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 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.

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:

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