AAO-prosjektet mitt: Hva jeg har gjort så langt (2)

Det er på tide med en ny oppdatering om prosjektet mitt, som handler om å modellere lysforurensning. Det går ganske sakte fremover, egentlig …

Forrige gang skrev jeg om første del av programmet jeg jobber med, som tok for seg koordinattransformasjon. Nå er det på tide med neste steg:

2. steg: Lysforurensningsdata

Det finnes satellitter som hele tiden går i bane rundt Jorden og kartlegger ulike ting som f.eks. lysforurensning. Et eksempel på dette er Defense Meteorological Satellite Program (DMSP). Dataene fra denne satellitten får vi herfra i form av et bilde og det ser rett og slett slik ut (trykk på bildet for å se lyskildene bedre):

Bildet er i formatet GeoTIFF, som er et bilde innbakt med geografiske referanser. Jeg hadde ikke vært borti det før, så nå har jeg lært noe nytt! For å lese en slik fil i lysforurensningsprogrammet mitt trenger jeg en Python-pakke som heter Geospatial Data Abstraction Library (GDAL). Da kan jeg mate bildet inn i programmet slik at det blir representert som en hel masse tall som jeg kan regne videre med.

Jeg er interessert i å finne lysforurensningen i et spesielt område på Jorden. Si at jeg vil gjøre en observasjon fra Siding Spring Observatory utenfor Sydney. Hvilke lyskilder er det som vil påvirke nattehimmelen der? Ettersom Jorden er krummet, vil mesteparten av Jorden være bortenfor horisonten min. Out of sight, out of mind!

La oss si at horisonten er 800 km unna meg. Da kan jeg plukke ut følgende område fra lysforurensningskartet:

lightpollution_labelled_scaled

Blå = ingen forurensning, rød = masse forurensning, og sirkelen i midten representerer Siding Spring Observatory. MEN: Horisonten vil danne en sirkel rundt meg, ikke en firkant. Så vi må fjerne hjørnene! Det gjør man ved å legge på en maske, slik som dette:

lightpollution_labelled_scaled_mask

Melbourne forsvant! Og så sier jeg at alt som befinner seg utenfor sirkelen skal ha lysforurensning = 0, slik at vi får dette:

lightpollution_labelled_scaled_masked

Da sitter jeg igjen med lysforurensningsdata det går an å jobbe videre med 🙂 Jeg kan for eksempel regne ut avstanden til alle lysforurensningskildene fra Siding Spring Observatory og plotte det, hvor de røde lyskildene er de nærmeste og de blå er de som er lengst unna:

light_pollution_distances_new

Deretter kan jeg kombinere lysforurensningsdataene med avstandene jeg har regnet ut for å lage et annet plott. For det er jo slik at en lyskilde vil se svakere ut fra lang avstand enn om den samme lyskilden befant seg veldig nærme. Så selv om Sydney lyser innmari sterkt, er det ikke sikkert Sydney er den mest dominerende lyskilden på nattehimmelen sett fra Siding Spring Observatory. Så hvis vi sier at lysintensiteten I avtar med kvadratet av avstanden D, dvs. I = 1/D^2, får vi i stedet dette:

lightpollution_light_vs_distance_scaled

Da ser vi at de nærmeste lyskildene har mest betydning. Men Sydney er fortsatt en faktor, siden byen lyser så sterkt.

Så nå har jeg et bilde av hvordan lysforurensningen ser ut ovenfra, men hvordan ser det ut for en observatør som befinner seg på Siding Spring Observatory og ser opp på himmelen? Det er det jeg jobber videre med nå – og som jeg kanskje ikke kommer i mål med før jeg vender hjem igjen …

Det jeg har skrevet om her virker kanskje ikke som så mye, men det har faktisk tatt ganske lang tid … Det ble mye knoting for å få ting til å fungere, samt lære meg å jobbe med GeoTIFFer. Men det har vært gøy, for det har faktisk vært mulig å finne ut av helt på egenhånd (med en del hjelp fra Google, naturligvis)! 🙂

Relaterte innlegg

Legg inn en kommentar

Dette nettstedet bruker Akismet for å redusere spam. Lær om hvordan dine kommentar-data prosesseres.