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
Ваш e-mail:
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. 2022. Т. 19. № 5. С. 53-62

Использование индекса NDSI для отделения облаков от неснежных поверхностей на многоспектральных снимках

О.В. Николаева 1 
1 Институт прикладной математики им. М.В. Келдыша РАН, Москва, Россия
Одобрена к печати: 26.10.2022
DOI: 10.21046/2070-7401-2022-19-5-53-62
Рассматривается возможность использования нормализованного разностного снежного индекса NDSI (англ. Normalized Difference Snow Index) для отделения облаков от пустынных областей и урбанизированных территорий на многоспектральных снимках. Отобраны снимки прибора Hyperion, сделанные над поверхностями различного типа (вода, пустынная местность, растительность, урбанизированная территория) в условиях чистого неба и сплошной облачности. Выполнен статистический анализ наборов значений индекса NDSI. Проведён такой же анализ наборов значений индекса песчаной пустыни DSI (англ. Desert Sand Index), используемого в стандартном алгоритме построения облачной маски на снимках Hyperion. Получены пороговые значения индексов, позволяющие отделять сплошную облачность от поверхности каждого типа. Оценены доли неправильно классифицированных пикселей. Показано, что индекс NDSI с полученными пороговыми значениями может быть использован для надёжного отделения сплошной облачности от пустынных областей и урбанизированных территорий на снимках Hyperion. Выявлено, что индекс DSI отделяет облака от пустынных областей с бо́льшими ошибками и не может быть использован для отделения облаков от урбанизированных территорий. Рассмотрены снимки Hyperion с частичной облачностью. Показано, что анализ гистограмм значений индексов NDSI и DSI для каждого снимка позволяет получить оптимальные для этого снимка пороговые значения индекса, позволяющие отделить освещённую поверхность от облака и облачной тени. Определено, что такое разделение выполняется с помощью индекса NDSI с бо́льшей точностью, чем с помощью индекса DSI. Дальнейшее отделение пикселей облака от пикселей облачной тени возможно с помощью других спектральных индексов. Полученные результаты предлагается использовать в алгоритмах обнаружения облаков на снимках приборов, не выполняющих измерений радиационной температуры.
Ключевые слова: обнаружение облаков, многоспектральные снимки, индекс NDSI, индекс DSI
Полный текст

Список литературы:

  1. Амикишиева Р. А., Распута В. Ф., Ярославцева Т. В. Технология анализа процессов атмосферного загрязнения на базе наземных и спутниковых измерений // Интерэкспо. Гео-Сибирь. 2020. Т. 4. № 1. С. 36–41. DOI: 10.33764/2618-981Х-2020-4-1-36-41.
  2. Белова Е. И., Ершов Д. В. Метод предварительной обработки сцен Landsat-5/7 с изображением снежного покрова // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 4. С. 9–14.
  3. Волкова Е. В. Оценки параметров облачного покрова и осадков по данным радиометра МСУ МР полярно-орбитального спутника «Метеор-М» № 2 для европейской территории России // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 5. С. 300–320. DOI: 10.21046/2070-7401-2017-14-5-300-320.
  4. Крутский Н. В., Кравченко И. Ю. Использование снимков Landsat для геоэкологического мониторинга урбанизированных территорий // Современные проблемы дистанционного зондирования земли из космоса. 2018. Т. 15. № 2. С. 159–168. DOI: 10.21046/2070-7401-2018-15-2-159-168.
  5. Орлов Ю. Н., Федоров С. Л. Методы численного моделирования процессов нестационарного случайного блуждания. М.: МФТИ, 2016. 108 с.
  6. Ackerman S., Frey R., Strabala K., Liu Y., Gumley L., Baum B., Menzel P. Discriminating clear-sky from cloud with Modis. Algorithm Theoretical Basis Document (MOD35). Madison: Univ. Wisconsin, 2010. 121 p.
  7. Barton J. S., Casey K., Chien J. Y. L., Digirolamo N. E., Klein A. G., Powell H. W., Tait A. B., Hall D. K., Riggs G. A., Solomonson V. V. Algorithm Theoretical Basis Document for the Modis snow and sea ice-mapping algorithms. Madison: Univ. Wisconsin, 2001. 45 p.
  8. Frantz D., Haß E., Uhl A., Stoffels J., Hill J. Improvement of the Fmask algorithm for Sentinel-2 images: Separating clouds from bright surfaces based on parallax effects // Remote Sensing of Environment. 2018. V. 215. P. 471–481. DOI: 10.1016/j.rse.2018.04.046.
  9. Gómez-Chova L., Camps-Valls G., Calpe-Maravilla J., Guanter L., Moreno J. Cloud-Screening Algorithm for ENVISAT/MERIS Multispectral Images // IEEE Trans. Geoscience and Remote Sensing. 2007. V. 45. No. 12. P. 4105–4118. DOI: 10.1109/TGRS.2007.905312.
  10. Griffin M., Burke H., Mandle D., Miller J. Cloud cover detection algorithm for EO-1 Hyperion imagery // Proc. IEEE Intern. Geoscience and Remote Sensing Symp. 2003. No. 03CH37477. DOI: 10.1109/IGARSS.2003.1293687.
  11. Hagolle O., Huc M., Villa Pascual D., Dedieu G. A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENμS, LANDSAT and SENTINEL-2 images // Remote Sensing of Environment. 2010. V. 114. P. 1747–1755. DOI: 10.1016/j.rse.2010.03.002.
  12. Irish R. R., Barker J. L., Goward S. N., Arvidson T. Characterization of the Landsat-7 ETM+ Automated Cloud-Cover Assessment (ACCA) algorithm // Photogrammetric Engineering and Remote Sensing. 2006. V. 72. No. 10. P. 1179–1188. DOI: 10.14358/PERS.72.10.1179.
  13. Li Z., Shen H., Weng Q., Zhang Y., Dou P., Zhang L. Cloud and cloud shadow detection for optical satellite imagery: Features, algorithms, validation, and prospects // ISPRS J. Photogrammetry and Remote Sensing. 2022. V. 188. P. 89–108. DOI: 10.1016/j.isprsjprs.2022.03.020.
  14. Lyapustin A., Wang Y., Frey R. An automatic cloud mask algorithm based on time series of MODIS measurements // J. Geophysical Research. 2008. V. 113. D16207. DOI: 10.1029/2007JD009641.
  15. Shendryk Y., Rist Y., Ticehurst C., Thorburn P. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 157. P. 124–136. DOI: 10.1016/j.isprsjprs.2019.08.018.
  16. Stournara P., Tsakiri-Strati M., Patias P. Detection and removal of cloud and cloud shadow contamination from hyperspectral images of Hyperion sensor // South-Eastern European J. Earth Observation and Geomatics. 2013. V. 2. No. 1. P. 33–44.
  17. Thompson D. R., Green R. O., Keymeulen D., Lundeen S. K., Mouradi Y., Nunes D., Castano R., Chien S. A. Rapid spectral cloud screening onboard aircraft and spacecraft // IEEE Trans. Geoscience and Remote Sensing. 2014. V. 52. No. 11. P. 6779–6792. DOI: 10.1109/TGRS.2014.2302587.
  18. Zhai H., Zhang H., Zhang L., Li P. Cloud/shadow detection based on spectral indices for multi/hyperspectral optical remote sensing imagery // ISPRS J. Photogrammetry and Remote Sensing. 2018. V. 114. P. 235–253. DOI: 10.1016/j.isprsjprs.2018.07.006.
  19. Zhu Z., Woodcock C. E. Object-based cloud and cloud shadow detection in Landsat imagery // Remote Sensing of Environment. 2012. V. 118. P. 83–94. DOI: 10.1016/j.rse.2011.10.028.