Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 88-99
Алгоритм автоматической фильтрации облачных данных для решения задач объектного дистанционного мониторинга
1 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 25.08.2022
DOI: 10.21046/2070-7401-2022-19-4-88-99
Описывается подход к автоматической фильтрации облачных данных для обеспечения работы технологии объектного мониторинга, разработанной в Институте космических исследований РАН (ИКИ РАН). Данная технология создана для мониторинга и контроля динамики различных природных и антропогенных объектов (однородных образований). Она обеспечивает автоматическое формирование и анализ долговременных рядов различных характеристик наблюдаемых объектов, получаемых на основе данных спутниковых наблюдений. Одна из проблем формирования таких рядов заключается в организации автоматической фильтрации некорректных данных, возникновение которых связано в первую очередь с наличием на обрабатываемых спутниковых изображениях облачности, закрывающей объект. Организация такой фильтрации может быть затруднена в случаях, когда не удаётся обеспечить надёжное автоматическое выделение облачности. В работе представлен алгоритм, который позволяет осуществлять автоматическую фильтрацию и в такой ситуации. Он основан не на анализе наличия облачности в отдельных пикселях, а на интегральной оценке её присутствия в окрестности наблюдаемого объекта и поиске порогов процентного покрытия облачностью такой окрестности, при превышении которых значения характеристик объекта, рассчитанных по этим данным, почти заведомо будут сбойными. Проведён анализ и показана возможность выбора оптимальных пороговых значений, которые бы позволяли обеспечивать фильтрацию максимального числа сбойных наблюдений при обеспечении минимального числа пропусков (фильтрации) безоблачных данных. Приводятся примеры использования предложенного алгоритма фильтрации для формирования рядов наблюдений характеристик объектов, расположенных в регионах с различными условиями наблюдения. Также приведено сравнение результатов работы предложенного метода фильтрации с результатами других методов, в частности фильтрации выбросов в ряду значений характеристик объекта.
Ключевые слова: дистанционный мониторинг, природные объекты, технология, объектный мониторинг, фильтрация облачности, фильтрация выбросов, снежный индекс, ЦКП «ИКИ-Мониторинг»
Полный текстСписок литературы:
- Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 c.
- Константинова А. М., Балашов И. В., Кашницкий А. В., Лупян Е. А. Унифицированная технология дистанционного мониторинга природных и антропогенных объектов // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 4. С. 41–52. DOI: 10.21046/2070-7401-2021-18-4-41-52.
- Лупян Е. А., Прошин А. А., Бурцев М. А., Кашницкий А. В., Балашов И. В., Барталев С. А., Константинова А. М., Кобец Д. А., Мазуров А. А., Марченков В. В., Матвеев А. М., Радченко М. В., Сычугов И. Г., Толпин В. А., Уваров И. А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151–170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
- Лупян Е. А., Константинова А. М., Балашов И. В., Кашницкий А. В., Саворский В. П., Панова О. Ю. Разработка системы анализа состояния окружающей среды в зонах расположения крупных промышленных объектов, хвостохранилищ и отвалов // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 7. С. 243–261. DOI: 10.21046/2070-7401-2020-17-7-243-261.
- Мерков А. Б. Распознавание образов. Введение в методы статистического обучения. 2011. 256 с.
- Мухамеджанов И. Д., Константинова А. М., Лупян Е. А., Умирзаков Г. У. Оценка возможностей спутникового мониторинга динамики речного стока на примере анализа состояния реки Амударьи // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 1. С. 87–103. DOI: 10.21046/2070-7401-2022-19-1-87-103.
- Baetens L., Desjardins C., Hagolle O. Validation of Copernicus Sentinel-2 Cloud Masks Obtained from MAJA, Sen2Cor, and FMask Processors Using Reference Cloud Masks Generated with a Supervised Active Learning Procedure // Remote Sensing. 2019. V. 11. Art. No. 433. DOI: 10.3390/rs11040433.
- Coluzzi R., Imbrenda V., Lanfredi M., Simoniello T. A first assessment of the Sentinel-2 Level 1-C cloud mask product to support informed surface analyses // Remote Sensing of Environment. 2018. V. 217. P. 426–443. DOI: 10.1016/j.rse.2018.08.009.
- Copernicus Sentinel-2 pre-Collection-1 MSI Level-1C (L1C) (2021a). European Space Agency, 2021. https://doi.org/10.5270/S2_-d8we2fl.
- Copernicus Sentinel-2 pre-Collection-1 MSI Level-2A (L2A) (2021b). European Space Agency, 2021. https://doi.org/10.5270/S2_-6eb6imz.
- Dozier J. Spectral signature of alpine snow cover from the Landsat Thematic Mapper // Remote Sensing of Environment. 1989. V. 28. P. 9–22. DOI: 10.1016/0034-4257(89)90101-6.
- Luo Y., Guan K., Peng J., Wang S., Huang Y. STAIR 2.0: A Generic and Automatic Algorithm to Fuse Modis, Landsat, and Sentinel-2 to Generate 10 m, Daily, and Cloud-/Gap-Free Surface Reflectance Product // Remote Sensing. 2020. V. 12(19). Art. No. 3209. 21 p. DOI: 10.3390/rs12193209.
- Zhu Z., Wang S., Woodcock C. Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images // Remote Sensing of Environment. 2015. V. 159. P. 269–277. DOI: 10.1016/j.rse.2014.12.014.