Für Forscher, die Landsat-Bilder verwenden, um die Abdeckung des Kontinents der Vereinigten Staaten zu untersuchen, könnten die Antworten unklar sein. Die National Land Cover Database (NLCD) ist ein nützliches Produkt für Wissenschaftler, um zu verstehen, wie sich Dinge wie Baumkronen und Straßenbedeckung im Laufe der Zeit ändern, aber etwas so Einfaches wie die Wolkenbedeckung kann in den Satellitenbildern als erhebliche Änderung der Oberflächenbedeckung fehlinterpretiert werden. Wie können Forscher sicher sein, dass sie ein wirklich repräsentatives Verständnis eines bestimmten Bereichs erhalten?
Die Antwort liegt in zusammengesetzten Bildern – für die Forscher des US Geological Survey (USGS) und der University of Connecticut eine neue Strategie zur Erstellung sauberer Bilder entwickelt haben.
Sie veröffentlichten ihren Ansatz im Zeitschrift für Fernerkundung
„Unser Ziel war es, saubere Landsat-Bilder zu produzieren – das Satellitenprogramm, das die Erdoberfläche auf natürliche und vom Menschen verursachte Veränderungen überwacht – ohne Wolken und Wolkenschatten“, sagte korrespondierender Autor Suming Jin, Physiker bei USGS Earth Resources Observation and Science (EROS). Center. „Wir benötigen konsistente und saubere Landsat-Bilder ohne Lücken, um uns auf große operative Anwendungen wie die Kartierung der Landbedeckung oder die Erkennung von Veränderungen vorzubereiten.“
Die 2001 eingerichtete National Land Cover Database (NLCD) wird alle zwei bis drei Jahre mit Satellitenbildern aktualisiert, die nach Baumbestand, Stadtgebieten, Straßen und mehr kategorisiert sind. NLCD hatte bisher acht Epochen, wobei die neueste verfügbare Datenbank im Jahr 2019 veröffentlicht wurde. Vor NLCD 2019 wurden Bilder von 435 Pfaden – oder organisierten Reihen, denen Landsat beim Sammeln von Bildern folgt – zur Kartierung der kontinentalen Vereinigten Staaten verwendet.
„Trotz der besten Bemühungen des NLCD-Betriebsteams, ein einzelnes Blattbild mit weniger als 20 % Wolkenbedeckung aus dem Zieljahr zu erfassen, stammten durchschnittlich 70 % der einzelnen Landsat-Bilder aus den sieben Zieljahren, 25 % der Bilder „Die Bilder wichen um ein Jahr von den Zieljahren ab und 5 % der Bilder lagen um mehr als ein Jahr daneben“, sagte Jin.
Wenn Landsat in einem bestimmten Jahr kein ausreichend klares Bild aufnehmen kann, wird der Datensatz mit Bildern aus anderen Jahren aufgefüllt. Dies ermöglicht ein besseres Verständnis, als wenn man kein Bild von einem bestimmten Gebiet hat, aber die Landbedeckung kann sich innerhalb eines Jahres oder länger erheblich ändern.
„Es wurde viel Zeit und Mühe in die Erstellung der endgültigen klaren Landsat-Bilder investiert, einschließlich Wolken- und Schattenerkennung, einer Lückenfüllmethode und manueller Bearbeitung“, sagte Jin. „Um die Latenz bei der Produktion des neuen NLCD-Produkts zu verkürzen und den Arbeitsaufwand für die Verarbeitung individueller Landsat-Bilder zu reduzieren, haben wir eine effizientere Bildkompositionsstrategie entwickelt, um saubere Bilder zu erzeugen.“
Die Forscher entwickelten einen Algorithmus, der ein Bildpixel aus einem einzelnen Datum über einen bestimmten Zeitraum hinweg auswählt – beispielsweise den 5. Juni über ein festgelegtes Zeitfenster –, das so nah wie möglich am virtuellen Medianwertpunkt liegt. Dieser virtuelle Punkt hat einen Medianwert aus jedem Band aller gültigen Beobachtungen. Das Team entwickelte außerdem eine Methode zum Erkennen und Ersetzen von Wolken und Wolkenschattenpixeln auf zusammengesetzten Bildern. Beispielsweise kann der Algorithmus für ein Bildpixel eines Waldgebiets erkennen, dass es sich bei einem bewölkten Gebiet nicht um einen anderen Abdeckungstyp handelt, indem er es mit umliegenden Punkten vergleicht. Anschließend kann es Bilder zusammenfügen, um Lücken oder anderweitig missverstandene Informationen zu korrigieren.
„Wir haben eine neue und unkomplizierte Methode zur Bildkomposition entwickelt“, sagte Jin. „Es hat sich gezeigt, dass unser Algorithmus bei den Spektral- und Anwendungsbewertungen unter zehn Compositing-Algorithmen die besten Ergebnisse für saisonale Verbundstoffe liefert.“
Diese Methode wurde auch auf die Daten der National Land Cover Database 2019 angewendet und lieferte die endgültigen sauberen Bilder, die im Juli 2021 veröffentlicht wurden.
„Die neue Strategie löst nicht nur das Problem der verbleibenden Wolken-, Schatten- und fehlenden Wertebereiche auf zusammengesetzten Bildern, sondern reduziert auch die Redundanz und verbessert die Effizienz durch die Reduzierung von Überlappungsbereichen zwischen Kartierungseinheiten im Vergleich zur Verwendung einzelner Landsat-Pfad-/Zeilenszenen“, sagte Jin . „Die neue Strategie zur Erstellung sauberer Landsat-Kompositbilder verbesserte sowohl die betriebliche Effizienz als auch die Qualität der National Land Cover Database 2019.“
Mehr Informationen:
Suming Jin et al, National Land Cover Database 2019: A New Strategy for Creating Clean Leaf-on and Leaf-off Landsat Composite Images, Zeitschrift für Fernerkundung (2023). DOI: 10.34133/remotesensing.0022
Bereitgestellt vom Journal of Remote Sensing