menyelesaikan ubin citra satelit ketika cakupan data kurang dari 100%

Saya ingin menggabungkan beberapa gambar (> = 2) menjadi satu gambar "terbaik". Best didefinisikan pada cloud cover rendah dan jangkauan data tinggi. Contoh menggunakan data satelit Sentinel gratis berikut.

Lihat http://sentinel-s2-l1c.s3.amazonaws.com/tiles/12/S/XB/2017/6/1/0/preview.jpg dan http: //sentinel-s2-l1c.s3.amazonaws .com / ubin / 12 / S / XB / 2017/6 / untuk sumber gambar di bawah ini.

Apakah ada algoritma atau proses untuk menyelesaikan ubin citra satelit yang tidak memiliki cakupan data 100% untuk menghasilkan ubin lengkap?

Lihat visualisasi di bawah ini untuk contoh apa yang saya maksud.

Saya tidak terlalu terbiasa dengan literatur, dan tidak tahu apa istilah yang harus saya cari.

Contoh:

— val
sumber

Apakah Anda merujuk untuk membuat mosaik gambar dan mencari beberapa proses otomatis untuk melakukan tugas ini?

— MAYANK SHARMA

@MAYANKSHARMA: Tidak merujuk ke gambar mosaik. Cukup merujuk pada cara memilih ubin terbaik untuk membuat ubin penuh. Mososa akan memerlukan menempatkan beberapa ubin (meliputi area spasial yang berdekatan) bersama-sama.

— val

Ketika Anda mengatakan 'terbaik', apakah maksud Anda 'cloud terbaru' atau adakah kriteria lain? Jika ya maka makalah ini adalah titik awal yang baik, yang dapat dibentuk menjadi lebih dari jawaban khusus sentinel 2 jika diperlukan. Untuk pengenalan beberapa kosakata dan perbandingan dua pendekatan utama, posting blog ini layak dibaca.

— RoperMaps

@RoperMaps: Paling baik didefinisikan sebagai cloud cover rendah (atau gratis) dan cakupan data tinggi - idealnya 100%. Blog sangat membantu dan membaca kertas sekarang. Thx

— val

Jawaban:

Untuk gambar dari lokasi yang sama tetapi tanggal yang berbeda, saya lebih suka berbicara tentang pengomposisian daripada mosaicing (yang menggabungkan gambar dari luasan berbeda menjadi gambar yang lebih besar). Anda akan menemukan banyak detail jika Anda mencari kata kunci "compositing", tetapi di sini adalah ringkasan singkat:

Ada dua pendekatan utama untuk penyusunan deret waktu:

Pendekatan piksel terbaik yang tersedia (pilih piksel "terbaik" di setiap lokasi berdasarkan kriteria yang diberikan, mis. Gunakan piksel dengan nilai NDVI maksimum atau piksel bukan awan terdekat dengan tanggal pusat periode pengomposisian). Contoh dengan Landsat dapat ditemukan di sini
Pendekatan piksel gabungan (mis., Ambil rata-rata semua piksel di lokasi yang sama ( rata-rata pengomposisian ) atau gunakan regresi temporal untuk menginterpolasi piksel "hilang" di beberapa tanggal ( mengisi celah )). Perhatikan bahwa pengisian celah berpotensi menciptakan satu gambar pada tanggal berapa pun (dan Anda memutuskan yang Anda simpan), sementara pengomposisian hanya memberikan satu gambar per periode pengomposisian (Anda dapat menggunakan jendela temporal geser, tetapi kurang "tepat" untuk sementara).

"Mean compositing" telah digunakan dalam beberapa proyek yang berhasil dengan MERIS dan SPOT VGT (lihat di sini ). Komposisi "Max NDVI" digunakan untuk komposit MODIS. Interpolasi pada beberapa tanggal yang menarik telah dilakukan di sini dengan gambar Sentinel-2. Secara pribadi, saya lebih suka pendekatan tipe "pixel gabungan".

Sekarang Anda harus sadar bahwa kualitas pengomposisian Anda sangat tergantung pada kualitas input Anda, terutama jika Anda tidak memiliki sejumlah besar data input (sentinel-2 adalah "hanya" setiap 5 hari, tidak setiap hari seperti Sentinel-3):

cloud mask yang baik (termasuk deteksi cloud, deteksi kabut, deteksi cirrus (cloud ketinggian tinggi) dan deteksi cloud shadow.
atas kanopi pantulan: mengubah Angka Digital dari satelit menjadi nilai pantulan yang berarti, termasuk koreksi dari BRDF (cahaya tidak tercermin secara homogen di semua arah dan ada dampak permukaan pada perbedaan), koreksi atmosfer dan koreksi topografi.
pendaftaran yang baik antara gambar yang berbeda. piksel harus mewakili lokasi yang sama sebanyak mungkin.
terkadang juga: deteksi kejadian sementara (banjir dan salju)

Perhatikan bahwa perangkat lunak telah dikembangkan dalam kerangka proyek ESA ( SEN2AGRI ) untuk membuat komposit bebas awan.

Bonus: contoh komposit global

dengan Sentinel-2 (khusus WMS )
dengan pantulan permukaan MERIS, SPOT VGT, dan AVHRR (dapat diunduh)
dengan Landsat sekitar tahun 2000 dan sekitar tahun 2014 ( nilai median menggunakan arsip Landsat lengkap )

— radouxju
sumber

Saya pikir apa yang Anda gambarkan masih merupakan bagian dari apa yang disebut mosaicing (atau menjahit gambar ). Mosaicing melibatkan memang bergabung dengan ubin yang berdekatan, tetapi biasanya ubin memiliki beberapa tumpang tindih.

Di sini Anda tertarik secara khusus dalam dua langkah:

Menjahit gambar: yaitu menemukan posisi tumpang tindih yang benar
Memadukan piksel yang tumpang tindih

Ada survei yang sangat baik dari metode yang berbeda untuk setiap langkah dalam makalah ini: Ghosh dan Kaabouch (2016) Sebuah survei tentang teknik mosaik gambar, J. Vis. Komunal. Gambar R. 34 (2016) 1–11

— Matifou
sumber