Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 2. С. 30-39
Оценка применимости алгоритма атмосферной коррекции SREM для анализа временных рядов на примере данных Landsat и его открытая программная реализация
Э.Э. Казаков
1 , Ю.И. Борисова
1, 2 1 Государственный гидрологический институт, Санкт-Петербург, Россия
2 Санкт-Петербургский государственный университет, Санкт-Петербург, Россия
Одобрена к печати: 11.03.2020
DOI: 10.21046/2070-7401-2020-17-2-30-39
Проблема атмосферной коррекции материалов дистанционного зондирования Земли из космоса остаётся одной из наиболее неопределённых, но при этом необходимых, в особенности при совместной обработке и интерпретации разновременных данных. Обеспечение наземными данными по состоянию атмосферы для большей части территории планеты всё ещё неудовлетворительное, и качественное конфигурирование моделей атмосферной коррекции, предполагающих ассимиляцию данных о состоянии атмосферы, часто сильно затруднено, особенно для неспециалистов. Алгоритм атмосферной коррекции SREM, предложенный международным коллективом учёных в 2019 г., не требует дополнительных данных об атмосфере, кроме тех, что уже содержатся в метаданных спутникового снимка, при этом авторы показывают высокий уровень качества коррекции. В представленной статье мы предлагаем описание алгоритма SREM на русском языке, дополнительную оценку качества алгоритма SREM для данных спутника Landsat на основе сравнения результатов коррекции с результатами нескольких распространённых методов (авторитетный алгоритм LaSRC, распространённый алгоритм DOS, сырые неоткорректированные данные об отражательной способности) для годового временного ряда, а также открытую программную реализацию SREM на языке Python, доступную для публичного использования, которая, как мы надеемся, поможет привлечь внимание профессионального сообщества к исходному алгоритму. Дополнительная оценка качества показывает удовлетворительные результаты для отдельных спектральных диапазонов (0,53–0,88 мкм) и индексных изображений (например, NDVI) и неудовлетворительные для других (<0,53 мкм, >0,88 мкм, базирующиеся на них индексные изображения, например NDWI, NDBI).
Ключевые слова: Landsat, атмосферная коррекция, SREM, LaSRC, DOS, временные ряды, отражательная способность, NDVI, NDBI, NDWI
Полный текстСписок литературы:
- Лысенко С. А. Атмосферная коррекция многоспектральных спутниковых снимков на основе аппроксимационной модели переноса солнечного излучения // Оптика атмосферы и океана. 2017. Т. 30. № 09. С. 775–788.
- Тарасенков М. В., Белов В. В. Алгоритм атмосферной коррекции спутниковых изображений неоднородной земной поверхности в видимом и УФ-диапазонах длин волн // Вычислительные технологии. 2014. Т. 19. № 3. С. 48–56.
- Тарасенков М. В., Зимовая А. В., Белов В. В., Энгель М. В. Восстановление коэффициентов отражения земной поверхности по спутниковым измерениям MODIS с учетом поляризации излучения // Оптика атмосферы и океана. 2019. Т. 32. № 08. С. 641–649.
- Bilal M., Nazeer M., Nichol J. E., Bleiweiss M. P., Qiu Z., Jäkel E., Campbell J. R., Atique L., Huang X., Lolli S. A Simplified and Robust Surface Reflectance Estimation Method (SREM) for Use over Diverse Land Surfaces Using Multi-Sensor Data // Remote Sensing. 2019. V. 11. No. 11. P. 1344.
- Chavez Jr. P. S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data // Remote Sensing of Environment. 1988. V. 24. No. 3. P. 459–479.
- Chavez Jr. P. S. Image-based atmospheric corrections — revisited and improved // Photogrammetric engineering and remote sensing. 1996. V. 62. No. 9. P. 1025–1035.
- Chuvieco E. Earth observation of global change: The role of satellite remote sensing in monitoring the global environment. Springer, 2008. 223 p.
- Cooley T., Anderson G. P., Felde G. W., Hoke M. L., Ratkowski A. J., Chetwynd J. H., Gardner J. A., Adler-Golden S. M., Matthew M. W., Berk A., Bernstein L. S., Acharya P. K., Miller D., Lewis P. FLAASH, a MODTRAN4-based atmospheric correction algorithm, its application and validation // Proc. IEEE Intern. Geoscience and Remote Sensing Symp. 2002. V. 3. P. 1414–1418.
- Doraiswamy P. C., Hatfield J. L., Jackson T. J., Akhmedov B., Prueger J., Stern A. Crop condition and yield simulations using Landsat and MODIS // Remote Sensing of Environment. 2004. V. 92. No. 4. P. 548–559.
- Ilori C. O., Pahlevan N., Knudby A. Analyzing Performances of Different Atmospheric Correction Techniques for Landsat 8: Application for Coastal Remote Sensing // Remote Sensing. 2019. V. 11. No. 4. P. 469.
- Kondratyev K. Y., Kozoderov V. V., Smokty O. I. Remote sensing of the Earth from space: atmospheric correction. Berlin, Heidelberg: Springer-Verlag, 1992. 478 p.
- Mahiny A. S., Turner B. J. A comparison of four common atmospheric correction methods // Photogrammetric Engineering and Remote Sensing. 2007. V. 73. No. 4. P. 361–368.
- Masek J. G., Lindsay F. E., Goward S. N. Dynamics of urban growth in the Washington DC metropolitan area, 1973–1996, from Landsat observations // Intern. J. Remote Sensing. 2000. V. 21. No. 18. P. 3473–3486.
- Vermote E. F., Tanré D., Deuzé J. L., Herman M., Morcette J. J. Second simulation of the satellite signal in the solar spectrum, 6S: An overview // Proc. IEEE Trans. Geoscience and Remote Sensing. 1997. V. 35. No. 3. P. 675–686.
- Vermote E., Justice C., Claverie M., Franch B., Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product // Remote Sensing of Environment. 2016. V. 185. P. 46–56.
- Vermote E., Roger J. C., Franch B., Skakun S. LASRC (Land Surface Reflectance Code): Overview, application and validation using MODIS, VIIRS, LANDSAT and Sentinel 2 data’s // Proc. Intern. Geoscience and Remote Sensing Symp. (IGARSS). 2018. P. 8173–8176.
- Vogelmann J. E., Tolk B., Zhu Z. Monitoring forest changes in the southwestern United States using multitemporal Landsat data // Remote Sensing of Environment. 2009. V. 113. No. 8. P. 1739–1748.