Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

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 текст

Список литературы:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. Chavez Jr. P. S. Image-based atmospheric corrections — revisited and improved // Photogrammetric engineering and remote sensing. 1996. V. 62. No. 9. P. 1025–1035.
  7. Chuvieco E. Earth observation of global change: The role of satellite remote sensing in monitoring the global environment. Springer, 2008. 223 p.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. 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.