Planet作为一家的航空航天和数据分析的综合性公司，运营着世界上最大的商业地球观测卫星群。Planet的数据和平台不仅面向商业应用，也深入研究和教育工作。
每天收集近实时、高分辨率卫星影像是Planet最大特色，因此Planet科学应用也在一定程度上代表了高时空分辨率卫星影像在各个领域的最新科研成果。
Planet的科学数据平台每天能生产25TB经过严格校正和标准化的产品数据，在不同领域中被研究人员使用。基于Planet数据总共发布论文1500多篇期刊和会议论文，研究应用范围跨越了整个地球系统，应用区域从北极高地到南极的冰雪覆盖区，从东南亚的热带丛林到埃塞俄比亚的玉米田。
Planet从7个方向详细介绍了2020–2021地球科学应用。践行Planet的愿景：to use space to help life on Earth。
一、遥感科学
逐日的遥感数据使遥感科学和应用有了较大的进步，Planet数据和Landsat、Sentinel-2数据融合，能够对地球表面进行密集、定量化的的时间序列分析。
澳大利亚研究人员用PlanetScope 和Sentinel-2融合获得逐日3kmLAI产品，地面验证点精度达到94%。高时空分辨率的时间序列LAI可以更好监测作物的生长和健康，提升耕作效率，提升田间和亚田间产量预测精度。
Sadeh et al. (2021) fused PlanetScope with Sentinel-2 imagery to generate daily, ~3 m resolution Leaf Area Index estimates.
Sentinel-2数据融合增强（Sharpening），用high pass modulation (HPM) and the third modulation method (M3)方法融合PlanetScope ~3-m data 和Sentinel-2 10- and 20-m数据，减少空间上失真，又保持了Sentinel-2的光谱特性。其中HPM性能更好。
False color reflectance images from Li et al. (2020): (a) Sentinel-2 NIR red edge SWIR at the native 20-m resolution, (b) PlanetScope NIR Sentinel-2 red edge Sentinel-2 SWIR, (c) Sentinel-2 false color reflectance HPM sharpened to 3 m, and (d) Sentinel-2 false color reflectance M3 sharpened to 3 m.
二、冰冻圈
气候变化导致全球冰层正在经历重大而迅速的变化。北极变暖速度是地球其他地方的两倍。因此，用高时空间分辨率数据对这些区域的监测至关重要。
- 冰川风险监测
高原山区的冰川湖泊夏季可能会带来突发性的洪水，给下游村镇带来毁灭性的灾害。PlanetScope的高时空分辨率影像在冰川观测中具有显著优势。巴基斯坦研究人员使用深度学习和机器学习算法来监测喜马拉雅和邻近地区冰川地形的水体。
Qayyum et al. (2020) used deep learning to map water bodies in glaciated terrain in the Himalaya and neighboring regions. This figure shows annual variations in the supraglacial lakes on the Baltoro glacier over the course of three years.
- 北极及北方湖泊的变化
在北极和北方地区气候变暖是全球平均速度的两倍，其脆弱的生态系统发生广泛的变化。监测对这些生态系统的影响的一种方法是总初级生产量（GPP）。Nasa的研究人员用PlanetScope、Sentinel-2和Landsat 8的数据以及航空影像来评估阿拉斯育空平原上小湖泊的GPP。
- 积雪覆盖监测
雪覆盖对有生态、水文和经济等有多重影响。Cannistra等人结合PlanetScope和机载LiDAR来训练机器学习模型来识别Gunnison盆地积雪。
Cannistra et al. (2021) used a convolutional neural network, trained with PlanetScope 3 m resolution data to map snow cover in the Sierra Nevada and Rocky Mountains in the U.S. The PlanetScope model showed comparable performance to models based on Sentinel-2 or Landsat imagery, but operational at 3 m spatial resolution. Further details in Cannistra et al. (2021)
三、生物圈
人类已经改变了几乎我们星球的所有生物地球化学循环，甚至在最偏远的生态系统。Planet的高分辨率时间序列数据提供了一个独特的机会来监测和减轻这些威胁。
- 碳储量与排放
多光谱遥感图像虽然能绘制森林覆盖，但是只能对碳储量和排放量进行间接估计，LiDAR可以估计森林碳储量，但是由于成本问题很难大规模或高频率使用。亚利桑那州立大学利用PlanetScope和机载LiDAR进行结合消除这些技术和成本障碍。
Csillik et al. (2020) used a combination of field data, airborne LiDAR, and Planet imagery to generate 1-ha resolution carbon stocks and emissions estimates for Peru.
热带泥炭地受农业活动的扩大影响而面临威胁。由于农业活动导致泥炭地水位下降，其中的碳就会释放到大气中。Nathan Dadap领导的多国小组，通过PlanetScope影像和机器学习方法对东南亚排水渠区域进行监测。发现至少65%的东南亚泥炭地正被抽空，而导致大范围的碳排放。通过ALOS-1雷达数据结合PlanetScope也发现该区域的地面沉降。
Drainage canals mapped using PlanetScope data by Dadap et al. (2021)
- 森林物候学
Dove卫星的高重访率的帮助Wang等人发现亚马逊的旱季的植被模式。许多热带树木都是落叶的，在旱季会落下全部或部分的叶子，然后会爆发新生长。这些模式的原因和后果仍不太清楚，并对森林生态以及森林和气候之间的关系有着巨大的影响。基于类似的物候追踪应用在中国北方温带森林。在秋天，Wu等人能够探测到单个树冠的颜色的变化，可以分离出特定的树种，包括橡树、山胡桃树、椴树、榆树或者其他树种。
Dove satellite images capture the high-frequency changes in autumn colors in temperate forests in Pennsylvania (October, 2020).
Wu et al. (2021) used PlanetScope data to detect phenological changes in temperate tree species in China, and subsequently classify those species’ canopies based on the arrival of the start of fall (SOF), middle of fall (MOF) and end of fall (EOF). Further details in Wu et al. (2021).
- 花期
凭借3.7米的空间分辨率，Planet的Dove星座是为数不多的能够从太空中检测树冠上开花情况的卫星。Dixon等人用PlanetScope与高分辨率的无人机图像相结合，创建一个机器学习模型，可以准确在整个开花季节准确预测像素级的开花事件。
Visualization of the detection of flowering events using PlanetScope from Dixon et al. (2019)
- 野火
卫星在评估野火过火面积、火灾范围起到重要作用。目前森林监测评估、未来碳预算对中高分辨率燃烧区产品需求越来越大。Roy等人创建了一个综合多传感器方法来评估燃烧区分析方法。通过随机森林算法，融合 Landsat 8和Sentinel-2数据得到每周两次的30m分辨率的产品。同时也发现Planet的时间和空间分辨率能够更好地理解未燃烧和已燃烧地区在小尺度上的差异。
PlanetScope view of August 2016 burn scars in one of the focus areas of Roy et al. (2019) in Zambia.
- 粮食安全
耕地分布信息是农业和粮食安全分析和决策的关键信息。最新的高分辨率耕地地图在大多数国家并不容易获得。由于疫情影响供应链中断，小农农业为主的国家粮食安全面临巨大风险。为了向农民分发援助、提高产量，确保粮食安全，多哥共和国向NASA寻求帮助。NASA Harvest团队过机器学习，结合 PlanetScope、SkySat和Sentinel-2的数据10天内就把数据提供给多哥政府。
Cropland probability map generated by Kerner et al. (2020) for the country of Togo. RGB color subsets of the SkySat Basemap used are displayed alongside the resulting machine learning mapping results.
在附近的加纳，Estes利用PlanetScope数据制作了该国完整的耕地的地图。Estes分析了几百万平方公里的PlanetScope数据，生成干湿季耕地合成产品，并建立了一个标签平台和一个主动学习程序生成耕地的概率。这些结果展示了一个高适应性和易转移的模型框架，用于开发高分辨率年度、国家尺度的耕地地图，可以获取以小农为主的耕地的重要细节。这样的工具可以提升人们适应农业条件变化的能力。
Estes et al. (2021) mapped all agricultural systems in Ghana using a Random Forest machine learning approach that ingested millions of square kilometers of PlanetScope data. The map is one of the highest resolution maps of agricultural footprint in a large small-holder dominated nation. Percent cropland is shown in the center, with zooms highlighting field boundaries as detected by the machine learning approach. Further details in Estes et al. (2021).
四、大气圈
空气质量极大地影响着全球的人类健康。遥感方法在有效监测、跟踪空气质量变化方面发挥越来越重要地位。
PM2.5空气污染对人类健康构成了严重的威胁，特别是区域高精度PM2.5浓度有很高应用需求。Zheng等人使用了随机森林、深度卷积等方法结合Planet数据、气象参数，反演每日300米地表PM2.5浓度。这种方法可以帮助识别当地的PM2.5 局部热点，并跟踪时间变化。
Zheng et al. (2021) used near-daily PlanetScope data to create a PM2.5 hotspot detection map of Delhi, India.
- 云掩膜
澳大利亚研究人员用深度学习方法开发云和云阴影掩膜算法，把PlanetScope和Sentinel-2图像应用在亚马逊和澳大利亚湿热地区地区。通常情况下，云掩膜算法基于像素级完成的，是一项耗时的任务。基于场景的检索方法可以做到更快的性能和更高的准确性。结果表明模型具有很高的泛化能力，很适合于云层、阴影和土地覆盖物分类。
Examples of feature classification results using a CNN on PlanetScope and Sentinel-2 images over the Wet Tropics of Australia from Shendryk et al. (2019).
五、岩石圈
山区或冰川地带的生活居民和设施面临着山体滑坡和雪崩的威胁。通过遥感方法可以检测到地表变形，并对即将发生的危险发出预警信号。
- 滑坡
青藏高原是自然灾害的高发地区，包括地震、山体滑坡和冰川洪水等。通过遥感数据Planet的SkySat、PlanetScope和RapidEye 为这些地区灾害监测带来革命性方法。PlanetScope的短重访时间有助于探测高山地区的自然灾害，也有利于发现该地区自然灾害的早期预警迹象。由于图像分辨率和快速重访率， PlanetScope数据在灾害事件过程重建方面也至关重要。
Aerial view of Kedarnath town with (a) pre and (b) post-event RapidEye imagery from November 1, 2012 and November 13, 2013. (c) Shows a broader view of the source areas, location of the Chorabari Lake, and direction of flooding associated with the Kedarnath debris flow (right). From Kirschbaum et al. (2019).
- 地震
2018年9月28日，一场7.5级的破坏性地震袭击了印尼苏拉威西岛中部。由于地震的震动，土壤的强度和刚度急剧下降引起山体滑坡，建筑物倒塌造成了超过4000人死亡，成为有史以来严重的土壤液化事件之一。为了更好地了解地震所引发的山体滑坡，横跨四大洲的多国研究小组利用每天的PlanetScope图像来绘制地表破裂和山体滑坡。发现帕卢河谷的地面塌陷和滑坡主要是位于冲积层上的灌溉稻田造成的。研究强调了对农业和灌溉造成的潜在危害进行评估的必要性。冲积扇以前没有被认为是一种威胁，因为土壤在这种规模的液化以前从未被观察过。研究人员在他们的论文中指出：地震引发的的灌溉区冲积层的滑坡是一个未被认识到但可以避免的问题。
PlanetScope view of sediment flowing through the Palu River as a result of the September 28, 2018 Mw7.5 earthquake.
在加州监测圣安德烈亚斯断层的变化是非常重要的。东加州剪切带是一个活跃的断层，在2019年7月4-5日发生的两次地震。加州理工学院的研究人员用一种创新的方法使用PlanetScope生成DEM，以了解这两次地震的地表变形情况。通过绘制每个地震的断层轨迹，他们发现最初的6.5级地震引发了次生7.1级地震。
PlanetScope view of a surface rupture and dewatering from the Mw7.1 earthquake discussed by Milliner and Donnellan (2020).
六、水文圈
近岸海洋环境，包括珊瑚礁、红树林 和海草床，在海洋生态系统功能中发挥着关键作用， 为大量的海洋生物提供栖息地。同时也受气候变化、风暴和人类活动等强烈影响，因此监测它们时间变化趋势具有至关重要的意义。
- 珊瑚礁
研究人员使用卫星和调查数据创建了世界浅层珊瑚礁系统地图。珊瑚礁非常容易受到气候变化的影响，卫星数据是大规模监测的唯一可行的方法。昆士兰大学领导的一个多国研究小组通过创建一个从个体到海洋尺度的珊瑚礁制图框架，为地图集做出贡献。他们的方法结合了图像分割、机器学习和基于对象的方法以及PlanetScope和其他卫星图像。其平均总体准确率为78%。
Example of the varying spatial scale and detail possible using PlanetScope for coral reef mapping across Fiji, Tuvalu and Tonga from Lyons et al. (2020). The maps can be explored in detail here: mitchest.users.earthengine.app/view/coral-map-explorer
- 非法捕捞
全球捕鱼观察的研究人员利用Planet的Dove和SkySat图像，与其他创新技术一起揭示了在朝鲜、日本和俄罗斯之间的水域广泛存在的非法捕鱼。
Park et al. (2020) tracked illegal fishing activity from a pair of trawlers from China in North Korean waters using PlanetScope (B) and SkySat (C) imagery from 2017–2018.
- 海洋塑料追踪
海洋污染中最紧迫的问题之一是微塑料碎片。截至2014年，海洋中有93,000至236,000公吨的微塑料。大量的不可降解的塑料、微塑料遍及全球海域海底沉积。塑料不仅存在于海洋中，还存在于海洋生态系统的不同营养层次中，其中包括美国和印度尼西亚市场中50%以上鱼种。
为了研究卫星图像探测海洋塑料碎片的能力，Kikai等人利用Planet数据对海湾群岛和洪都拉斯湾进行了为期五年的研究。这是第一次利用高分辨率多光谱卫星图像加上现场观察的验证，来检测、跟踪和绘制塑料碎片的运动。这项研究不仅显示了卫星遥感是如何成为一个高效和低成本的工具 ，还表明了将卫星信息整合到未来的海洋清理和保护工作中的价值。
Kikaki et al. (2020) used PlanetScope (a–f; g–i) and Sentinel-2 (g) imagery from a period of the major rainfall season in September–October 2017 to look for debris trails at the Gulf of Honduras and Bay Islands.
七、人类足迹
人类已经改变了我们星球上几乎所有的生物地球化学循环。大气中的二氧化碳浓度可能超过整个更新世（始于250万年前）的水平。而现在我们都在努力应对全球 COVID-19危机。
- 拥挤与城市收入分配
高时空分辨率卫星影像在理解社会经济趋势方面发挥了相关作用。全球超过50%的人口居住在城市地区。城市地区的持续增长导致新的社会经济挑战，比如住房和医疗问题。帝国理工学院的研究人员创建了一种方法，整合了卫星图像、街道数据和伦敦的人口普查数据来预测收入、过度拥挤以及环境恶化。
Comparison of ground truth and prediction maps generated by models. From Suel et al. (2021)
- 电话使用模式
政府和移动网络运营商需要确定基础设施投资在需求未知的发展中地区是否可行。Oughton and Mathur把PlanetScope与世界银行的调查数据相结合，研究埃塞俄比亚和马拉维的手机使用情况，并输入卷积神经网络模型中。这两个国家都缺乏全面的移动宽带覆盖，但每个国家都代表了不同的经济环境。埃塞俄比亚是经济增长最快的国家，而马拉维是世界上最贫穷的国家之一。因此对这两个国家的研究提供了一个可以对比模型结果的好方法。模型能够创建了10×10公里分辨率的全国性地图，预测的手机设备渗透率和人均电话服务支出。这些地图可供政府和企业使用，辅助政策决策和基础设施投资。
Oughton and Mathur (2021) used PlanetScope and World Bank surveys across Ethiopia and Malawi looking at cell phone use to create predictive maps of cellular device penetration and phone service spend per capita, which can help in policy and infrastructure investment decision-making efforts.
- Covid-19影响
由于COVID-19封城城市道路空置，空气污染的减少。Niroumand-Jadidi等人用 PlanetScope图像来监测封城对威尼斯水域的影响。发现封锁期间的浑浊度显著下降。PlanetScope星座的高空间分辨率在研究小型水体（如狭窄的河道系统）时尤为重要。
Maps of total suspended matter (TSM) in the Venice lagoon created using PlanetScope imagery by Niroumand-Jadidi et al. (2020), showing the striking difference before and during the COVID-19 lockdowns.
