Suite

Comment supprimer les effets topographiques comme les ombres de l'image Landsat


J'utilise QGIS 2.4.0 Chugiak sur mes fenêtres 8.1, pour la classification de l'image landsat 5-7 qui contient des montagnes vallonnées avec une forêt dense et 60% de la superficie sont des plaines. Je classe via le plugin de classification semi-automatique par algorithme de cartographie d'angle spectral mais je n'obtiens pas d'image correctement classée.

J'ai soigneusement collecté les signatures et analysé celles sur un tracé de signature spectrale. Avant de commencer l'algorithme de classification, j'ai converti la radiance en réflectance Top of Atmosphere via un processus automatisé et j'ai découpé ma zone d'intérêt à l'aide de "clip multiple raster" sous l'onglet de prétraitement via le fichier de forme.

Ma question est la suivante. Y a-t-il un problème avec l'ensemble du processus ou dois-je d'abord éliminer les ombres du terrain après la conversion en réflectance TOA ? J'ai aussi la résolution SRTM DEM 30m. S'il est nécessaire de supprimer les zones ombragées, comment procéder ? sinon, comment puis-je améliorer ma classification grâce à ce plugin automatisé ?


Oui, la classification des images est généralement améliorée lorsque vous supprimez les effets d'éclairage topographique (même chose avec les effets atmosphériques). Cependant, comme pour toute chose comme celle-ci, il existe un large éventail de techniques pour accomplir cette tâche et son efficacité dépendra à la fois de la sophistication de la technique (sa capacité à modéliser les processus physiques impliqués) et de vos données. Voici une excellente lecture rapide qui donne un aperçu de certaines des méthodes disponibles :

http://web.pdx.edu/~nauna/Topographic_Normalization.pdf

Si vous avez accès à l'excellent manuel de télédétection de Jensen, il contient également une bonne section sur l'éclairage topographique et les stratégies pour son élimination / sa minimisation. Fondamentalement, les différentes méthodes peuvent être regroupées en celles qui sont basées sur des rapports de bande et celles qui sont basées sur une sorte de modèle physique. Les ratios de bande ne sont généralement pas aussi efficaces mais sont simples et nécessitent moins de données. C'est-à-dire que vous n'avez même pas besoin d'un DEM ou d'une surface d'éclairage dérivée pour utiliser le rationnement de bande. Avez-vous déjà remarqué que la quantité d'éclairement topographique est fortement réduite dans un indice comme le NDVI ? C'est parce que c'est basé sur un type de ratio de bande. La diapositive 3 de cette présentation montre pourquoi cela fonctionne. En fin de compte, si vous choisissez cette approche, votre classification sera basée sur une série de ratios de bandes (par exemple NIR / rouge) plutôt que sur l'imagerie brute.

Puisque vous avez un DEM et que vous pouvez donc dériver une surface d'éclairage (un peu comme une image d'ombrage mais contrôlée pour la direction et l'angle du soleil), vous pouvez utiliser une approche plus sophistiquée comme le Correction du cosinus ou l'un de ses nombreux dérivés. Outre la surface d'éclairage (outil Ombrage), vous pouvez effectuer l'analyse à l'aide d'un workflow basé sur un calculateur raster. Il faudra probablement expérimenter divers paramètres pour obtenir les meilleurs résultats. Bonne chance.


Addink E A, Stein A, 1999. Une comparaison des méthodes conventionnelles et géostatistiques pour remplacer les pixels assombris dans les images NOAA-AVHRR. Revue internationale de télédétection, 20(5) : 961–977. doi: 10.1080/014311699213028

Ahmad F, 2012. Examen de la détection des modifications des données de télédétection : comparaison des districts de Faisalabad et de Multan, province du Pendjab, Pakistan. Revue de géographie et d'aménagement du territoire, 5(9) : 263-251. doi: 10.5897/JGRP11.121

Al-Najdawi N, Bez H E, Singhai J et al., 2012. Une enquête sur les algorithmes de détection d'ombre portée. Lettres de reconnaissance de modèle, 33(6) : 752-764. doi: 10.1016/j.patrec.2011.12.013

Apan A A, 1997. Cartographie de la couverture terrestre pour la planification de la réhabilitation des forêts tropicales à l'aide de données de télédétection. Revue internationale de télédétection, 18(5) : 1029-1049. doi: 10.1080/014311697218557

Arellano P, 2003. Informations manquantes en télédétection : approche par ondelettes pour détecter et supprimer les nuages ​​et leurs ombres. Enshede, Pays-Bas : Institut international des sciences de la géo-information et de l'observation de la Terre.

Arevalo V, González J, Ambrosio G, 2005. Détection d'images satellite Shadow QuickBird. ISPRS Commission VII Symposium à mi-parcours « Télédétection : des pixels aux processus ». Enschede, Pays-Bas, 8-11 mai.

Arevalo V, González J, Ambrosio G, 2008. Détection d'ombres dans des images satellites couleur haute résolution. Revue internationale de télédétection, 29(7) : 1945-1963. doi: 10.1080/01431160701395302

Arora M K, Mathur S, 2001. Classification multi-sources utilisant un réseau de neurones artificiels dans un terrain accidenté. Géocarto International, 16(3) : 37-44. doi: 10.1080/10106040108542202

Asner G P, Warner A S, 2003. Ombre de la canopée dans les observations satellitaires IKONOS des forêts et savanes tropicales. Télédétection de l'environnement, 87(4) : 521-533. doi: 10.1016/j.rse.2003.08.006

ATCOR. Imagerie géospatiale de Leica geosystems, LLC. Disponible sur : http://www.directionsmag.com.

Bishop M, Shroder J J, Colby D J, 2003. Télédétection et géomorphométrie pour l'étude de la production de relief en haute montagne. Géomorphologie, 55(1–4) : 345–361. doi: 10.1016/S0169-555X(03)00149-1

Blesius L, Weirich F, 2005. L'utilisation de la correction de Minnaert pour la classification de la couverture terrestre en terrain montagneux. Revue internationale de télédétection, 26(17) : 3831–3851. doi: 10.1080/01431160500104194

Carvalho L M T, 2001. Cartographie et suivi des vestiges forestiers : analyse multi-échelle des données spatio-temporelles. Pays-Bas : Université de Wagenigen.

Chen Y, Wen D, Jing L et al., 2007. Récupération d'informations d'ombre dans les zones urbaines à partir d'images satellites à très haute résolution. Revue internationale de télédétection, 28(15) : 3249-3254. doi: 10.1080/101431160600954621

Cheng F, Thiel K H, 1995. Délimitation des hauteurs de bâtiments dans une ville à partir de l'ombre dans une image SPOT panchromatique. Partie 1 : Test de quarante deux bâtiments. Revue internationale de télédétection, 16(3) : 409-415. doi: 10.1080/01431169508954409

Choi K Y, Milton E J, 1999. Une transformation multispectrale pour la suppression des ombres des nuages. Dans: Actes : Quatrième conférence et exposition internationale sur la télédétection aéroportée/21e Symposium canadien sur la télédétection. Ottawa, Canada : ERIM International Inc. : 762-769.

Colby D J, 1991. Normalisation topographique en terrain accidenté. Ingénierie photogrammétrique et télédétection, 57(5): 531–537.

Conese C, Gilabert M A, Maselli F et al., 1993. Normalisation topographique des scènes TM grâce à l'utilisation d'une méthode de correction atmosphérique et de modèles numériques de terrain. Ingénierie photogrammétrique et télédétection, 59(12): 1745–1753.

Dare P M, 2005. Analyse des ombres dans l'imagerie satellite haute résolution des zones urbaines. Ingénierie photogrammétrique et télédétection, 71(2): 169–177.

Dorren L, Luuk K A, Maier B et al., 2003. Amélioration de la cartographie forestière basée sur Landsat en terrain montagneux escarpé à l'aide de la classification basée sur les objets. Écologie et gestion forestières, 183(1–3) : 31–46. doi: 10.1016/S0378-1127(03)00113-0

Dozier J, 1989. Signature spectrale de la couverture neigeuse alpine du Landsat Thematic Mapper. Environnement de télédétection, 28: 9–22.

Eiumnoh A, Shrestha P, 2000. Application des données DEM à la classification d'images Land-sat : évaluation dans un paysage tropical humide-sec de Thaïlande. Ingénierie photogrammétrique et télédétection, 66(3): 297–304.

Ekstrand S, 1996. Correction de l'évaluation des dommages forestiers basée sur Landsat TM pour les effets topographiques. Ingénierie photogrammétrique et télédétection, 62(2): 151–161.

Fahsi A, Tsegaye T, Tadesse W et al., 2000. Incorporation de modèles altimétriques numériques avec les données Landsat-TM pour améliorer la classification de la couverture terrestre. Écologie et gestion forestières, 128 (1–2) : 57–64. doi: 10.1016/S0378-1127(99)00272-8

Gao Y, Zhang W, 2009. Classification LULC et correction topographique de l'imagerie Landsat-7 ETM + dans le bassin versant du fleuve Yangjia : l'influence des capteurs de résolution DEM. Capteur, 9(3) : 1980-1995. doi: 10.3390/s90301980

Gevers T, Smeulders A W M, 1999. Reconnaissance d'objets basée sur la couleur. La reconnaissance de formes, 32(3) : 453–464. doi: 10.1016/S0031-3203(98)00036-3

Giles P T, Chapman MA, Franklin S E, 1994. Incorporation d'un modèle d'élévation numérique dérivé de l'imagerie satellitaire stéréoscopique dans l'analyse automatisée du terrain. Informatique et géosciences, 20(4) : 441-460. doi: 10.1016/0098-3004(94)90078-7

Giles P, 2001. Télédétection et ombres portées en terrain montagneux. Ingénierie photogrammétrique et télédétection, 67(7): 833–839.

Gitas I Z, Deverux B J, 2006. Le rôle de la correction topographique dans la cartographie des zones forestières méditerranéennes récemment brûlées à partir d'images LANDSAT TM. Revue internationale de télédétection, 27(1) : 41–45. doi: 10.1080/01431160500182992

Goetz S J, Wright R K, Smith A J et al., 2003. Imagerie IKONOS pour la gestion des ressources : analyse du couvert arboré, des surfaces imperméables et des zones tampons riveraines dans la région médio-atlantique. Télédétection de l'environnement, 88(1-2): 195-208. doi: 10.1016/j.rse.2003.07.010

Gu D, Gillespie A, 1998. Normalisation topographique des images Landsat TM de la forêt basée sur la géométrie Subpixel Sun-Canopy-Sensor. Télédétection de l'environnement, 64(2) : 166–175. doi: 10.1016/S0034-4257(97)00177-6

Hansen M C, Loveland T R, 2012. Un examen de la surveillance de vastes zones de l'évolution de la couverture terrestre à l'aide de données Landsat. Télédétection de l'Environnement, 122 (Numéro spécial Landsat Legacy) : 66–74. doi: 10.1016/j.rse.2011.08.024

Hegarat-Mascle SL, Andre C, 2009. Utilisation des champs aléatoires de Markov pour la détection automatique de nuages/ombres sur des images optiques haute résolution. Journal de photogrammétrie et de télédétection, 64(4) : 351-366. doi: 10.1016/j.isprsjprs.2008.12.007

Heiskanen J, Kajuutti K, Jackson M et al., 2002. Évaluation des paramètres glaciologiques à l'aide de données satellitaires Landsat à Svartisen, dans le nord de la Norvège. Actes de l'Association européenne des laboratoires de télédétection (EARSel) Atelier sur l'observation de notre cryosphère depuis l'espace : techniques et méthodes de surveillance de la neige et de la glace au regard du changement climatique. Berne Suisse, 11-13 mars, 34-42.

Hendriks J, Pellikka P, 2004. Estimation de la réflectance à partir d'une surface de glacier en comparant les mesures du spectromètre avec les réflectances dérivées des satellites. Journal de glaciologie, 38(2): 139–154.

Holben B, Justice C, 1981. Un examen du rapport des bandes spectrales pour réduire l'effet topographique sur les données de télédétection. Revue internationale de télédétection, 2(2) : 115–133. doi: 10.1080/01431168108948349

Huang W, Xiao Y, Lu S, 2011. Détection d'ombres de l'image de télédétection haute résolution basée sur un réseau de neurones à couplage d'impulsions. 7e Symposium sur le traitement d'images multispectrales et la reconnaissance de formes (MIPPR) - Traitement d'images par télédétection, systèmes d'information géographique et autres applications. Guilin, Chine.

Jensen J, 2007. Introduction au traitement d'images numériques. Pékin : Science Press et Pearson Education Asia Limited, Chine, 127-173, 220-221.

Jin S, Homer C, Yang L et al., 2013 Détection et remplissage automatisés des nuages ​​et des ombres à l'aide d'images Landsat à deux dates aux États-Unis. Revue internationale de télédétection, 34(5) : 1540-1560. doi: 10.1080/01431161.2012.720045

Kouchi K, Yamazaki F, 2007. Caractéristiques des zones touchées par le tsunami sur des images satellites à résolution modérée. Transactions IEEE sur les géosciences et la télédétection, 45(6) : 1650-1657. doi: 10.1109/TGRS.2006.886968

Law K H, Nichol J, 2004. Correction topographique des effets d'éclairage différentiel sur IKONOS sur imagerie satellitaire. Congrès ISPR à Istanbul. Turquie, 641-646.

Leblon B, Gallant L, Granberg H, 1996. Effets des types d'ombrage sur les réflectances d'ombre visibles et proche infrarouge mesurées au sol. Télédétection de l'environnement, 58(3) : 322-328. doi: 10.1016/S0034-4257(96)00079-X

LeciaGeosystems, 2008. ATCOR — Foire aux questions : 6. Quelle devrait être la résolution de mon DEM pour ACTOR3 ? Disponible sur : http://www.geosystems.de/atcor/faqs/faq-answers.html

Liu J, Fang T, Li D, 2011. Détection d'ombres dans les images de télédétection basée sur la sélection de caractéristiques auto-adaptatives. Transactions IEEE sur les géosciences et la télédétection, 49(12) : 5092-5103. doi: 10.1109/TGRS.2011.2158221

Liu W, Yamazaki F, 2012. Extraction d'ombres basées sur des objets et correction d'images satellites optiques à haute résolution. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sesning, 5(4) : 1296–1302. doi: 10.1109/JSTARS.2012.2189558

Lu D, 2006. Le potentiel et le défi de l'estimation de la biomasse basée sur la télédétection. Revue internationale de télédétection, 27(7) : 1297-1328. doi: 10.1080/01431160500486732

Lu D, 2007. Détection et substitution de nuages/brumes et de leurs ombres portées sur les images IKONOS. Revue internationale de télédétection, 28(18) : 4027-4035. doi: 10.1080/01431160701227703

Lu D, Weng Q, 2007. Une enquête sur les méthodes et techniques de classification d'images pour améliorer les performances de classification. Revue internationale de télédétection, 28(5) : 823-870. doi: 10.1080/01431160600746456

Martinuzzi S, Gould W A, Ramos-González O M, 2007. Création d'ensembles de données Landsat ETM+ sans nuage dans les paysages tropicaux : suppression des nuages ​​et de l'ombre des nuages, Département de l'agriculture des États-Unis (USDA), Rapport technique général IIFT-GTR-32. Disponible sur : http://www.fs.fed.us/global/iitf/pubs/iitf-gtr32.pdf.

Massalabi A, He D C, Beaudry G B, 2004. Restitution d'information sous ombre dans des images de télédétection à haute résolution : Application aux données IKONOS de la ville de Sherbrooke. Archives internationales de photogrammétrie et télédétection, 35 (Partie B7) : 173-178.

Mather PM, 2004. Traitement informatique des images de télédétection. Londres : John Wiley & Sons Ltd., 81 et 136.

Matsushita B, Yang W, Onda Y et al., 2007. Sensibilité de l'indice de végétation amélioré (EVI) et de l'indice de végétation par différence normalisée (NDVI) à l'effet topographique : une étude de cas dans une forêt de cyprès à haute densité. Capteurs, 7(11) : 2636-265. doi: 10.3390/s7112636

Miura H, Midorikawa S, 2006. Défaillances de Slopr par le séisme de 2004 Niigata-Ken Chuetsu, Japon, observées sur des images satellites à haute résolution. 4e Atelier international sur la télédétection pour la réponse post-catastrophe. Cambridge, Royaume-Uni, 25-26 septembre.

Nagao M, Matsutyama T, Ikeda Y, 1979. Extraction de région et analyse de forme dans des photographies aériennes. Graphismes de vision par ordinateur et traitement d'images, 10(3): 195–223.

Nakajima T, Tao G, Yasuoka Y, 2002. Récupération simulée d'informations dans les zones d'ombre sur l'image IKONOS en combinant les données ALS. Actes de la Conférence asiatique sur la télédétection (ACRS). Disponible sur : http://www.a-a-r-s.org/acrs/proceedings2002.php

Nizalapur V, 2008. Classification de la couverture terrestre à l'aide de la fusion de données multi-sources ENVISAT-ASAR et IRS p6 LISS-III Données satellitaires : une étude de cas sur les régions forestières tropicales les plus décidues du Karnataka, en Inde. Les archives internationales de la photogrammétrie, de la télédétection et des sciences de l'information spatiale, Pékin, Chine.

Nole G, Danese M, Mugante B et al., 2012. Observations satellitaires de la variation temporelle de l'étalement urbain à l'aide de techniques d'autocorrélation. Gestion de la complexité dans la modélisation de l'utilisation des terres et des impacts environnementaux. 14-15 mai, 512–527.

Ortega-Huerta M, Komar O, Prix K et al., 2012. Cartographie des plantations de café avec des images Landsat : un exemple d'El Salvador. Revue internationale de télédétection, 33(1) : 220–242. doi: 10.1080/01431161.2011.591442

Ozdemir I, 2008. Estimation du volume des tiges par la surface de la cime des arbres et la zone d'ombre des arbres extraite d'images Quickbird pan-affûtées dans des forêts ouvertes de genévriers de Crimée. Revue internationale de télédétection, 29 (19) : 5643-5655. doi: 10.1080/01431160802082155

Prati A, Mikic I, Trivedi M, Cucchiara R, 2003. Détection des ombres en mouvement : algorithmes et évaluation. Transactions IEEE sur l'analyse des modèles et l'intelligence machine, 25(7) : 918-923. doi: 10.1109/TPAMI.2003.1206520

Pringle M J, Schmidt M, Muir J S, 2009. Interpolation géostatistique d'images SLC hors Landsat ETM+. Revue ISPRS de photogrammétrie et de télédétection, 64(6) : 654-664. doi: 10.1016/j.isprsjprs.2009.06.001

Rau J Y, Chen N Y, Chen L C, 2002. Véritable génération d'orthophotos de zones bâties à l'aide d'images multi-vues. Ingénierie photogrammétrique et télédétection, 68(6): 581–588.

Ren G, Zhu A X, Wang W et al., 2009. Une approche hiérarchique couplée à des informations DEM grossières pour améliorer l'efficacité et la précision de la cartographie forestière sur des terrains très accidentés. Écologie et gestion forestières, 258(1) : 26-34. doi: 10.1016/j.foreco.2009.03.043

Riano D, Chuvieco E, Salas J et al., 2003. Évaluation de différentes corrections topographiques dans les données Landsat-TM pour la cartographie des types de végétation. Transactions IEEE sur les géosciences et la télédétection, 41(5) : 1056-1061. doi: 10.1109/TGRS.2003.811693

Richter R, Kellenberger T, Kaufmann H, 2009. Comparaison des méthodes de correction topographique. Télédétection, 1(3) : 184-196. doi: 10.3390/rs1030184

Richter R, Muller A, 2005. Suppression de l'ombre de l'imagerie satellite/aéroportée. Revue internationale de télédétection, 26(15) : 3137-3148. doi: 10.1080/01431160500114664

Rosin P L, Ellis T, 1995. Stratégies de seuil de différence d'image et détection d'ombre. Dans: Actes de la sixième conférence britannique sur la vision artificielle. Birmingham, Royaume-Uni, 347-356.

Rossi R E, Dungan J L, Beck L R, 1994. Krigeage dans l'ombre : interpolation géostatistique pour la télédétection. Télédétection de l'environnement, 49(1) : 32–40. doi: 10.1016/0034-4257(94)90057-4

Roy D P, Ju J, Lewis P et al., 2008. Fusion de données MODIS-Landsat multitemporelles pour la normalisation radiométrique relative, le remplissage des lacunes et la prédiction des données Landsat. Télédétection de l'environnement, 112(6) : 3112–3112. doi: 10.1016/j.rse.2008.03.009

Saha K A, Arora M K, Csaplovics E et al., 2005. Classification des couvertures terrestres à l'aide de l'image IRS LISS III et du DEM dans un terrain accidenté : une étude de cas dans l'Himalaya. Géocarto International, 20(2) : 33-40. doi: 10.1080/10106040508542343

Salvador E, Cavallaro A, Ebrahimi T, 2001. Identification et classification des ombres à l'aide de modèles de couleurs invariants. Conférence internationale IEEE sur l'acoustique, la parole et le traitement du signal, Salt Lake City, Utah, 3, 1545-1548.

Sarabandi P, Yamazaki F, Matsuoka M et al., 2004. Détection d'ombres et restauration radiométrique dans des images satellites à haute résolution. Actes du Symposium international IEEE sur les géosciences et la télédétection (IGARSS). Ancorage Alaska, 20-24 septembre, 3744-3747. doi: 10.1109/IGARSS.2004.1369936

Shahtahmassebi A R, Wang K, Zhangguan S et al., 2011. Évaluation des deux fonctions de remplissage pour la récupération d'informations forestières en ombres montagneuses sur Image Landsat ETM+. Journal des sciences de la montagne, 8(3) : 414–426. doi: 10.1007/s11629-011-2051-5

Shettigara V K, Sumerling G M, 1998. Détermination de la hauteur d'objets étendus à l'aide d'ombres dans des images SPOT. Ingénierie photogrammétrique et télédétection, 64(1): 35–44.

Shu J S P, Freeman H, 1990. Suppression de l'ombre des nuages ​​sur des photographies aériennes. La reconnaissance de formes, 23(6) : 647-656. doi: 10.1016/0031-3203(90)90040-R

Simpson J J, Sitt J R, 1998. Une procédure pour la détection et la suppression de l'ombre des nuages ​​des données AVHRR au-dessus de la terre. Transactions IEEE sur les géosciences et la télédétection, 36(3) : 880–897. doi: 10.1109/36.673680

Soenen S A, Peddle D R, Coburn C A et al., 2007. Amélioration de la correction topographique des données d'images forestières à l'aide d'un modèle 3-D de réflectance de la canopée en mode avant multiple. Revue internationale de télédétection, 29(4) : 1007–1027. doi: 10.1080/01431160701311291

Song M, Civco D L, 2002. Une approche basée sur les connaissances pour réduire les nuages ​​et les ombres. Actes de la convention annuelle de l'American Society of Photogrammetry and Remote Sensing—American Congress on Surveying and Mapping (ASPRS-ACSM) et XXIIe congrès de la Fédération internationale des géomètres (FIG). Washington, DC, 22-26 avril.

Sotomayor A I T, 2002. Une analyse spatiale de différents types de couvert forestier à l'aide de techniques de SIG et de télédétection. Division des sciences forestières Institut international de géo-information Science et observation de la Terre Enschede. Pays-Bas, 20.

Statella T, Da Silva E A, 2008. Détection d'ombres et de nuages ​​dans des images haute résolution en utilisant la morphologie mathématique. Pecora 17-L'avenir de l'imagerie terrestre. Denver, Colorado, 18-20 novembre.

Susuki A, Shio A, Arai H et al., 2000. Compensation dynamique des ombres des images aériennes basée sur la couleur et l'analyse spatiale. Dans: Actes de la 15e Conférence internationale sur la reconnaissance des brevets. Barcelone, Catalogne, Espagne, 317-320.

Tobler W R, 1970. Un film informatique simulant la croissance urbaine dans la région de Detroit. Géographie économique, 46: 234–240.

Tokola T, Sticklen J, Linden, M V D, 2001. Utilisation de la correction topographique dans l'interprétation forestière basée sur Landsat TM au Népal. Revue internationale de télédétection, 22(4) : 551-563. doi: 10.1080/01431160050505856

Tsai V J D, 2006. Une étude comparative sur la compensation d'ombre d'images aériennes en couleur dans des modèles de couleurs invariants. Transactions IEEE sur les géosciences et la télédétection, 44(6) : 1661–1667. doi: 10.1109/TGRS.2006.869980

Tseng D C, Tseng H T, Chien C L, 2008. Suppression automatique des nuages ​​des images SPOT multi-temporelles. Mathématiques appliquées et calcul, 205(2) : 584–600. doi: 10.1016/j.amc.2008.05.050

Wan C Y, King B A, Li Z, 2012. Une évaluation de l'imagerie de télédétection urbaine améliorée par l'ombre d'une ville complexe—Hong Kong. Actes du XXIIe Congrès de la Société Internationale de Photogrammétrie et de Télédétection. Melbourne, Australie, 25 août-1er septembre, 177-182.

Wang B, Ono A, Muramatsu K et al., 1999. Détection et suppression automatisées des nuages ​​et de leurs ombres des images Landsat TM. Transactions de l'IEICE sur l'information et les systèmes, E82D(2) : 453-460.

Wang Q J, Tian Q J, Lin Q Z et al., 2008. Un algorithme amélioré pour la restauration des ombres d'images à haute résolution spatiale. Actes de SPIE7123, Télédétection de l'environnement : 16e Symposium national sur la télédétection de Chine, 7123 : 1-7. doi: 10.1117/12.816170

Yang X, Skidmore, A K, Melick D et al., 2007. Vers une méthode efficace d'utilisation de l'imagerie Landsat TM pour cartographier la forêt en terrain montagneux complexe dans le nord-ouest du Yunnan, en Chine. Société internationale d'écologie tropicale, 48(2): 227–239.

Yesilnacar E, Suzen M L, 2006. Une classification de la couverture terrestre pour la cartographie de la susceptibilité aux glissements de terrain à l'aide de composants de caractéristiques. Revue internationale de télédétection, 27(2) : 253–275. doi: 10.1080/0143116050030042

Zhan Q M, Shi W Z, Xiao Y H, 2005. Analyse quantitative des effets d'ombre dans les images haute résolution des zones urbaines. 3e Symposium international Télédétection et fusion de données sur les zones urbaines (URBAIN) et 5ème Symposium International Télédétection des Zones Urbaines (URSS), 1682-1777. Disponible sur : http://www.isprs.org/proceedings/XXXVI/8-W27/zhan.pdf

Zhang C R, Li W D, Travis D J, 2009. Restauration de pixels assombris en imagerie de télédétection multispectrale avec cokrigeage. Revue internationale de télédétection, 30(9) : 2173-2195. doi: 10.1080/01431160802549294

Zhang C R, Li W D, Travis D J, 2007. Remplissage des lacunes de l'image satellite Landsat ETM+ de SLC à l'aide d'une approche géostatistique. Revue internationale de télédétection, 28(22) : 5103–5122. doi: 10.1080/01431160701250416

Zhang X Y, Jiang H, Zhou G M et al., 2011. Interpolation géostatistique des données manquantes et réduction d'échelle de la résolution spatiale pour les concentrations de colonne de méthane atmosphérique par télédétection. Revue internationale de télédétection, 33(1) : 1–15. doi: 10.1080/01431161.2011.584078


Un nouveau produit scientifique Landsat de niveau 3 révèle des changements dans les eaux de surface

Lorsque les zones humides s'assèchent, mettant en danger l'habitat d'une espèce menacée, les écologistes aquatiques et les gestionnaires de ressources veulent et doivent le savoir. Un nouveau produit scientifique de l'USGS aide à leur fournir ces informations.

Une animation de la région d'Omaha, dans le NE, qui montre des inondations printanières, comparant un composite en fausses couleurs Landsat 8 Operational Land Imager (OLI) à des images créées avec le produit Landsat Level-3 Dynamic Surface Water Extent (DSWE).

La météo, le climat, l'hydrologie du réseau de cours d'eau et les caractéristiques géologiques influencent et interagissent avec l'étendue des eaux de surface dans les rivières, les lacs et les zones humides, a déclaré John W. Jones, géographe de recherche à la branche de télédétection hydrologique de l'USGS à Reston, en Virginie. Au fil du temps, le nombre et la taille de ces masses d'eau de surface à travers les États-Unis ont été affectés par les changements à grande échelle de la couverture et de l'utilisation des terres, le changement et la variabilité climatiques, et l'augmentation des demandes en eau provenant des utilisations agricoles, industrielles et domestiques de l'eau, Jones mentionné.

Pour aider les chercheurs à étudier ces changements et tendances, il a créé Dynamic Surface Water Extent (DSWE), l'un des trois produits scientifiques Landsat de niveau 3 publiés en février 2019 par l'USGS. Jones discute de DSWE, qui l'utilise et de sa valeur, dans cette session de questions-réponses.

Que fournit le produit d'étendue d'eau de surface dynamique de niveau 3 ?

« L'objectif de DSWE est de tester chaque pixel sans nuages, ombres et neige dans les archives Landsat - du début des années 1980 à nos jours - pour la présence ou l'absence d'eau de surface. DSWE inclut des tests à l'échelle sub-pixel, ce qui permet d'identifier des mélanges de végétation, de sol et d'eau, en plus des pixels entièrement recouverts d'eau libre.

Donc, vous parlez d'examiner les eaux de surface en ce qui concerne les zones humides?

« DSWE représente toutes les eaux de surface détectables. Mais les zones humides avec de la végétation à l'intérieur ou au-dessus d'elles sont particulièrement difficiles et importantes. Prenons l'exemple des Everglades de Floride. J'ai une longue histoire de travail dans les Everglades et je connais la dynamique de ses eaux de surface et l'importance de cette dynamique pour l'habitat et la qualité de l'eau, ainsi que la météo/le climat local. Si vous n'utilisez que des algorithmes qui se concentrent sur les pixels Landsat en eau libre, la plupart des Everglades ressemblent à un endroit sans eau. Autre exemple, la région de Prairie Potholes, dans le centre-nord des États-Unis, est un endroit où se trouvent de nombreuses petites zones humides très importantes, interconnectées et non connectées. Ceux-ci n'apparaissent pas comme de l'eau dans les données satellitaires à résolution modérée comme Landsat, sauf si vous concevez vos tests pour les rechercher. En général, les zones humides, les lacs et les rivières plus grands qui ont de la végétation à l'intérieur ou le long de leurs limites sont mieux surveillés avec Landsat si nous pouvons détecter l'eau à l'échelle inférieure au pixel. J'ai concentré le développement de DSWE sur cette question pour combler ce manque de données.

Quels sont quelques exemples de recherche que les gens font avec DSWE?

« Mes propres exemples incluent l'examen des variations de la largeur des rivières pour développer des moyens d'estimer le débit des cours d'eau. Je collabore également avec des écologistes aquatiques et des gestionnaires de ressources terrestres qui souhaitent trouver un habitat pour leurs bestioles, puis comprendre non seulement quand ces habitats sont humides et secs, mais aussi si ce moment change et, le cas échéant, pourquoi. Il y a des projets comme celui-là partout au pays, dont certains portent sur l'habitat des espèces menacées. Je travaille également avec des scientifiques intéressés par les données sur le moment de l'humidification et de l'assèchement des zones humides pour aider à modéliser le cycle des gaz à effet de serre tels que le carbone et le méthane.

Pouvez-vous parler d'utilisateurs spécifiques ?

« Le U.S. Fish and Wildlife Service s'intéresse vraiment à l'ensemble de données DSWE pour améliorer son processus de cartographie des zones humides. Nous pouvons afficher l'enregistrement DSWE pour une zone sous forme de série chronologique dans une animation. Cela leur permet d'adapter les mesures individuelles qu'ils ont effectuées sur le terrain avec d'autres images dans un contexte temporel plus large et de comprendre où leurs mesures s'inscrivent dans le comportement à plus long terme, à défaut d'un meilleur mot, du système hydrologique. Dans certains cas, cela montre que la tranche de temps utilisée pour l'inventaire des zones humides était une période relativement sèche, conduisant à une sous-estimation de l'étendue typique des zones humides. Le DOI (Department of Interior) s'intéresse aux inondations sur les terres du DOI. Quelle a été l'étendue des inondations dans ce parc national pour ces zones où nous n'avons pas de dossiers ? »

Serait-ce seulement utile ici aux États-Unis?

« Toute application DSWE d'intérêt aux États-Unis est potentiellement encore plus importante ailleurs, d'autant plus que d'autres régions ne disposent pas de la richesse des données disponibles aux États-Unis. expansion rapide du réservoir et si les ruptures de barrage dans les régions éloignées pourraient être une préoccupation.

Qu'apporte ce produit de niveau 3 au travail des chercheurs ?

« Eh bien, je pense que pour tout le monde, cela enlève beaucoup de travail. Les gens n'ont pas à générer eux-mêmes ces données. Tous les utilisateurs avec lesquels j'ai déjà travaillé et la plupart des utilisateurs potentiels avec lesquels j'ai discuté de DSWE disent quelque chose comme : « Oh mon Dieu, j'ai eu du mal à générer de l'eau de surface à partir de Landsat, et je veux juste le résultat. Je ne veux pas avoir à subir toutes ces girations pour obtenir ce genre de sortie. » C'est un avantage commun à tous les produits Landsat de niveau 3. Nous fournissons des enregistrements scientifiques à long terme prêts et permettant des analyses qui seraient très difficiles autrement, en particulier pour ceux qui n'ont pas les moyens de produire ces données même si les données d'images Landsat (Niveau-1 et Niveau-2) sont disponibles gratuitement.

Alors, quel travail spécifique cela supprime-t-il ?

« Lorsque vous travaillez avec des données satellitaires, vous devez supprimer les distorsions d'image causées par la courbure de la Terre et le terrain accidenté. Il faut atténuer les effets de l'atmosphère. Il faut compenser les effets de l'angle de vue de l'instrument. Et vous devez convertir les nombres numériques spécifiques au capteur en valeurs physiques de réflectance. Le résultat est le produit de niveau 2. Mais pour passer de cette valeur de réflectance à la détermination de la couverture terrestre de la surface, vous devez traiter chaque pixel de manière très complexe. Il y a à la fois de l'art et de la science dans ce traitement. En produisant DWSE, tout le traitement pour déterminer si quelque chose est inondé, et si cet endroit inondé n'est que de l'eau, ou est de l'eau et de la végétation, ou de l'eau et du sol, est effectué pour l'utilisateur avec la résolution spatiale et la fréquence temporelle les plus fines possibles, avec plus de trois décennies de données Landsat. Cela peut être important pour beaucoup de gens parce que maintenant les gens qui ne sont pas des capteurs à distance, mais qui sont des hydrologues, des biologistes, des climatologues et des gestionnaires de ressources, peuvent utiliser les résultats. »

DSWE permet-il une surveillance automatisée des changements dans l'étendue des eaux de surface qui n'était pas disponible auparavant ?

"Sûr. Absolument. Prenons le cas de l'estimation du débit d'un cours d'eau, ce que nous appelons des « jauges virtuelles ». Si nous pouvons élaborer les algorithmes qui nous permettent de calculer le débit, nous serons en mesure d'estimer le débit d'un cours d'eau à des endroits difficiles d'accès, et où il est vraiment coûteux et dangereux de faire nos mesures d'eau conventionnelles. Ainsi, vous êtes passé d'un processus laborieux et potentiellement dangereux et donc coûteux à un processus automatisable. Nous avons encore besoin de jauges conventionnelles pour étalonner et tester les modèles basés sur la télédétection. Mais DSWE aide à estimer les flux entre les endroits où nous avons des jauges, ou où il est difficile de se rendre au départ. Ainsi, nous sommes en mesure de fournir une plus grande couverture sur une variable extrêmement importante du point de vue scientifique, de la gestion des ressources et de la sécurité qu'auparavant. Et la dynamique des zones humides est une contribution unique de DSWE. Nous obtenons des informations sur la fréquence, le moment et la durée pendant lesquels les zones humides sont inondées (appelée hydropériode) qui n'étaient pas apparentes à des échelles de temps et d'espace aussi larges sans DSWE.

Avez-vous envisagé d'associer MODIS ou VIIRS à votre travail pour obtenir des estimations quasi quotidiennes de l'étendue des eaux de surface ?

« En ce qui concerne l'étendue de l'eau et des zones humides, un grand nombre d'utilisateurs avec lesquels je traite ont besoin d'une résolution spatiale supérieure à celle fournie par MODIS ou VIIRS. Par exemple, environ 80 % des cours d'eau surveillés par l'USGS ont une largeur inférieure à 100 mètres, et vous ne pouvez rien dire sur les rivières proches de cette taille avec VIIRS, MODIS ou AVHRR. La détection de l'habitat des amphibiens que j'ai mentionné précédemment peut être un véritable défi même pour Landsat. Il y a beaucoup de zones humides que nous pouvons surveiller très facilement avec Landsat qui sont importantes pour les amphibiens, mais il y en a aussi beaucoup qui sont très, très petites. Ainsi, les utilisateurs sont toujours intéressés à repousser les limites de ce qui est possible avec Landsat, ou même des images commerciales à plus haute résolution spatiale. Ainsi, bien qu'il soit possible d'améliorer la résolution temporelle avec MODIS, mes recherches se concentrent maintenant sur la combinaison de DSWE avec plusieurs satellites optiques et RADAR à résolution spatiale supérieure pour surveiller la dynamique des eaux de surface avec une fréquence temporelle plus élevée.

Can you envision Level-4 products for surface water extent?

“Yes, I can see that. DSWE is already an input to additional processing that combines other instruments to create higher-level information. Discharge is an example of that. We’re taking satellite-based altimetry, which is yet a different type of measurement entirely, and combining that with the surface area from DSWE to get at discharge. So, to me, something like discharge would be the next level derived from this Level-3 product. Other examples include reservoir storage, wetland hydroperiod, habitat condition, etc. Importantly, we are talking about changes in streamflow, lake storage, hydroperiod, and habitat over time. It is the dynamics of these processes that we need information on. And the systematic collection, production, and open distribution of data like DSWE makes that possible.”


2.3 Training and test sample collection

Due to China's large territory, a large number of training samples are needed to ensure classification accuracy if following the usual sample collection strategy (i.e., uniform sampling). To improve the sample collection efficiency, we designed a new strategy which collected national, regional, and local samples in the cropland area from GlobeLand30. Through reusing the national and regional samples, smaller total sample size was required, and the workload of sampling was minimized effectively. Since different geomorphologic regions have different typical terrace/non-terrace types, we first collected 801 representative (those easy to be visually interpreted) samples as national samples in each geomorphologic region (defined in Cheng et al., 2018) with a large proportion of cropland or typical terrace types (i.e., eastern hilly plains region, southeastern low-middle mountain region, north China and Inner Mongolia eastern-central mountain and plateau region, and southwestern middle and low mountain, plateau, and basin region). These samples were used for training general classification rules and identifying terraces with typical features. To classify terraces with local or confusing features, a total of 3989 local samples were added to each province to the areas with a poor classification visual effect according to the initial classification results. Cropland in some provinces has similar features, such as in Heilongjiang, Inner Mongolia, Liaoning, Jilin, Tibet, and Xinjiang. Since these provinces have a large area, setting regional samples can reduce the workload of sample collection greatly. Therefore, 54 samples in Heilongjiang were taken as regional samples and added to the sample sets of the remaining five provinces, respectively. Finally, each province has 407–609 terrace samples and 394–589 non-terrace samples. All 4790 training samples (2151 terrace samples and 2639 non-terrace samples) were collected by visual interpretation of Landsat images, SRTM DEM data, cropland extent data extracted from GlobeLand30, and Google Earth images.

All test samples were randomly generated in a hexagonal grid (icosahedral Snyder equal area discrete global grid, ISEA DGG) created using the DGGRID software (Sahr, 2019). Based on this strategy, the study area was split into 1460 equal-area regions (Fig. 2). Accurate precision evaluation requires sufficient samples for both terrace and non-terrace however, the randomly generated terrace samples were insufficient due to their small percentage. To increase the number of terrace samples, we took the following strategy. Four samples were first generated randomly in each hexagon of China. Then, 10 random samples were supplemented into each hexagon that contained terrace samples or that surrounded hexagons with terrace samples. Finally, 10 samples were randomly added again to the hexagons with terrace samples. The sample interpretation was based on Google Earth images, Landsat images, and SRTM DEM data. We referred to Zhao et al. (2014) to conduct the interpretation and quality control. The samples were double-checked to ensure reliability. A total of 11 333 collected samples were acquired within the study area, of which 1092 samples were interpreted as terrace and 9783 samples as non-terrace. The remaining 458 samples were uncertain or seriously mixed and were excluded. The terrace test sample is zero in 12 provinces (Beijing, Hainan, Heilongjiang, Hong Kong, Jilin, Jiangsu, Macao, Shanghai, Taiwan, Tianjin, Tibet, and Xinjiang), while the terrace/non-terrace test samples are insufficient ( N < 10 for either terrace or non-terrace) in 14 provinces (Liaoning, Zhejiang, and the above 12 provinces). Thus, terrace area of the 14 provinces was not analyzed in Sect. 3.3, and accuracy of the 12 provinces was not evaluated in Sect. 3.4.3.

Figure 2The spatial distribution of the test samples.


Spatiotemporal changes of glacier and seasonal snow fluctuations over the Namcha Barwa–Gyala Peri massif using object-based classification from Landsat time series

The glacier environment in the Namcha Barwa–Gyala Peri (NBGP) massif is regarded as one of the most sensitive areas to climate change, yet the change estimates remain inadequate due to the limited knowledge of the complex debris-covered glacier environment and the lack of available remote sensing data caused by continuously cloudy weather. To examine the changes of the complex glacial environment, a multiple hierarchical object- and rule-based classification (MHORC) scheme is proposed by combining Landsat time series images and topographic data. Object-based image analysis (OBIA) is introduced due to its capabilities of handling data contextually and hierarchically and using multi-source data jointly so that multiple hierarchical rule-based classification can be developed to distinguish the objects with similar spectrum such as debris-covered glaciers and their surrounding terrain. All the available Landsat images from 1987 to 2019 are filtered by the cloud cover condition (less than 10%) and accordingly used in the MHORC to obtain spatial and temporal information of the glacier and snow over the NBGP massif. The images collected in the snow-free season are used to estimate the glacier extent state and the historical changes, and those in the snow-covered are used to estimate the snow cover fluctuation using harmonic analysis. The results show that the NBGP contains 65 glaciers (≥0.1 km 2 ) with a total area of 462.7 km 2 , among which valley glaciers account for 21.5% in number but cover an area of 354.2 km 2 , more than 76% of the total area. An accelerating reduction trend of the glacier area is confirmed as the area change velocity is −0.62 km 2 yr −1 between 1999 and 2003 and reach −2.95 km 2 yr −1 between 2003 and 2015. The seasonal snow cover area shows a reduction in the secular trend and an increase in fluctuation amplitude. Both glacier and seasonal snow display heterogeneity in the spatial and temporal patterns. Such heterogeneous dynamics might be related to the trade-off between water vapor supply and regional thermal conditions. This MHORC developed in this study demonstrates its effectiveness in delineating the debris-covered glacier environment and the potential of using Landsat time series to track glacial environment evolution. Besides, the analysis of seasonal snow fluctuations provides a novel perspective to re-recognize the glacial environment dynamics, and the knowledge of glacier extent changes and season snow fluctuations over the NBGP massif can improve the understanding of environmental effects from climate change.


How to Remove Topographic Effects Like Shadows from Landsat Image - Geographic Information Systems

Paper Information

Journal Information

American Journal of Geographic Information System

p-ISSN: 2163-1131 e-ISSN: 2163-114X

Land Cover Mapping Using Remote Sensing Data

Jwan Al-doski 1 , Shattri B. Mansor 1 , H'ng Paik San 2 , Zailani Khuzaimah 1

1 Civil Department, Faculty of Engineering, Universiti Putra Malaysia, Serdang, Malaysia

2 Forest Production Department, Faculty of Forestry, Universiti Putra Malaysia, Serdang, Malaysia

Correspondence to: Jwan Al-doski, Civil Department, Faculty of Engineering, Universiti Putra Malaysia, Serdang, Malaysia.

Email:

Copyright © 2020 The Author(s). Published by Scientific & Academic Publishing.

This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/

Land cover is a complex parameter because it represents the relationship between socio-economic activities and regional environmental changes, which is why it is important to review and update it periodically. This paper seeks to navigate via a range of subtopics on Land Cover Mapping (LCM) using Remote Sensing (RS) technology for providing enough information that play a significant and prime role in planning, management and monitoring programmes at local, regional and national levels. The literature review structure is described as give a review of information type and sources with highlights on the strengths and weaknesses of distinct RS information as well as distinct variables extracting from RS information that have been used for LCM. Similarly, the highpoint was done on the LCM techniques which comprise conventional and remote sensed techniques for accurate LCM. For detailed knowledge of the methods, phases, and algorithms of Image classification (IC) for LCM, a brief overview is provided and some issues that influence the efficiency and accuracy of the IC methods were also discussed. From this investigated literature, the most common RS data used for LCM are multispectral, hyperspectral, light detection and ranging (LiDAR), and radio detection and ranging (radar). The choice of appropriate RS data for LCM, however, relies on data accessibility and the particular goal to be obtained and type of classification algorithms. Non-parametric classification algorithms tend to be superior to parametric classification algorithms in LCM using RS data. Nevertheless, the issue which non-parametric algorithms are better than other LCM algorithms was not normally answered. As conclusion, LCM efficiency is influenced by numerous variables like landscape, sampling schedule, training selection techniques and training size, type of non-parametric algorithms, raw data, etc. Thus, these influenced variables need to be addressed before LCM using RS data.

Mots clés: Land cover mapping techniques, Image classification process, Remote sensing data


Estimation of fire severity by use of Landsat TM images and its relevance to vegetation and topography in the 2000 Samcheok forest fire

The severity of the 2000 Samcheok forest fire was classified by using Landsat TM images, and the effects of vegetation structures and topographic conditions on fire severity were analyzed. The estimated normalized difference vegetation index differences between the pre and post-fire Landsat TM images were used as the criteria in determining the levels of fire severity–low, moderate, and extreme. According to the results from fire severity estimation, of the 10,600 ha forest stands, 28% was severely damaged by crown fires, 38% was moderately damaged, and the remaining 34% was damaged slightly by surface fires. The overall accuracy of the fire severity classification was 83% (Kappa coefficient = 0.76). The results of χ 2 -tests showed that fire severity differed significantly with the vegetation and topographic conditions as follows. The coniferous stands, compared with the mixed and broad-leaved, were more vulnerable to fire damage the higher the slope of fire sites, the greater the fire damage the south was the most vulnerable aspect fire severity of coniferous forest stands increased with increasing elevation. However, in the study area it was found that fire severity of broad-leaved forest stands were negatively related to the elevation of the corresponding fire sites and affected more by vegetation conditions rather than by topographic conditions.


4 Discussion

In this study, a scheme for simultaneously detecting and removing clouds and shadows was proposed based on the simulated TOA radiance fields. The possible error sources associated with the new scheme could be characterized by the following: (1) During simulation, the established atmosphere profiles, aerosol loadings, and discrete observing geometry were adopted based on the LUT, which probably differ from the real atmospheric state and observing conditions of the target image. For instance, the closest angles of the target image were chosen to perform the TOA radiance simulation. Although it is not a problem for our present case (Figures 9-12 and Table 5), if the atmosphere status, especially the aerosol loadings in the target image greatly differ from that of the reference image, some uncertainties would be introduced in cloud and/or shadow detection and reconstruction. A possible way to further improve the simulation is to include more atmosphere types and aerosol loadings and use denser angle intervals in radiative transfer modeling, or using interpolation techniques. In the current version of the new method, 11 aerosol loadings are provided which can represent most of atmosphere conditions (from a heavy aerosol loading to an extremely clear sky). The 11 aerosol settings provide users more atmosphere options (corresponding to different atmospheric conditions), so that the readers can selected a proper aerosol loading for their study. If the users have some knowledge about the atmospheric status (e.g., aerosol and water vapor) of the images being studied, they can directly select a proper atmospheric condition in the built LUT. For better accuracy, they could use existing remotely sensed, reanalysis or other data sources to get a priori knowledge about the atmospheric conditions (especially the aerosol loadings) of the studied area. Of course, the used atmosphere in simulating the TOA radiance fields is not necessarily the same as the target image (in reality, it is very hard to exactly estimate the specific aerosol status for an image). If the users know little about the aerosol in their images or it is hard for them to collect the priori knowledge, the default aerosol loading with VIS = 30 km could be used as a default setting considering its good performance in our study (Figures 4-12). Under this case, as mentioned above, if the used atmospheric parameters of the reference image have large discrepancy with that of the target image, some uncertainties would be introduced. Of course, the users do not necessarily have to use the LUT built in this study they can also generate their own LUT based on reanalysis data or climatology statistics of aerosol and other atmospheric parameters. In other words, in this paper, we provide not only an operational method but also a scheme (or idea), based on which the readers could develop their own method (2) Uncertainties induced from significant variations of aerosol loading across an image with large area. Under this case, although the proposed method can work, for better accuracy, the big image should be divided into several parts according to the aerosol loadings if the users know about the aerosol status, and the method is then applied separately for each part (3) Regarding the accuracy of the surface reflectance, as can be seen from Figure 1, surface reflectance is an indispensable input for the new method its spatial pattern directly affects the behavior of cloud and shadow detection and image reconstruction. Note that, according to the feature of the new method, it is the spatial distribution pattern of the reflectance that really should be considered but not necessarily the absolute value of the reflectance. In this case study, the MODIS 16-day albedo was used by assuming an isotropic surface, and the results reveal that it is feasible. If more reliable surface reflectance can be made available, we believe the detection and reconstruction accuracy could be even better (4) For image reconstruction, an assumption behind the new scheme is that the radiance ratio of a certain collocated pixel in both the simulated and target images to the corresponding average value of the uncontaminated region (clean pixels) is similar. While in reality, this ratio is affected by variations of atmospheric parameters. Despite the fact that it is a potential error source, it is not a big problem in our present case based on the validation and sensitivity analysis (see Figures 9-12). Considering the fact that any reconstruction approach cannot completely recover all the information in a contaminated image, the newly proposed approach at least shows its advantage over most existing methods in terms of easy operation.

Note that, although only three MODIS cases were shown in this paper, several MODIS scenes with different atmospheric conditions, land covers, aerosol, and water vapor loadings were tested, and the same conclusions are reached. It should be noted that many improvements and examinations about the proposed scheme are still required in the future, including an automation process, optimization of the detecting indicators and channels, comprehensive validation over more land covers and seasons, and comparison with other algorithms and/or cloud products, etc. These are our main research concerns in the near future.


Acknowledgments

This research was financially supported by ESA through the Alcantara initiative Monitoring and Detection of Landslides from optical Images time series (ESA 15/P26). This work is part of the joint program IRD-INGEMMET. The Pléiades images have been provided by Astrium and the ISIS/CNES program and can be accessed through the Astrium repository (https://www.intelligence-airbusds.com/geostore/). Landsat-8 images courtesy of the U.S. Geological Survey and can be accessed through the EarthExplorer repository (https://earthexplorer.usgs.gov/). The GPS data are provided in the SI. The irrigation flow rates are provided by the autodema repository (https://autodema.gob.pe/).

Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.


Voir la vidéo: Fix Landsat 7 Scan Line Error using Landsat Toolbox in ArcMap (Octobre 2021).