: GISSurfer 2. 0). Воспроизведение на основе доктрины добросовестного использования.

Спутники Landsat 4/5/7/8/9 используют Всемирную систему отсчета (WRS-2), которая разбивает покрытие спутников Landsat на изображения, определяемые путем и рядом. Траектория — это нисходящая орбита спутника; система WRS-2 имеет 233 пути на орбиту, и каждый путь имеет 119 строк, где каждая строка относится к центральной линии кадра изображения по широте. Изображения в WRS-2 геометрически скорректированы с учетом проекции UTM.

Рисунок 11: Мозаичная система WRS-2, используемая для изображений Landsat-5/7/8/9 (источник: INPE и ESRI). Воспроизведение на основе доктрины добросовестного использования.

Коллекции изображений ARD, обрабатываемые сайтами

Начиная с версии 1.2.0, сидит , поддерживает доступ к следующим коллекциям изображений ARD:

1. Amazon Web Services (AWS): открытые коллекции данных Sentinel-2/2A уровня 2A для поверхности Земли.
2. Brazil Data Cube (BDC): открытые коллекции изображений Sentinel-2/2A, Landsat-8, CBERS-4/4A и MODIS для Бразилии. Эти коллекции организованы как обычные кубы данных.
3. Digital Earth Africa (DEA): открытые коллекции данных Sentinel-2/2A и Landsat-8 для Африки.
4. Планетарный компьютер Microsoft (MPC): открытые коллекции данных Sentinel-2/2A и Landsat-4/5/7/8/9 для участков суши Земли.
5. Геологическая служба США: коллекции Landsat-4/5/7/8/9 доступны в AWS, доступ к которым платный.
6. Swiss Data Cube (SDC): открытая коллекция изображений Sentinel-2/2A и Landsat-8 для Швейцарии.

Обычные кубы данных изображений

Алгоритмы классификации машинного и глубокого обучения (ML/DL) требуют согласованности входных данных. Размерность данных, используемых для обучения модели, должна быть такой же, как и у данных, подлежащих классификации. Не должно быть пробелов и пропущенных значений. Таким образом, чтобы использовать алгоритмы ML/DL для данных дистанционного зондирования, коллекции изображений ARD должны быть преобразованы в обычные кубы данных. Следуя Аппелю и Пебесме [2], обычный куб данных имеет следующие определение и свойства:

1. Обычный куб данных представляет собой четырехмерную структуру с измерениями x (долгота или восток), y (широта или север), временем и диапазонами.
2. Его пространственные размеры относятся к единой системе пространственной отсчета (SRS). Ячейки куба данных имеют постоянный пространственный размер по отношению к SRS куба.
3. Временное измерение состоит из набора непрерывных и равноотстоящих интервалов.
4. Для каждой комбинации размеров ячейка имеет одно значение.

Все ячейки куба данных имеют одинаковую пространственно-временную протяженность. Пространственное разрешение каждой ячейки одинаково по осям X и Y. Все временные интервалы одинаковы. Каждая ячейка содержит допустимый набор мер. Для каждой позиции в пространстве куб данных должен предоставлять набор действительных временных рядов. Для каждого временного интервала обычный куб данных должен предоставлять достоверное 2D-изображение (см. рис. 11).

Рисунок 12: Концептуальное представление кубов данных (источник: авторы)

В настоящее время единственной облачной службой, которая по умолчанию предоставляет обычные кубы данных, является куб данных Бразилии (BDC). Коллекции готовых к анализу данных (ARD), доступные в AWS, MSPC, USGS и DE Africa, не являются регулярными в пространстве и времени. Полосы могут иметь разное разрешение, изображения могут не охватывать все время, а временные интервалы могут быть нерегулярными. По этой причине подмножества этих коллекций необходимо преобразовать в обычные кубы данных перед дальнейшей обработкой. Чтобы создать кубы данных для анализа данных с помощью машинного обучения, пользователи должны сначала создать нерегулярный куб данных из коллекции ARD, а затем использовать sit_regularize() , как описано ниже.

Создание кубов данных

Чтобы получить информацию о коллекции изображений ARD от облачных провайдеров, sits использует протокол STAC (SpatioTemporal Asset Catalogue), спецификацию геопространственной информации, принятую многими крупными поставщиками коллекций изображений. «Пространственно-временной актив» — это любой файл, представляющий информацию о Земле, полученную в определенном пространстве и времени. Чтобы получить доступ к конечным точкам STAC, сидит использует пакет rstac R.

Функция sits_cube() поддерживает доступ к коллекциям изображений в облачных сервисах; имеет следующие параметры:

1. источник : Имя провайдера.
2. Коллекция : Коллекция , доступная у провайдера и поддерживаемая , находится под номером . Чтобы узнать, какие коллекции поддерживаются sits , см. sits_list_collections() .
3. платформа : Необязательный параметр, указывающий платформу в коллекциях с несколькими спутниками.
4. плитки : Набор плиток эталонной системы коллекции изображений. Либо плитки , либо roi должны быть указаны.
5. roi : Область интереса. Либо: (a) именованный вектор ( lon_min , lon_max , lat_min , lat_max ) в координатах WGS 84; или (b) объект SF . Все изображения, пересекающие выпуклую оболочку roi выбраны.
6. полосы : Необязательный параметр с используемыми полосами. Если отсутствует, используются все бэнды из коллекции.
7. start_date : Начальная дата временного интервала, содержащего временной ряд изображений.
8. end_date : Конечная дата временного интервала, содержащего временной ряд изображений.

Результатом sits_cube() является табличка с описанием выбранных изображений, необходимых для дальнейшей обработки. Он не содержит фактических данных, а только указатели на изображения. Атрибуты отдельных файлов изображений можно оценить, перечислив file_info столбец таблицы.

Оценка Amazon Web Services

Amazon Web Services (AWS) содержит два типа коллекций: открытые данные и платит заказчик . Доступ к коллекциям открытых данных можно получить бесплатно. Для сборов, оплачиваемых запрашивающей стороной, требуется оплата на счет AWS. В настоящее время содержит , поддерживает коллекции SENTINEL-S2-L2A (платит запрашивающий) и SENTINEL-S2-L2A-COGS (открытые данные). Обе коллекции включают все диапазоны Sentinel-2/2A. Полосы в разрешении 10 м — 9.0063 B02 , B03 , B04 и B08 . 20-метровые диапазоны: B05 , B06 , B07 , B8A , B11 и B12 . Диапазоны B01 и B09 доступны с разрешением 60 м. Также доступен ремешок CLOUD . В приведенном ниже примере показано, как получить доступ к одной плитке коллекции открытых данных SENTINEL-S2-L2A-COGS . Параметр плитки позволяет выбрать нужную область в соответствии с системой отсчета MGRS.

 # Создайте куб данных, охватывающий территорию в Бразилии. 
s2_23MMU_cube <- sits_cube(
  источник = "АВС",
  коллекция = "SENTINEL-S2-L2A-COGS",
  тайлы = "23ММУ",
  полосы = c("B02", "B8A", "B11", "ОБЛАКО"),
  start_date = "2018-07-12",
  end_date = "2019-07-28"
)
plot(s2_23MMU_cube, красный = "B11", синий = "B02", зеленый = "B8A", дата = "05.10.2018") 

Рисунок 13: Изображение Sentinel-2 в районе северо-восточного побережья Бразилии.

Оценка планетарного компьютера Microsoft

Планетарный компьютер Microsoft (MPC) содержит два открытых набора данных: SENTINEL-2-L2A и LANDSAT-C2-L2 . Первая коллекция содержит изображения SENTINEL-2/2A ARD с теми же диапазонами и разрешением, что и доступные в AWS (см. выше). В приведенном ниже примере показано, как получить доступ к коллекции SENTINEL-2-L2A .

 # Создайте куб данных, охватывающий территорию бразильской Амазонии.
s2_20LKP_cube_MPC <- sits_cube(
  источник = "ПДК",
  коллекция = "SENTINEL-2-L2A",
  тайлы = "20ЛКП",
  полосы = c("B02", "B8A", "B11", "ОБЛАКО"),
  start_date = "2019-07-01",
  end_date = "2019-07-28"
)
# Построить цветовую композицию одной даты куба
сюжет (s2_20LKP_cube_MPC,
  красный = «B11», синий = «B02», зеленый = «B8A»,
  дата = "2019-07-18"
) 

Рисунок 14: Изображение Sentinel-2 в районе штата Рондония, Бразилия.

Коллекция LANDSAT-C2-L2 обеспечивает доступ к данным со спутников Landsat-4, 5, 7, 8 и 9. Изображения с этих спутников были откалиброваны для обеспечения согласованности данных. Для совместимости между различными датчиками Landsat названия диапазонов: 9.0063 СИНИЙ , ЗЕЛЕНЫЙ , КРАСНЫЙ , NIR08 , SWIR16 и SWIR22 . Все изображения имеют разрешение 30 м. Для этой коллекции поиск плитки не поддерживается; следует использовать параметр roi . В примере показано, как получить данные из области интереса, охватывающей город Бразилиа в Бразилии.

 # Чтение шейп-файла, охватывающего город Бразилиа
shp_file <- system.file("extdata/shapefiles/df_bsb/df_bsb.shp",
  пакет = "sitsdata"
)
sf_bsb <- sf::read_sf(shp_file)
# Выберите куб
s2_L8_cube_MPC <- сидит_куб(
  источник = "ПДК",
  коллекция = "LANDSAT-C2-L2",
  полосы = c("СИНИЙ", "NIR08", "SWIR16", "ОБЛАКО"),
  рои = sf_bsb,
  start_date = "2019-06-01",
  end_date = "2019-10-01"
)
# Нарисуйте вторую плитку, покрывающую Бразилиа
график (s2_L8_cube_MPC [2, ],
  красный = «SWIR16», зеленый = «NIR08», синий = «СИНИЙ»,
  дата = "2019-07-30"
) 

Рисунок 15: Изображение Landsat-8 в районе города Бразилиа, Бразилия.

Оценка цифровой Земли в Африке

Digital Earth Africa (DEAFRICA) — это облачный сервис, предоставляющий данные наблюдения Земли в открытом доступе для африканского континента. Коллекции изображений ARD в местах - это S2_L2A (Sentinel-2 уровень 2A) и LS8_SR (Landsat-8). Поскольку интерфейс STAC для DEAFRICA не реализует концепцию плиток, пользователям необходимо указать интересующую их область с помощью параметра roi . Запрошенный roi создает куб, содержащий три тайла MGRS («35HLD», «35HKD» и «35HLC»), покрывающих часть Южной Африки.

 dea_cube <- sits_cube(
  источник = "ДЕАФРИКА",
  коллекция = "S2_L2A",
  ро = с(
    lon_min = 24,97, lat_min = -34,30,
    lon_max = 25,87, lat_max = -32,63
  ),
  полосы = с ("B05", "B8A", "B11"),
  start_date = "2019\circ\) долготы в качестве центральной точки отсчета и определения тайлов \(6\times4\), ​​\(3\times2\) и \(1,5\times1\) градусов. Большая сетка имеет тайлы \(672\times440\) км  2  и используется для коллекций CBERS-4 AWFI с разрешением 64 метра; каждый тайл CBERS-4 AWFI содержит изображения \(10 504\x6 865\) пикселей.  Средняя сетка используется для коллекций Landsat-8 OLI с разрешением 30 метров; плитки имеют расширение \(336\times220\) km  2  , и каждое изображение имеет \(11 204\times7,324\) пикселей. Малая сетка покрывает \(168\times110\) км  2  и используется для коллекций Sentinel-2 MSI с разрешением 10 м; каждое изображение имеет \(16 806\x10 986\) пикселей. Кубы данных в BDC регулярно разнесены по времени и с поправкой на облако [3]. 
 

Рисунок 17: Иерархическая система листов BDC с наложением на бразильские биомы (a), показывающая, что одна большая плитка (b) содержит четыре средних плитки (c), а средняя плитка содержит четыре маленьких плитки. Источник: Феррейра и др. (2020 г.). Воспроизведение в соответствии с доктриной добросовестного использования.
 
 Коллекции, доступные в BDC:  LC8_30_16D_STK-1  (Landsat-8 OLI, разрешение 30 м, интервал 16 дней),  S2-SEN2COR_10_16D_STK-1  (изображения Sentinel-2 MSI с разрешением 10 м, интервал 16 дней),  CB4_64_16D _СТК-1  ( CBERS 4/4A AWFI, разрешение 64 м, интервал 16 дней),  CB4_20_1M_STK-1  (CBERS 4/4A MUX, разрешение 20 м, интервал 1 месяц) и  MOD13Q1-6  (продукт MOD13SQ1, коллекция 6, разрешение 250 м, 16-дневный интервал). Для получения дополнительных сведений используйте  sits_list_collections(source = "BDC")  . 
 
 Чтобы получить доступ к кубу данных Brazil, пользователи должны указать свои учетные данные, используя переменные среды, как показано ниже. Получение ключа доступа к BDC бесплатно. Пользователи должны зарегистрироваться на сайте BDC, чтобы получить ключ. 
 
 Систем.сетенв(
    "BDC_ACCESS_KEY" = <ваш_bdc_access_key>
) 
 В приведенном ниже примере куб данных определяется как одна плитка («022024») коллекции  CB4_64_16D_STK-1 , которая содержит изображения CBERS AWFI с разрешением 16 дней.
 # Определение тайла из коллекции CBERS-4/4A AWFI
cbers_tile <- sits_cube(
  источник = "БДК",
  коллекция = "CB4_64_16D_STK-1",
  плитки = "022024",
  полосы = c("B13", "B14", "B15", "B16", "ОБЛАКО"),
  start_date = "2018-09-01",
  end_date = "2019-08-28"
)
# Построить один экземпляр времени
plot(cbers_tile, красный = "B15", зеленый = "B16", синий = "B13", дата = "2018-09-30") 
 Рисунок 18: График изображения CBERS-4, полученного из BDC, с одной плиткой, покрывающей область в бразильском Серрадо.
 Определение куба данных с использованием локальных файлов ARD
 
 Образы ARD, загруженные из облачных коллекций на локальный компьютер, не связаны с конечной точкой STAC, которая их описывает. Они должны быть организованы и названы так, чтобы  сидит , чтобы создать из них куб данных. Все локальные файлы должны находиться в одном каталоге и иметь одинаковое пространственное разрешение и проекцию. Каждый файл должен содержать одну полосу изображений для одной даты. Каждое имя файла должно включать информацию о плитке, дате и полосе. Пользователи должны предоставить информацию об исходном источнике данных, чтобы позволить  sits  получать информацию об атрибутах изображения, таких как имена полос, отсутствующие значения и т. д. При работе с локальными кубами  sits_cube()  нужны следующие параметры:
  источник  : имя исходного поставщика данных; либо  BDC ,  AWS ,  USGS ,  MSPC  или  DEAFRICA .
  коллекция  : коллекция, из которой были извлечены данные.
  data_dir  : локальный каталог для изображений.
  полосы  : необязательный параметр для описания извлекаемых полос.
  parse_info  : информация для анализа имен файлов. Имена файлов должны содержать информацию о тайле, дате и бэнде, разделенные разделителем (обычно «_»).
  разделитель  : символ-разделитель между дескрипторами в имени файла (по умолчанию «_»).
 В примере показано, как определить куб данных с помощью файлов из пакета  sitsdata . Набор данных содержит часть тайла «20LKP» изображений Sentinel-2 за период с 04.06.2020 по 26.08.2021, с каналами «B02», «B8A» и «B11». Данные извлечены из коллекции «SENTINEL-2-L2A» на Microsoft Planetary Computer («MPC»). Учитывая имя файла  cube_20LKP_B02_2020-06-04.tif  , для получения информации об изображениях необходимо установить для параметра  parse_info  значение  c("X1", "tile", "band", "date")  .
 библиотека(места)
# Создать куб на основе стека данных CBERS
data_dir <- system.file("extdata/Rondonia-20LKP", package = "sitsdata")
# Список первого файла
list.files(data_dir)[1] 
 #> [1] "cube_20LKP_B02_2020-06-04.tif" 
 # Создать куб данных из локальных файлов
s2_cube_20LKP <- сидит_куб(
  источник = "ПДК",
  коллекция = "SENTINEL-2-L2A",
  каталог_данных = каталог_данных,
  parse_info = c("X1", "плитка", "полоса", "дата")
)
# Постройте полосу B8A в первый момент времени
plot(s2_cube_20LKP, красный = "B11", зеленый = "B8A", синий = "B02", даты = "2021-07-25") 
 Рисунок 19: CBERS-4 NDVI в районе над Бразилией
 Определение куба данных с использованием классифицированных изображений
 
 Также можно создавать локальные кубы на основе результатов, полученных с помощью алгоритмов классификации или пост-классификации. В этом случае требуется больше параметров, и параметр  parse_info  указывается иначе, следующим образом:
  источник  : имя исходного поставщика данных.
  коллекция  : имя коллекции, из которой были извлечены данные.
  data_dir  : локальный каталог для классифицированных изображений.
  диапазон  : Имя диапазона, связанное с типом результата. Используйте: (a)  probs  для кубов вероятностей, созданных  sits_classify()  ; (b)  байеса  , для кубов, созданных с помощью  sits_smooth()  ; (c)  энтропия  ,  наименьшее  ,  отношение  или  запас  , в соответствии с методом, выбранным при использовании  sits_uncertainty()  ; и (d)  класс  для маркированных кубиков.
  labels  : Метки, связанные с результатами классификации (не требуются для кубов, созданных с помощью  sits_uncertainty()  ).
  версия  : Версия результата (по умолчанию =  v1  ).
  parse_info  : Информация об анализе имени файла, позволяющая  сидит  для вывода значений плитки   ,  start_date  ,  end_date  ,  диапазон  и  версия  из имени файла. В отличие от неклассифицированных файлов изображений, кубы, созданные с помощью классификации и пост-классификации, имеют как  start_date , так и  end_date  .
 Следующий код создает куб результатов на основе классификации обезлесения в Бразилии. Этот классифицированный куб был получен из большого куба данных изображений Sentinel-2, охватывающих штат Рондония, Бразилия, состоящих из 40 фрагментов, 10 спектральных каналов и охватывающих период с 01 июня 2020 г. по 09 сентября 2021 г.-11. Выборки четырех классов были обучены с помощью классификатора случайного леса.
 # Создать куб на основе классифицированного изображения
data_dir <- system.file("extdata/Rondonia-20LLP", package = "sitsdata")
# Файл называется "SENTINEL-2_MSI_20LLP_2020-06-04_2021-08-26_class_v1.tif"
Rondonia_class_cube <- sits_cube(
  источник = "АВС",
  коллекция = "SENTINEL-S2-L2A-COGS",
  полосы = "класс",
  метки = с(
    "Сожженная_область", "Очищенная_область",
    «Сильно деградированные», «Лесные»
  ),
  каталог_данных = каталог_данных,
  parse_info = с(
    "X1", "X2", "плитка", "дата_начала", "дата_окончания",
    "группа", "версия"
  )
)
# Построить классифицированный куб
сюжет (Rondonia_class_cube) 
 Рисунок 20: Куб классифицированных данных за 2020/2021 год в Рондонии, Бразилия.
 Регуляризация кубов данных
 
 Коллекции готовых к анализу данных (ARD), доступные в AWS, MSPC, USGS и DEAFRICA, нерегулярны в пространстве и времени. Полосы могут иметь разное разрешение, изображения могут не покрывать всю плитку, а временные интервалы могут быть неравномерными. По этой причине данные из этих коллекций необходимо преобразовать в обычные кубы данных, вызвав функцию  sits_regularize() 9.0064, который использует пакет  gdalcubes  [2].
 В следующем примере пользователь создал нерегулярный куб данных из коллекции Sentinel-2, доступной в планетарном компьютере Microsoft (MSPC), для листов  20LKP  и  20LLP  в штате Рондония, Бразилия. Сначала мы строим нерегулярный куб данных, используя  sit_cube()  .
 # Создание нерегулярного куба данных из MSPC
s2_cube <- sits_cube(
  источник = "ПДК",
  коллекция = "SENTINEL-2-L2A",
  плитки = c("20LKP", "20LLP"),
  полосы = c("B05", "B8A", "B12", "ОБЛАКО"),
  start_date = as. Date("2018-07-01"),
  end_date = as.Date ("2018-08-31")
)
# Показать разные временные шкалы плиток куба
сидит_время(s2_cube) 
 #> Предупреждение: куб неправильный, возвращаются все временные шкалы 
 #> $`20LKP`
#> [1] "2018-07-03" "2018-07-08" "2018-07-13" "2018-07-18" "2018-07-23" "2018-07-28"
#> [7] "2018-08-02" "2018-08-07" "2018-08-12" "2018-08-17" "2018-08-22" "2018-08-27"
#>
#> $`20LLP`
#> [1] "2018-07-03" "2018-07-05" "2018-07-08" "2018-07-10" "2018-07-13" "2018-07-15"
#> [7] "2018-07-18" "2018-07-20" "2018-07-23" "2018-07-25" "2018-07-28" "2018-07-30"
#> [13] "2018-08-02" "2018-08-04" "2018-08-07" "2018-08-09""2018-08-12" "2018-08-14"
#> [19] "2018-08-17" "2018-08-19" "2018-08-22" "2018-08-24" "2018-08-27" "2018-08-29" 
 # построить первое изображение неправильного куба
s2_cube %>%
  dplyr::filter(плитка == "20LLP") %>%
  график (красный = "B12", зеленый = "B8A", синий = "B05", дата = "2018-07-03") 
 Рисунок 21: Плитка Sentinel-2 20LLP на дату 2018-07-03
 Из-за разных орбит спутников Sentinel-2 и Sentinel-2A две плитки также имеют разные временные шкалы. Плитка  20LKP  имеет 12 экземпляров, а плитка  20LLP  имеет 24 экземпляра за выбранный период. Функция  sits_regularize()  строит куб данных с регулярной временной шкалой и наилучшей оценкой допустимого пикселя для каждого интервала. Параметр  period  задает временной интервал между двумя изображениями. Значения периода   используют спецификацию периода времени ISO8601, которая определяет временные интервалы как  P[n]Y[n]M[n]D  , где Y обозначает годы, «M» — месяцы, а «D» — дней. Таким образом,  P1M  означает период в один месяц,  P15D  — период в пятнадцать дней. При объединении различных изображений для получения наилучшего изображения за период  sits_regularize()  использует метод агрегирования, который упорядочивает изображения для выбранного интервала в порядке увеличения облачности и выбирает первый безоблачный пиксель в последовательности.
 
 # Регулировка куба до 15-дневных интервалов
 reg_cube <- sits_regularize(
 куб = s2_куб,
 output_dir = ".