Получение и обработка космических снимков

1.

Кафедра 611Б «Системный анализ и
проектирование космических систем»
Спутниковые системы наблюдения и связи
Тема 3.
Получение и обработка космических снимков
дтн, снс Клюшников В.Ю.
(ЦНИИ машиностроения)

2. Структура системы дистанционного зондирования Земли

1

3.

Расположение станций приема информации ДЗЗ
2

4.

Структурная схема типовой станции приема информации ДЗЗ
3

5.

Антенны наземных средств станций приема и обработки информации ДЗЗ
4

6.

УниСкан™ — Универсальный аппаратно-программный комплекс
приема информации с различных спутников ДЗЗ
IRS-P5
Terra
EROS A
IRS-P6
EROS B
Aqua
SPOT 2/4
Monitor-E
Landsat-5
IRS-1C
RADARSAT-2
IRS-1D
Formosat-2
RADARSAT-1
SPOT 5
NPP, NPOESS
IRS-P6
Данные принимаются
RADARSAT-2
УниСкан™-36
УниСкан™-24
Прием планируется
5

7.

Основные характеристики универсального аппаратно-программного
комплекса УниСкан™
Основные технические характеристики
УниСкан™-24
УниСкан™-36
Тип антенны
Однозеркальная,
осесимметричная,
секционная,
сплошная
Однозеркальная,
осесимметричная,
секционная, сетчатая
Тип антенно-поворотного
устройства
2-х осное (X-Y)
3-х осное (X-Y-Z)
Диаметр антенного зеркала,
м
2.4
3.6
Вес антенной системы, кг
400
1000
Диапазон рабочих частот,
ГГц
8 025…8 400;
7 750…7 850
Скорость передачи данных,
Мбит/с
до 124 в одном канале
УниСкан™-36
УниСкан™-24
Центр ДЗЗ в Москве MARC
6

8. Некоторые архивы данных ДЗЗ

7

9. Классификация космических изображений по пространственному разрешению

8
Классификация космических изображений
по пространственному разрешению
более 1 км
0,1 – 1,0 км
30 – 100 м
10 – 30 м
1 – 10 м
менее 1 м
Низкое. Масштабные природные объекты – тепловая
структура океанов, геологические структуры и др.
Среднее. Мониторинг природной среды. Хозяйственные
объекты не отображаются.
Относительно высокое. Создание и обновление карт,
обзорное тематическое картографирование.
Высокое. Создание и обновление топографических карт,
детальное тематическое картографирование.
Очень высокое. Населенные пункты, объекты
транспортной инфраструктуры и др.
Сверхвысокое. Крупномасштабное картографирование и
изучение отдельных объектов.

10.

Значения разрешения на местности и размеры некоторых объектов, обеспечивающие требуемое
качество решения задач дешифрирования космического изображения
Задача
Создание картографической основы
Идентификация минералов и уточнение
геологических карт
Составление почвенных карт и оценка
эрозии
Картографирование береговых отмелей
Инвентаризация водных источников
Прогнозирование урожаев
Планирование землепользования
Обнаружение и контроль загрязнений
Характерный размер
объекта, м
50
5
Разрешение на
местности, м
10
2
30
10
40
10
50
60
1000
10
5
30
60
300
9

11.

10
Стоимость материалов дистанционного зондирования
Разрешение м
Зарубежные
Название системы
Стоимость руб./км2
IKONOS, QuickBird
440 – 590
Spot-5, EROS
39 – 225
Наиболее крупный масштаб
Менее 2
2–3
Российские
Название системы Стоимость руб./км2
КВР-1000
100 - 150
КФА-3000
6 – 13
3,5 – 8
15
20 - 30
КФА-1000
МК-4
КАТЭ-200
IRS
ASTER, Landsat-7
Landsat-4
1:25000 – 1:50000
1:100000
1:100000
Спутник
QuickBird
IKONOS
1–2
0,3 – 0,7
0,03 – 0,09
Продукт
0,61 Панхром
2,40 Мультиспектральное
0,61 Цветные
Пакет**
1,0 Панхром
4,0 Мультиспектральное
1,0 Цветные
1,0 Пакет**
1,0 Стерео Панхром
1,0 Стерео Пакет**
* в числителе – км2, в знаменателе- $ USD
** объединенное изображение Панхром + мультиспектральное
29 – 76
1–2
1
1:2000 (1:5000)
1:10000
Архивные*
25 / 18
Заказ*
64 / 22
25 / 24
64 / 22
49 / 17,6
100 / 22
49 / 19,25
49 / 23,10
49 / 88
49 / 99
100 / 23,65
100 / 30,25
100 / 88
100 / 99

12.

Форматы записи данных
11
1. BIP (Band Interleaved by Pixel) – зоны, чередующиеся по пикселям
2. BIL (Band Interleaved by Line) – зоны, чередующиеся по строкам
3. BSQ (Band Sequential) – последовательность зон
BIP-формат: зональные значения спектральной яркости каждого пикселя
хранятся последовательно: сначала значения первого пикселя в каждой
зоне, затем значения второго пикселя в каждой зоне и т. д. Такой формат
называют совмещенным. Он удобен при выполнении попиксельной
обработки многозонального снимка, например, в алгоритмах
классификации.
BIL-формат: зональные данные записываются в один файл строка за
строкой, при этом зоны чередуются но строкам: 1-ая строка 1-ой зоны, 1ая строка 2-ой зоны, ..., 2-ая строка 1-ой зоны, 2-ая строка 2-ой зоны и т. д.
Такая запись удобна, когда выполняется анализ одновременно всех зон.
Файлы изображений снабжаются дополнительной информацией:
- описание файла данных (формат, число строк и столбцов, разрешение и т. д.);
- статистические данные (характеристики распределения яркостей
минимальное, максимальное и среднее значение, дисперсия);
- данные о картографической проекции.
BSQ-формат: каждый зональный снимок содержится в отдельном файле.
Это удобно, когда нет необходимости работать сразу со всеми зонами.
Одну зону легко прочитать и визуализировать, зональные снимки можно
загружать в любом порядке по желанию.
Для уменьшения объема растровой информации используют групповое кодирование. Групповое кодирование основано на замене групп
повторяющихся символов в последовательности значением числа повторений. Пример: алгоритм сжатия изображений в формате JPEG
(Joint Photographic Experts Group)

13.

Последовательность обработки данных ДЗЗ
Предварительная обработка изображения
Улучшение качества изображения
Восстановление
пропущенных пикселов
и контрастирование
12
Дешифрирование изображения
(Тематическая обработка изображения)
Цель: обнаружение и распознавание
обнаруженных объектов
Тематическая карта
Радиометрическая
коррекция
Классификация с
обучением
Атмосферная
коррекция
Классификация
без обучения
Геометрическая
коррекция
Ортотрансформирование
Космическое
изображение
(снимок)
Спектральные и
пространственные
преобразования
Трехмерная модель
местности
Тематический отчет

14.

13
EROS (1A), LR= 1.8 м
Панхром
IKONOS, LR= 1м
Цветное

15.

14
Данные ДЗЗ со спутника QUICKBIRD с
разрешением 60 см,
Гамбург, Германия
Цветные изображения со спутника IKONOS с
разрешением 1 м,
Денвер, Колорадо

16.

Обработка данных ДЗЗ
Космический снимок с КА ДЗЗ Ресурс-О1
(сканер МСУ-Э ) и карта, построенная в результате его обработки
15

17.

Предварительная обработка изображения
16
Радиометрическая коррекция – варьирование значений яркостей пикселей, которое определяется
сбоем или неисправностью детекторов, влиянием рельефа, атмосферными эффектами.
Атмосферная коррекция – устранение влияния состояния атмосферы на основе высокоточных
моделей атмосферной коррекции, учитывающих количество водяного пара, распределения
аэрозолей и видимость сцены.
Геометрическая коррекция – исправление таких искажений снимка, как полосчатость, выпадение
строк. Осуществляется также геокодирование – привязывание снимка таким образом, что каждой
точке изображения задается координата соответствующей точки на местности. Математически
геопривязка обычно осуществляется с помощью степенных полиномов. Точность привязки
увеличивается при наличии опорных точек, тогда снимок как бы «сажается» по ним. После
геокодирования определяют яркостные характеристики уже трансформированного изображения
различными методами: ближайшего соседа, билинейной интерполяции, бикубической свертки.
Ортотрансформирование – операция геометрической коррекции для компенсации смещений
изображений объектов за счет рельефа местности. Для корректировки таких искажений требуется
цифровая модель рельефа (ЦМР), а также информация о положении камеры или датчика в
момент съемки: элементы внешнего ориентирования камеры и элементы внутреннею
ориентирования снимка.

18.

Улучшение качества изображения.
Восстановление пропущенных пикселов и контрастирование
«Пропущенные пикселы» могут возникнуть во время съемки или
передачи данных, также случается замена значений яркости целой
строки значениями соседней строки. Такие явления могут стать
помехой при тематической обработке снимка. Пропущенные
пиксела можно восстановить путем интерполяции с определенной
погрешностью.
Неконтрастное изображение.
Контрастное изображение.
Контраст изображения - это разность между максимальным и минимальным
значениями яркости.
Слабый контраст – наиболее распространенный дефект изображений.
Существует несколько методов повышения контраста путем цифровой обработки.
Операция повышения контрастности снимка может быть использована при визуальном
дешифрировании снимков (например, чтобы подчеркнуть границы объектов).
17

19.

Улучшение качества изображения. Спектральные преобразования
18
Спектральные преобразования, которые строятся на работе со спектральной диаграммой – графиком, показывающим зависимость между
количеством пикселей изображения и значениями спектральной яркости. При спектральных преобразованиях изменяется такой параметр как
контрастность. Для его повышения существует ряд методов:
1.Линейное растягивание гистограммы, заключающееся в том, что всем значениям яркости присваиваются новые значения с целью охватить
весь возможный диапазон от 0 до 255:

20.

Улучшение качества изображения. Спектральные преобразования
19
2. Нормализация гистограммы – на весь диапазон значений яркости растягивается только наиболее интенсивный (наиболее информативный) участок
диаграммы::
3. Линеаризация гистограммы – каждому пикселю присваивается новое значение яркости, причем таким образом, чтобы у каждого яркостного
уровня было примерно одинаковое количество пикселей:

21.

Улучшение качества изображения. Фильтрация
Процесс фильтрации
строится на понятии
скользящего окна –
квадратной матрицы
весовых коэффициентов
(обычно это матрица
3х3 или 5х5).
Если пиксель стоит в центре окна,
перемещающегося от пикселя к пикселю
изображения, то ему присваивается новое
значение, вычисленное по функциональной
зависимости из значений окружающих его
пикселей.
Типы границ и линий
20

22.

Улучшение качества изображения. Преобразование Фурье
21
Преобразование Фурье улучшает качество изображения путем его разложения на множество
пространственно-частотных компонент. Распределение яркостных характеристик в пространстве
представляется в виде линейной комбинации периодических функций sin и cos с заданными
характеристиками в частотной области. К примеру, чтобы удалить шумы, достаточно выявить
периодичность их появления.
Разложение исходной функции времени на
гармонические составляющие.
Представление функции в частотной
области называют спектром функции.
Для перевода сигнала из временного пространства в частотное используется преобразование Фурье (ПФ). Для
восстановления функции из частотного пространства используется обратное преобразование Фурье.
Одна из важнейших особенностей преобразования Фурье заключается в том, что спектр суммарной функции
времени равен сумме спектров ее гармонических составляющих.

23.

Дешифрирование изображения
22
Дешифрирование – это процесс обнаружения и распознавания объектов и явлений местности на
снимке. Оно может быть как ручным, то есть базирующимся на визуальной (человеческой) оценке
изображения, так и машинным (автоматическим).
Машинная обработка, по сути своей, сводится к различным механизмам классификации. Для начала
нужно представить все пиксели (их спектральные яркости) как вектора в пространстве спектральных
признаков. При анализе количественных связей спектральных яркостей разных объектов
происходит разделение пикселей по классам.
Классификация снимков делится на классификацию с обучением и классификацию без обучения.

24.

Классификация с обучением
23
Классификация с обучением предполагает наличие эталона, с яркостью которого сравнивается яркость каждого пикселя. В
результате, имея несколько эталонов, заранее заданных, мы получаем множество объектов, разделенных на классы. Эта
классификация работает только в случае, если известны заранее те объекты, которые отображены на снимке, классы четко
различимы и их количество невелико.
1. Метод минимального расстояния –
значения яркости пикселей
рассматриваются как вектора в
пространстве спектральных признаков.
Между этими значениями и значениями
векторов эталонных участков
высчитывается спектральное расстояние,
как корень из суммы квадратов разности
векторов пикселя и эталона (проще
говоря, эвклидово расстояние между
ними). Все пиксели распределяются по
классам в зависимости от того,
превосходит ли расстояние между ними
и эталоном заданное или нет. Так, если
расстояние меньше, то класс определен,
пиксель можно отнести к эталону:

25.

Классификация с обучением
2. Метод дистанции
Махаланобиса – очень похож на
метод минимального
расстояния, только при
классификации измеряется не
эвклидово расстояние между
векторами, а расстояние
Махаланобиса, которое
учитывает дисперсию значений
яркости эталона. В этом способе,
если эвклидово расстояние до
двух эталонов от данного
пикселя равно, то победу
одержит тот класс, дисперсия
эталонной выборки которого
больше:
24

26.

Классификация с обучением
3. Метод спектрального
угла – изначально задается
максимальное значение
спектрального угла (угла
между вектором-эталоном
и вектором данного
пикселя). Находится
спектральный угол, и, как с
эвклидовым расстоянием,
если угол меньше
заданного, то пиксель
попадает в класс эталона, с
которым идет сравнение:
25

27.

Классификация без обучения
26
Классификация без обучения построена на полностью автоматическом распределении пикселей по классам на основе статистики
распределения яркостных значений пикселей. Данный вид классификации используется, если изначально неизвестно, сколько
объектов присутствует на снимке, количество объектов велико, в результате машина сама выдает полученные классы, а мы уже
определяем, каким объектам их поставить в соответствие.
1. Метод ISODATA (Iterative Self-Organizing Data
Analysis Technique Algorithm) основан на
кластерном анализе с использованием метода
последовательных приближений. После
рассмотрения яркостей пикселей, как векторов в
пространстве спектральных признаков, ближайшие
определяются в один класс. Для каждой
спектральной зоны идет расчет статистических
параметров распределения яркостей. Все пиксели
делятся на некоторое n число равных диапазонов,
внутри каждого из которых находится среднее
значение. Для каждого пикселя диапазона
рассчитывается спектральное расстояние до
среднего значения. Все пиксели, расстояние между
которыми наименьшее определяются в один
кластер. Так проходит первая итерация. При второй
итерации и последующих идет расчет уже
реальных средних значений для каждого кластера.
Каждая новая итерация уточняет границы будущих
классов:
2. Метод K-средних – похож на метод ISODATA, за тем лишь исключением,
что начальные средние значения задаются (это возможно только, если
объекты на снимке хорошо читаемы).

28.

Тематическая обработка мультиспектральных снимков. Система RGB
Цветное изображение на мониторе
компьютера получается путем сложения
трех основных цветов. За основные приняты
цвета, соответствующие
монохроматическим излучениям с длиной
волны 0.7 мкм (красный - R); 0.5461 мкм
(зеленый - G); 0.4358 (синий - B). Такое
представление цвета называют цветовой
моделью RGB.
В файле цветного изображения, для
каждого пиксела записано три числа,
которые означают интенсивности трех
основных цветов, диапазон значений от 0
до 255.
Если вывести на экран дисплея изображение одного канала многоспектрального снимка, то оно будет
окрашено в серые тона (полутоновое изображение).
Чтобы получить цветное изображение нужно сложить вместе три канала многоспектрального снимка. Один из
которых будет красный (R), другой зеленый (G), третий синий (B).
Можно окрашивать изображения в натуральные и ложные цвета.
Если в каналы R, G, B изображения подставлены R, G, B каналы снимка, то изображение представлено в
натуральных цветах. Если в каналы R, G, B изображения подставлены другие каналы снимка, то изображение
представлено в ложных цветах.
Практически любой цвет, видимый
человеком, может быть представлен как
сумма трех основных цветов.
Если значения яркости R=250, G=0, B=0,
то пиксель будет окрашен в красный
цвет.
Если значения яркости равны между
собой R=G=B, пиксель будет окрашен в
серый цвет.
Если значение яркости R, G, B не равны
между собой то в зависимости от
значений яркости R, G, B пиксел будет
окрашен в определенный цвет.
27

29.

28
Создание производных изображений
синтезирование;
индексные изображения;
метод главных компонент.
Синтезирование – переход к новой координате – цвету:
C=a1R+a2G+a3 B, где
R, G, B – цветовые компоненты, определяемые яркостью пиксела в принятых для синтезирования спектральных зонах;
a1 , a2, a3 - обычно стандартные величины в конкретных программных продуктах.
3
Три наиболее распространенных варианта синтеза:
Цветовые компоненты
Яркости в спектральных каналах
I
II
III
R
Кр
Бл. ИК
Кр.
G
Зел
Кр.
Бл. ИК
B
Гол
Зел.
Зел.
Натуральная цветопередача
Ложная цветопередача
Искаженная цветопередача
Растительность
Зеленая
Красная
Зеленая
Открытые почвы
Серо-коричневая
Серо-голубые
Розов. (сиренев)
Вода
Синяя
Черная
Фиолетовая
При большом количестве спектральных каналов для синтеза избираются каналы, яркости которых наименее коррелированы между собой

30.

Метод спектрального разделения (Spectral Unmixing)
29
Один пиксел снимка может отображать от нескольких квадратных метров
до тысяч квадратных метров поверхности Земли, и содержать
информацию не об одном объекте, а о группе объектов, которые
расположены на соответствующей территории.
Метод спектрального разделения применяют для распознавания на
снимках объектов, размер которых значительно меньше размера
пиксела.
Суть метода: смешанные спектры анализируют, сравнивая их с известными чистыми
спектрами, например, из спектральных библиотек чистых материалов. Происходит
количественная оценка соотношения данного известного (чистого) спектра и примесей в
спектре каждого пиксела. После выполнения такой оценки может быть получено
изображение, раскрашенное так, что цвет пиксела будет означать, какой компонент
преобладает в спектре это пиксела.

31.

30
Индексные изображения
VI (Vegetation Index) = Bбл.ИК/Bкр
NDVI (Normolised Differense Vegetation Index)нормализованный разностный вегетационный
индекс = Bбл.ИК – Вк / Bбл.ИК + Вк
выделяет площади, занятые
растительностью, индикатор сомкнутости
растительного покрова; снимает влияние
освещенности.
для водных объектов - отрицательное значение;
для почв, грунтов, сухой растительности близок к 0;
max-для вегетирующей растительности;
удобен для изучения сезонной динамики
растительности
Отражательная сп особность,%
Новые яркости пикселов – на основе математических операций с зональными значениями яркости. Они могут быть простыми
(разность двух зон), и более сложными (построение функций от значений в нескольких зонах).
Методологическая основа – индивидуальное соотношение спектральных яркостей у разных объектов и для разных их состояний (т.е.
учет спектральной кривой).
Применение: оценка и картографирование растительности, биопродуктивности с\х культур и угодий, содержание хлорофилла в
морской воде.
Вегетационные индексы:
NDVI
60
50
NIR VIS
NIR VIS
40
30
20
10
1
2
500
600
700
800
900
Длина волны, мкм * 1000
Пример: использование ближнего ИК-диапазона (0,74 – 1,3 мкм) для контроля состояния
сельскохозяйственных культур: 1- нормальное состояние, 2- стрессовое состояние
1000

32.

Метод главных компонент (Principal Component)
31
Анализ главных компонент это метод анализа многоспектральных коррелированных данных.
Понятие коррелированные данные означает, что при возрастании значения яркости пикселов в одном спектральном канале возрастают значения
яркости и в других спектральных каналах.
- пример двумерного пространства спектральных признаков: при возрастании значения в первом канале
возрастает значение во втором, это означает высокую корреляцию между этими каналами [PRINCIPAL
COMPONENTS ANALYSIS: A BACKGROUND]. Видно, что область распределения значений расположена под углом
к осям графика, поэтому ни по одной из этих осей не отображается весь диапазон значений объекта. Это
значит, что при синтезировании цветного изображения снимок будет обделен цветами. Например, все виды
растительности будут изображены близкими неразличимыми оттенками цвета. Такое расположение значений
яркости характерно для большинства природных объектов (растительности, почв, горных пород).
Если оси координат развернуть так, чтобы одна из них шла
параллельно полю распределения значений, а вторая располагалась
ортогонально, то вдоль каждой из осей диапазон значений будет
максимальным, что увеличит возможности дешифрирования снимка:
Фрагмент снимка, Возможности анализа
представленного в главных компонент:
Если снимок содержит более
ложных цветах.
трех спектральных каналов,
можно создать цветное
изображение из трех главных
компонент без заметной
потери информации.
Если объекты малого размера
Снимок,
и низкого контраста плохо
обработанный по дешифрируются на исходных
методу главных
снимках, часто хорошо
компонент.
выявляются на изображениях
отдельных спектральных
компонент.

33.

Программные средства предварительной и тематической
обработки данных ДЗЗ
32
ERDAS Imagine - программный пакет, поставляемый на рынок фирмой ERDAS, сочетающий в себе функции растровой и векторной ГИС и системы
для обработки изображений, ориентированной на данные аэро- и космических съемок, и предназначен для профессионалов в области ДЗЗ и
фотограмметрии. Предоставляет набор инструментов, дающий возможность обрабатывать данные из любого источника и представлять результаты в
любом виде, от профессионально оформленных печатных карт до трёхмерных моделей местности.
Ядром ПО ERDAS Imagine является один из трех вариантов базовых пакетов: Imagine Essentials, Imagine Advantage и Imagine Professional. Каждый
последующий пакет включает в себя функциональные возможности предыдущего и расширяет их. В качестве специализированных инструментов
компания ERDAS разрабатывает дополнительные модули (Imagine VirtualGIS, Imagine OrthoBASE. Imagine Subpixcl Classifier. Imagine Radar Mapping Suite,
Imagine Developers Toolkit, Stereo Analyst и др.)
Инструмент программиста Imagine Developers Toolkit позволяет дополнить ERDAS Imagine любыми функциями, которые нужны заказчику.
ERDAS ER Mapper - использует единый интегрированный интерфейс, позволяющий получать быстрый и удобный доступ ко всем функциям
обработки и анализа данных, поддерживаемых системой. Не требует обязательною сохранения результатов выполнения гой или иной операции над
данными на диске. В алгоритмах Mapper записываются операции многоуровневой фильтрации, яркостного трансформирования (коррекции),
обработки посредством формул и т. д.
Формулы представляют собой наборы арифметических и логических операций, задающих правила обработки многозональных снимков.
Аргументами формулы являются отдельные спектральные каналы обрабатываемого снимка. Большой набор стандартных формул по обработке
изображений позволяет ускорить процесс создания эффективных алгоритмов обработки. ER Mapper содержит довольно широкий набор
разнообразных «шаблонных» алгоритмов, а также позволяет создавать собственные пользовательские алгоритмы обработки.
ENVI (Environment for Visualizing Images - среда для отображения снимков) - программный комплекс компании ITT Visual Information Solutions,
включающй набор функций для обработки данных ДЗЗ и их интеграции с данными ГИС: обработки и глубокого анализа спектрозональных снимков,
исправления геометрических и радиометрических искажений, интерактивного улучшения изображений, интерактивного дешифрирования и
классификации, анализа снимков в радиодиапазоне, построения запросов, оцифровки, и др.
ENVI содержит спектральные библиотеки и инструменты для выполнения спектрального и топографическою анализа, анализа растительности и
классификации изображений.

34.

Использование искусственных нейронных сетей для обработки данных ДЗЗ
Искусственная нейронная сеть может
аппроксимировать любую непрерывную
функцию, если функции активации будут
нелинейными.
Основные параметры нейронной сети:
структура и веса связей.
33

35.

Использование искусственных нейронных сетей для анализа и картирования
процессов засоления почв (пример)
34
Схема обучения нейросетевого алгоритма по эталонной таблице:
ЛЛС – элементарные участки земной поверхности;
Kn – степень засоления почвы;
Si – класс пригодности земли для с/х производства, i=1,…,5;
Гkl – матрица оценок.
Автоматизированная система оценки земли,
использующая обученную нейронную сеть

36.

Некоммерческие библиотеки снимков в рамках проектов НП
«Прозрачный мир»
При поддержке ИТЦ СканЭкс
«Прозрачный мир» реализует
проекты
в области использования
изображений Земли из космоса в
научных и прикладных
экологических исследованиях,
образовании, дизайне, туризме и
краеведении.
www.transparentworld.ru
35

37. Космические снимки КА ДЗЗ типа Flock

Колизей
Египетские пирамиды
36

38. Космические снимки КА ДЗЗ Ресурс-П

37

39. Космические снимки КА ДЗЗ Ресурс-П

38

40. Космические снимки КА ДЗЗ Ресурс-П

39

41. Космические снимки с МКС

40
Космические снимки с МКС
а) Крым, 25.08.2007 г. – 13:27:50
г) г. Бордо (Франция), 07.09.2007 г. – 07:05:40
б) Греция, 25.08.2007 г. – 10:13:10
в) Канада (провинция Квебек),
21.06.2007 г. – 20:57:09
д) Персидский залив, 01.09.2007 г. – 12:59:50

42. Космические снимки с МКС: космодром Байконур

24 июня 2007 г. – 09:41:37
13 июня 2007 г. – 13:48:38
41

43. Индикация загрязнения атмосферного воздуха с МКС

б) Экибастуз, 5 мая 2006 г. – 16:41
а) Магнитогорск, 5 мая 2006 г. – 16:40
42

44. Индикация загрязнения атмосферного воздуха с МКС

г) Гусиноозерская ГРЭС (Бурятия), 11 марта 2006 г. – 10:10
в) Хабаровск, 6 мая 2006 г. – 12:09
43