Группа по науке о данных гидрографического управления Великобритании исследует и разрабатывает машинное обучение для картографирования прибрежных и морских мест обитания на основе спутниковых изображений. В основном мы работаем со спутниковыми данными Sentinel-2 Level-1C Европейского космического агентства, которые загружаются в виде радиометрически и геометрически скорректированных изображений верхних слоев атмосферы (TOA).

У изображений TOA есть некоторые проблемы:

  • определенная «туманность» в основном вызвана молекулярным и аэрозольным рассеянием в атмосфере, а это означает, что изображения TOA содержат много значений коэффициентов отражения дистанционного зондирования (Rrs), включающих атмосферу, а не только Rrs поверхности земли или воды.
  • «эффект смежности»: когда высокие значения яркости от одного пикселя включаются в другой, что приводит к снижению контраста, что затрудняет различение между поверхностными пикселями. Этот эффект распространен в прибрежных водах [1, 5].
  • а пиксели водной поверхности испытывают эффект, называемый солнечным блеском: когда свет напрямую отражается на датчик спутника, в результате чего появляются ярко-белые пиксели. Интенсивность солнечного блика зависит от разрешения изображения, размера и ориентации волны, высоты солнца и угла наклона изображения.

Атмосферная коррекция (АК) относится к процессу удаления вкладов атмосферного рассеяния и солнечного блика [2]. Нам нужно выполнить AC для получения правильных представлений Rrs земли и воды, чтобы ввести их в обучение и тестирование наших моделей машинного обучения морской и прибрежной среды обитания. Поэтому моя цель — изучить и сравнить пригодность популярных алгоритмов AC/солнечного блика с использованием неконтролируемой кластеризации k-средних. Кластеризация — это распространенный метод исследовательского анализа данных, используемый для визуализации и понимания структуры данных. Ожидается, что если на скорректированных снимках по-прежнему присутствует атмосферный шум и солнечные блики, я смогу визуализировать и оценить их степень по выходным данным кластеризации.

Я выбрал три алгоритма AC:

  1. Европейское космическое агентство (ESA) Sen2Cor (версия 2.8) [3]: алгоритм, разработанный специально для изображений Sentinel-2, который использует данные классификации сцен и справочные таблицы модели передачи излучения LibRadtran для AC. Sen2Cor использует наземные пиксели для получения параметров для поправок и, следовательно, может не всегда подходить для приложений на водной основе [1], но тестируется, поскольку ESA использует атмосферную коррекцию по умолчанию.
  2. Вычитание темных объектов Чавеса (DOS)[4]: простая коррекция, которая предполагает, что некоторые пиксели в изображении должны иметь нулевое значение. DOS выполняется путем вычитания относительного минимального значения пикселя в каждой полосе.
  3. ACOLITE Королевского бельгийского института естественных наук (RBINS) (версия 20190326.0) [5]: процессор, разработанный для изображений Landsat и Sentinel-2 для прибрежных и внутренних вод. ACOLITE обслуживается как пакет Python, который работает с использованием графического интерфейса пользователя или командной строки. ACOLITE выполняет коррекцию рассеяния Рэлея, используя модель переноса излучения 6S и метод динамической фильтрации темного спектра (DSF) для коррекции аэрозолей. Известно, что DSF в значительной степени избегает усиления эффектов блика и смежности в АС [7].

И два алгоритма коррекции солнечных бликов:

  1. Hedley et al 2005 [6]: популярный алгоритм удаления бликов, который предполагает, что яркость над водными поверхностями в ближнем инфракрасном (NIR) диапазоне является солнечным бликом, а солнечный блеск в диапазонах видимого света линейно связан ; яркость NIR используется для определения того, насколько нужно уменьшить значения в каждой видимой полосе, что уберет солнечные блики с изображения.
  2. Коррекция бликов ACOLITE [7]: коррекция бликов предполагает нулевую отражательную способность на выходе из воды либо в коротковолновом инфракрасном диапазоне (SWIR), либо в ближнем ИК-диапазоне, и рассчитывается для других диапазонов с использованием коэффициента отражения Френеля в справочные таблицы водной поверхности [7].

Атмосферные/бликовые поправки выполняются в области интереса над восточной частью Тортолы, Британские Виргинские острова, Карибский бассейн. Изображение Sentinel-2 Level-1C скорректировано с учетом атмосферы/блеска, обрезано до пределов над восточной Тортолой, а маскирование земли/облака выполнено с использованием простой техники пороговой обработки. Наконец, неконтролируемая кластеризация k-средних по 5 классам выполняется для каждого изображения с коррекцией AC/блеска.

Выполнение АК направлено на уменьшение мутности изображения и обеспечение большей контрастности поверхности и воды Rrs. Наблюдения за изображениями переменного тока и гистограммами, приведенными выше, следующие:

  • изображения DOS и ACOLITE DSF AC выглядят темнее, а гистограммы RGB имеют более низкие значения по сравнению с исходным изображением.
  • изображение Sen2Cor, гистограмма RGB и вывод k-средних очень похожи на исходное изображение.
  • изображения k-средних DOS и ACOLITE DSF показывают увеличение темно-синего класса (представляющего темные пиксели), в то время как эффект соли и перца зеленого класса (представляющего светлые пиксели) уменьшается.

DOS и ACOLITE DSF AC приводят к лучшему удалению мутности, о чем свидетельствует уменьшение более светлых пикселей. Это улучшает различение светлых пикселей у берега и темных пикселей в глубоководных локациях, что можно интерпретировать как успешную коррекцию рассеяния в атмосфере.

Hedley et al. Коррекция солнечного блика выполняется на изображениях DOS и Sen2Cor, и для калибровки AC требуются пиксели над глубокой водой. Для выполнения ACOLITE AC с коррекцией бликов пользовательская настройка glint_correction устанавливается как True, glint_force_band устанавливается как >1600 (коротковолновое инфракрасное излучение) и экспериментировал с glint_mask_rhos_threshold (по умолчанию 0,05). Наблюдения за изображениями и гистограммами с коррекцией бликов, приведенными выше, следующие:

  • DOS и Sen2Cor с коррекцией бликов по Хедли удаляют некоторые, но не все солнечные блики, как показано бирюзовым классом в глубоководных местах.
  • ACOLITE DSF с функцией удаления бликов хорошо справляется с устранением бликов на воде, хотя некоторые пиксели кажутся настолько темными, что их можно отнести к наземным. Также появляются более четко определенные кластеры прибрежного класса, как показано бирюзовым и зеленым классом.
  • Коррекция бликов ACOLITE DSF с порогом 0,05 (по умолчанию) идентифицировала некоторые перистые облака (показаны на северо-западе изображения, которые были пропущены из-за маскирования) и некоторые яркие участки мелководья как блики, как показано темно-коричневым классом.
  • Коррекция бликов ACOLITE DSF с порогом 0,07 удаляла больше бликов в более глубокой воде и не идентифицировала столько перистых облаков и мелководья, сколько бликов по сравнению с порогом 0,05.

Коррекция бликов ACOLITE DSF с порогом 0,07 превосходит другие средства коррекции бликов. Коррекция бликов ACOLITE DSF при установке на более низкий порог (0,05) ошибочно идентифицировала некоторые перистые облака для бликов, которые были пропущены при маскировании, что является полезной информацией для улучшения алгоритма маскирования.

Оценивая влияние алгоритмов коррекции переменного тока и бликов на структуру данных изображения, это исследование может дать информацию для принятия алгоритмических решений для картирования морской и прибрежной среды обитания. Машинное обучение управляется данными, и окончательная модель будет настолько хороша или плоха, насколько хороши данные, которые в нее входят. Усовершенствования этой работы включают сравнение с другими высоко оцененными алгоритмами AC (например, C2RCC, Polymer) и статистический анализ. Для надежного статистического анализа того, насколько эффективен переменный ток, потребуются наземные истинные значения Rrs, собранные с помощью ручного или судового спектрометра, для сравнения и оценки пикселей с коррекцией переменного тока и мерцания.

Для всех будущих пользователей ACOLITE я нашел много полезной информации о ACOLITE на форуме: https://odnature.naturalsciences.be/remsem/acolite-forum/ и в Руководстве пользователя https://odnature.naturalsciences. .be/downloads/remsem/acolite/acolite_manual_20190326.0.pdf»

И большое спасибо Scottkaczor за участие в этой работе!

Ссылки

[1] Уоррен М., Симис С., Мартинес-Висенте В. и соавт. (2019). Оценка алгоритмов атмосферной коррекции для мультиспектральной камеры Sentinel-2A над прибрежными и внутренними водами. Дистанционное зондирование окружающей среды. 225, 267–289.

[2] Мобли, К. (2020). Проблема коррекции атмосферы. https://oceanopticsbook.info/view/remote-sensing/the-atmospheric-correction-problem

[3] ЕКА. (2019). Конфигурация Sen2cor и руководство пользователя. http://step.esa.int/третьих сторон/sen2cor/2.8.0/docs/S2-PDGS-MPC-L2A-SUM-V2.8.pdf

[4] Чавес, П. С. (1988). Усовершенствованный метод вычитания темных объектов для коррекции атмосферного рассеяния мультиспектральных данных. Дистанционное зондирование окружающей среды, том. 24, стр. 450–479.

[5] Королевский бельгийский институт естественных наук. (2020). Группа OD Nature по дистанционному зондированию и моделированию экосистем. https://odnature.naturalsciences.be/remsem/software-and-data/acolite

[6] Хедли, Дж. Д., Харборн, А. Р., Мамби, П. Дж. (2005) . Простое и надежное удаление солнечных бликов для картирования мелководного бентоса. Междунар. J. Remote Sens., 26 (10), стр. 2107–2112.

[7] Vanhellemont, Q. (2019).Адаптация поправки на темновой спектр с учетом атмосферы для водных приложений из архивов Landsat и Sentinel-2. Remote Sensing of Environment 225, 175–192.