اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
پیش پردازش تصاویر ماهواره ای در گوگل ارث انجین (لندست – سنتینل ۲)
این آموزش کاربردی و جذاب به اموزش پیش پردازش تصاویر ماهواره ای در گوگل ارث انجین بخصوص ماهواره های لندست و سنتینل ۲ می پردازد. تصاویر با وضوح مکانی متوسط (۱۰ تا ۳۰ متر) شامل لندست (۴-۸) و سنتینل ۲ فرصتی عالی برای نظارت بر تغییرات جهانی محیط را فراهم می کنند. با این حال، این تصاویر نوری به طور…
این آموزش کاربردی و جذاب به اموزش پیش پردازش تصاویر ماهواره ای در گوگل ارث انجین بخصوص ماهواره های لندست و سنتینل ۲ می پردازد.
تصاویر با وضوح مکانی متوسط (۱۰ تا ۳۰ متر) شامل لندست (۴-۸) و سنتینل ۲ فرصتی عالی برای نظارت بر تغییرات جهانی محیط را فراهم می کنند. با این حال، این تصاویر نوری به طور گسترده تحت تأثیر ابرها و سایه های آنها قرار و تشخیص آنها معمولاً اولین و مهمترین مرحله پیش پردازش است. اگرچه تفسیر دستی می تواند ماسک های سایه ابری و ابری دقیق ایجاد کند، اما برای پردازش حجم زیادی از تصاویر بسیار وقت گیر است و دیگر قابل قبول نیست. بنابراین، از الگوریتم های کاملاً خودکار برای تشخیص ابرها و سایه های آنها در تصاویر لندست ۴-۸ و سنتینل-۲ استفاده می کنند.
بر اساس اینکه از چه تصاویری برای شناسایی ابرها و سایه آن استفاده می شود، می توان الگوریتم ها را به دو گروه الگوریتم های مبتنی بر یک تصویر و الگوریتم های مبتنی بر تصاویر سری زمانی و الگوریتم های دسته بندی کرد. با سیاست دسترسی رایگان در داده های لندست و سنتینل-۲، محبوبیت الگوریتم های سری زمانی افزایش یافت. از آنجا که وجود ابر و سایه ابر منجر به تغییرات ناگهانی در مقدار پیکسل می شوند، الگوریتم های سری زمانی می توانند ابرها و سایه ابر را با مقایسه تصویر ابری با یک تصویر مرجع از آسمان صاف شناسایی کنند.
الگوریتم های مبتنی بر یک تصویر برای تشخیص ابرها (یا سایه های ابر) از یک تصویر ماهواره ای استفاده می کنند و آنها را می توان به دو دسته تقسیم کرد: رویکردهای مبتنی بر قواعد فیزیکی و رویکردهای مبتنی بر یادگیری ماشین. رویکردهای مبتنی بر یادگیری ماشین رویکرد ساده تری برای استفاده هستند. بر اساس نمونه های آموزشی ابرها (یا سایه ابر)، می توانیم هر پیکسل ابر (یا سایه ابری) را بر اساس انواع الگوریتم های طبقه بندی، مانند درخت تصمیم گیری، شبکه های عصبی، مدل های فازی و SVM، طبقه بندی کنیم.
رویکردهای مبتنی بر قواعد فیزیکی ابرها را براساس ویژگی های فیزیکی ابرها مانند «سفید» (انعکاس مشابه در باند طیفی)، «روشن» (بازتاب بالا)، «سرما» (دمای پایین) و «زیاد» (در ارتفاع زیاد) تشخیص داده می شوند. بیشتر الگوریتم ها از آستانه ثابت یا تطبیقی در باندهای طیفی مختلف که بر اساس این قوانین فیزیکی مشخص می شود برای شناسایی ابرها استفاده می کنند. برخی از این الگوریتم ها می توانند بر اساس هندسه نسبی خورشید، ماهواره و ابرها، سایه ابرها را با نگاشت بین ابرهای متناظر بر روی سطح زمین بیابند.
در میان همه این الگوریتم های مبتنی بر قاعده فیزیکی، الگوریتم Fmask به طور گسترده مورد استفاده قرار می گیرد. به دلیل دقت کلی بالای آن، تهیه باند ارزیابی کیفیت (QA) برای همه محصولات لندست به وسیله سازمان USGS در نظر گرفته شده است.
مشخصات محصول:
- مدرس: دکتر محمد کاکوئی
- تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
- موضوع: پیش پردازش لندست و سنتینل ۲ در گوگل ارث انجین (ابر، سایه ابر و Surface Reflectance)
- نرم افزار: سامانه گوگل ارث انجین
- ماهواره: لندست ۵ – لندست ۸ – سنتینل ۲
- فرمت آموزش: ویدئوهای آموزشی MP4
- طول آموزش: حدودا ۱ ساعت و ۴۰ دقیقه
- پیش نیاز: دارد، مبانی استفاده از گوگل ارث انجین (GEE)
تهیه آموزش:
به منظور تهیه این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.
توضیحات محصول:
در این ویدئوی آموزشی ابتدا مباحث مربوط به استخراج ابر و سایه ابر مورد بررس قرار گرفت. این بررسی با تصاویر لندست-۵ شروع می شود و ماسک های ابر و سایه ابر استخراج می شود. در تصویر سمت چپ، یک نمایش RGB از تصویر لندست-۵ نشان داده شده است. ماسک های ابر و سایه ابر به ترتیب در تصاویر وسط و سمت چپ نشان داده شده اند.
استفاده از این ماسک ها به ما در تولید نقشه بدون ابر در مقیاس بزرگ کمک می کند. یعنی بدون فیلترگذاری بر روی درصد پوشش ابر در فراخوانی مجموعه تصاویر، امکان تولید موزاییک های بدون ابر در مقیاس بزرگ فراهم می شود. در شکل زیر، موزاییک تصویری از لندست ۸ نمایش داده شده است که برای حذف ابر و سایه ابر، تنها از ماسک ها متناظر استفاده شده است.
در سنتینل-۲ هم می توان از پیش پردازش های موجود در GEE برای شناسایی و حذف ابر استفاده کرد. در تصویر سمت چپ در شکل زیر، تصویر سنتینل-۲ با نمایش RGB نشان داده شده است. باندهای شناسایی ابر با رزولوشن ۶۰ متر از نوع ابر مات (تصویر وسط) و ابر سیروس (تصویر سمت راست) برای سنتینل-۲ آماده شده است.
همچنین، یک مجموعه تصاویر به صورت دوگان با مجموعه تصاویر سنتینل-۲ در GEE تولید می شود که به صورت احتمالاتی در رزولوشن ۱۰ متر، نقشه ابر را تولید می کند. این نقشه احتمالاتی از ابر در شکل زیر نشان داده شده است.
آخرین موضوع این آموزش به بحث داده های Surface Reflectance (SR) می پردازد. در حالی که برای سری لندست داده های Raw، TOA و SR وجود دارد، برای سنتینل-۲ این امکان فراهم نشده است. گرچه در مجموعه تصاویر Level-2A داده های SR تولید می شوند، اما این داده ها به صورت Global و برای همه تصاویر تولید نمی شوند.
ما در این آموزش الگوریتم مد نظر را به داده های Level-1C اعمال می کنیم و تصویر SR را در خروجی تولید می کنیم. در شکل زیر، در تصویر سمت چپ داده Level-1C به صورت RGB نمایش داده شده است و تصویر سمت راست خروجی SR آن نشان داده شده است.
عناوین آموزشی:
عناوین آموزشی به شرح زیر می باشند:
- فراخوانی داده در مکان و زمان مشخص
- استخراج ماسک ابر، سایه ابر، برف و .. از لندست -۵
- ایجاد تابع برای ماسک ابر و سایه ابر
- تولید موزاییک لندست ۵ با map کردن تابع ماسک
- ایجاد تابع برای ماسک ابر و سایه ابر و تولید موزاییک لندست ۸ با map کردن تابع ماسک
- ایجاد تابع برای ماسک ابر با رزولوشن ۶۰ و تولید موزاییک سنتینل-۲ با map کردن تابع ماسک
- فراخوانی دوگان تصاویر سنتینل-۲ و احتمال ابرناکی آن
- ایجاد تابع برای ماسک ابر با رزولوشن ۱۰ و تولید موزاییک سنتینل-۲ با map کردن تابع ماسک
فیلم معرفی آموزش پیش پردازش تصاویر ماهواره ای در گوگل ارث انجین:
تهیه آموزش:
به منظور تهیه این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.
آموزش های زیر را نیز ببینید:
- آموزش پردازش تصاویر راداری ماهواره ای سنتینل ۱ با استفاده نرم افزار GMTSAR (V.6.0)
- تولید نقشه ۲۲ کلاسه کاربری اراضی با استفاده از تصاویر ماهواره ای سنتینل ۱ و ۲ – در گوگل ارث انجین
32 دیدگاه. ارسال دیدگاه جدید
سلام و عرض ادب،
در سامانه گوگل ارث انجین برای فراخوانی داده های لندست ۸ جهت تهیه نقشه کاربری اراضی، یک سری از داده های این ماهواره Surface reflectance هستن. این داده های surface reflectance هم تصحیح اتمسفری و هم رادیومتریک شدن ؟ نیاز به این دو نوع تصحیح وجود نداره وقتی از این نوع تصویر لندست استفاده کنیم؟
با سلام و احترام
تصاویر بازتاب سطحی تصحیح رادیومتریکی و اتمسفری شده و هیچ نیازی به انجام پیش پردازش ها ندارد.
موفق باشید
سلام و عرض ادب.
من یه سری تصویر از سنتینل-۲ میخواهم که واسه سال ۲۰۱۶ هستن و این تصاویر در ارث انجین تصحیح اتمسفری نشدن.
این اموزش میتونه کمک کنه؟
سلام
این آموزش در سنتیتل-۲ به شناسایی مناطق ابرناکی و تصحیحات اتمسفری میپردازه و داده SR تولید میکنه
سلام و با احترام
من این محصول رو خریداری کرده ام و
کد های اموزشی این محصول رو نیاز دارم ممنون میشم ایمیل کنین.
سلام
کدها به محصول اضافه شد و ایمیل میشود.
سلام و وقت به خیر
با تشکر از آموزش مفیدتون، بنده این آموزش رو خریداری کردم اما کدهای مربوطه ضمیمه نشدند، ممنون می شم اگر ایمیل بفرمایید.
سلام
کدها به محصول اضافه شد و ایمیل میشود.
سلام
با تشکر از زحمات شما، من محصول نهایی آموزش رو که تصویر Sentinel2-SR هست باید export کنم و برای مطالعه ام استفاده کنم، از نظر شما کدام تصویر مناسب هست؟
Collection_S2_3.median
Collection_S2_3.mean
Collection_S2_3
سلام
Collection_S2_3 که مجموعه تصاویر است و نمیتونید export کنید!!
اما بین میانگین و میانه، در بازه یک ساله، معمولا میانه تصاویر بهتری میده
اما کاملا بستگی به منطقه مورد مطالعه و بقیه ویژگی هایی دارد که با اون ها مجموعه تصاویر را فیلتر کردید
سلام جناب کاکویی من این اموزش خریداری کردم اما یه مشکل دارم!
من میخواهم تصویر سنتینل ۲ واسه یک تاریخ دانلود کنم که سایت ارث انجین تصحیحات اتمسفری انجام نداده و من هم میخواهم فقط با تک باند کار کنم نیازی به همه باند ها ندارم و از کد شما استفاده کردم و خطا به من میداد
ممنون میشم راهنمایی کنید!.
من کد و خطا خدمت تون ارسال میکنم!
سلام و وقت به خیر
آقای دکتر من برای یک تاریخ مشخص که دو تصویر سنتینل در منطقه موجود هست کدی تنظیم کردم و بعد از موزاییک کردن دستور SR را اجرا می کنم اما خطا میده، میشه خواهش کنم شما این دستور را چک بفرمایید؟
متشکرم
https://code.earthengine.google.com/e81ee4fd564ad7f5b6a99cb7385db916
ببخشید برای دستور قبلی که فرستادم clip. هم باید اضافه می کردم اما هرکجای کد که اضافه کردم خطا داد و اجرا نشد، ممنون می شم اگر در این مورد هم راهنمایی بفرمایید.
با تشکر
با سلام
خدمت جناب آقای احراری
!- برای تهیه نقشه کاربری یه منطقه ای با تصویر سنتینل 2 level 2a، تو سایت سنتینل، ابتدا هنگام دانلود زدم زیر 10 درصد ابر داشته باشن که تصویر مورد نظرم نبود توی جستجو، بعد درصد ابرناکی رو بردم روی 20 و تصاویر جدیدی آورد. یه تصویر با درصد ابر 16 درصد بود اما اون منطقه ای که من می خواستم بالاش هیچ ابری نبود و صاف بود. می خواستم بدونم آیا این تصویر رو می تونم استفاده کنم تو کارم؟
و ضمنا اینکه level 2a تصحیح خاصی می خواد یا نه؟
آیا می تونم تصاویر level 2a که ابرناکی بالای 10 درصد دارن اما روی منطقه من کاملا صاف هستش تو اون تصویر، با شیپ فایل منطقم رو برش بدم و اونارو استک کنم و ازشون برای طبقه بندی استفاده کنم؟ آیا مشکلی نداره؟
تشکر
با سلام و احترام
بله در تمامی مواردی که فرمودید می توانید استفاده نمایید. در صورتی که ابر با چشم دیده نشه در تولید نقشه کاربری تاثیر جدی نخواهد داشت.
موفق باشید
سلام و روزبخیر.
در این محصول که اشاره شده به “استخراج ماسک ابر، سایه ابر، برف و .. از لندست -۵”
آیا برای داده های سنتینل – 2 هم میشه استفاده کرد؟
سپاس
سلام
برای سنتینل-2 موارد زیر در این آموزش وجود دارد.
1- استخراج ماسک ابر با رزولوشن 60 متر
2- استخراج ماسک ابر با رزولوشن 10 متر
3- تولید تصویر Surface Reflectance از تصویر Level 2-C
موفق باشید
سلام وقت بخیر
ممنون از اموزش های مفید و عالی تان.
چندسوالی داشتم از خدمتتون؟
1. در تصاویر سنتینل 2 نمیتوان فیلتر path , row اعمال کرد ؟
2.ایا تصاویر سنتینل 2 1C شباهت بیشتری به لندست 8 دارد ؟ و تصحیح شده است؟
3.تصاویر لندست 5 از سال 2003 تا 2009 دیتایی وجود ندارد,چه جایگزینی میتوان انجام داد؟
4.تصویر فراخوانی شده از سال 2011 لندست 5 ,یکسری خطای خیلی ریزی در تصاویر دارد ایا میتواند مشکل ساز باشد؟برای برطرف سازی ان باید تصاویر را کاپوزیت کرد؟
سلام، ببخشید یک سوال داشتم… من برای کارم نیاز به تصاویر ماهواره ای لندستی دارم که تصحیح اتمسفری نشده باشن و خودم با الگوریتم های موجود تصحیح رادیومتری در گوگل ارث انجین انجام بدم… برای آموزش این موضوع کدام دوره باید تهیه کنم؟
با سلام و احترام
متاسفانه دوره ای در این زمینه فعلا در سایت نداریم. با عرض پوزش از خدمت شما.
موفق باشید
سلام خدمت دکتر کاکویی عزیز
ضمن تشکر از آموزش بسیار خوبتان، چرا وقتی تصویر بازتاب سطح زمین سنتینل 2 تولید می کنم و می خواهم در تابع آن را rename کنم خطا می دهد. بدون rename مشکل ندارد ولی وقتی rename میزنم میگه باید تعداد نام ها به 14 باند وصل بشه چظور این کار را انجام دهم که خطا ندهد. کد را برایتان ضمیمه کردم . ممنون میشم راهنمایی بفرمایید.
https://code.earthengine.google.com/59400337b310d1e13792fa042d8c8ece
سلام
هدف شما از rename کردن چیست و میخواهید نام باندهای تصویر به چه شکلی باشد؟
در اینجا تصویر اصلی 14 باند دارد و طبیعتا rename کردن به یک نام باند خطا میدهد!
برام سواله که چرا وقتی نام ۱۴باند را از طریق دستور .rename tobands عوض می کنم و map.addlayer میزنم خطای نمایش میزنه و میگه دستور map نمیتونه نام باندهای عوض شده رو نشون بده
مشکل از map.addlayer نیست. مشکل از نحوه rename کردن است. هدف شما چیست و میخواهید نام باندهای تصویر به چه شکلی باشد؟
با عرض سلام و ادب
مهندس تصاویر مودیس در گوگل ارث انجین پیش پردازش شده است؟ یا باید پیش پردازش کنیم؟
و ایا برای شاخص های ndvi وndwi باید scale0.0001 وارد بشه؟
ممنون
سلام
تصاویر عموما پیش پردازش شده اند. مجموعه تصاویر مختلفی وجود دارد و به عنوان نمونه برای شاخص پوشش گیاهی یک از مجموعه ها MOD13Q1.061 است که توضیح آن در لینک زیر آورده شده است.
https://lpdaac.usgs.gov/products/mod13q1v061
بله، باید در مقیاس اشاره شده ضرب شوند.
موفق باشید
ممنون از پاسختان
مهندس برای استخراج ndviوقتی۰.۰۰۰۱ وارد میکنم بین ۱ و ۱_ میشه ولی برای شاخصndwi همه داده ها صفر میشن چطور میتونم این مشکل رو حل کنم؟میتونم به جای۰.۰۰۰۱ ۰.۰۱را وارد کنم؟
برای شاخص NDWI از چه مجموعه تصویری استفاده میکنید؟!
از تصاویر ee.ImageCollection(“MODIS/061/MOD13Q1”) و از باندهای sur_refl_b02′,’sur_refl_b07 استفاده کردم.
این مجموعه تصاویر فقط شاخص های NDVI و EVI را دارد که باید در مقیاس 0.0001 ضرب شوند.
اگر از مجموعه تصاویری استفاده میکنید و با استفاده از باندهای طیفی خودتان NDWI را محاسبه میکنید، نباید در عددی ضرب شود و همان شاخص نرمال شده صحیح است.
موفق باشید
سلام وقت بخیر ببخشید من یک کد دارم برای سنتینل2 موقع که خروجی نهایی میگیرم داخل gis که باز میکنم بیشتر تصویر سیاه میشه علتش چیه؟ اگه راهنمایی کنید ممنون میشم.
سلام
اگر کد شما مشکل نداشته باشد و تصویر سالم در خروجی بگیرید، احتمالا پارامترهای visualization تنظیم نیست. از بخش Symbology در Properties میتوانید تنظیمات را تغییر دهید.
موفق باشید