Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 11–15 ноября 2024 г.

(http://conf.rse.geosmis.ru)

XXII.A.427

Развитие методов тематической обработки данных КМСС-2 (Метеор-М №2-2, 2-4) на основе переноса результатов классификации сцен Sentinel-2 SC

Колбудаев П.А. (1), Плотников Д.Е. (1)
(1) Институт космических исследований РАН, Москва, Россия
Мультиспектральные изображения приборов КМСС-2 (Метеор-М №2-2 и Метеор-М №2-4) имеют пространственное разрешение 60 метров в надире и интервал повторения наблюдений около 3 дней, что позволяет использовать данные этих спутниковых систем для решения задач оперативного мониторинга и дистанционной оценки растительного покрова. В частности, в ИКИ РАН в оперативном режиме формируются доступные в интерфейсах семейства Вега продукты оперативной интерполяции дистанционных характеристик состояния растительности России по данным КМСС-2, включая КСЯ и вегетационные индексы с ежедневным временным разрешением (Plotnikov D.E., 2022, Плотников и др. 2022), впервые на основе этих данных для территории России создан продукт индекса листовой поверхности LAI (Плотников Д.Е. др., 2025). Продолжают развиваться методы предварительной обработки данных приборов серии КМСС, направленные на распознавание облачности, теней, водных объектов и снежного покрова (Колбудаев П.А., Плотников Д.Е., 2022).
Для этих целей в работе были использованы данные спутниковой системы Sentinel-2 (MSI), обладающей схожим интервалом повторения наблюдений. Помимо близких к КМСС-2 спектральных каналов, в состав стандартных продуктов MSI уровня L2A входит продукт Scene Classification Land (SCL), содержащий результат классификации сцены с разделением на классы чистой поверхности, водной поверхности, теней, облачности, снега и других. В настоящей работе использовались пары «синхронных» мультиспектральных изображений MSI – КМСС-2, полученные на одну территорию за один день с разницей локального времени съемки не более 3 часов. Данные MSI переводились в географическую проекцию и загрублялись до разрешения КМСС методом билинейной интерполяции в зеленом, красном и ИК каналах и методом majority для тематического изображения SCL. Ранее в ИКИ РАН был разработан метод многофакторной коррекции данных (Kolbudaev P.A., Plotnikov D.E., 2021), позволяющий локально-адаптивно приводить целевое изображение в конкретном спектральном канале к эталону, полученному на основе данных другой спутниковой системы, который был использован для приведения распределений яркости в канальных изображениях КМСС-2 к соответствующему распределению MSI.
Разработанный в настоящем исследовании метод можно представить в виде следующих этапов:
- оценка качества тематического слоя SCL на основе соответствующего мультиспектрального изображения Sentinel-2 и метода случайных лесов;
- оценка возможности приведения мультиспектральных изображений КМСС-2 к изображениям MSI на основе метрик абсолютных различий и корреляции приведённых гистограмм
- использование обученной на данных MSI модели Random Forest с целью классификации изображения КМСС с получением выбранных из SCL тематических классов.
Точность переноса модели и классификации может также оцениваться на основе текстурных признаков и методов глубокого обучения. Полученные с необходимой точностью маски целевых классов будут использоваться в задачах связанных с предварительной обработкой данных КМСС-2 и в целях тематического картографирования территории, мониторинга растительного покрова и оценки состояния растительности (Середа и др. 2020, Лупян и др. 2018, Плотников и др. 2018, Плотников и др. 2020). Исследование выполнено в рамках темы «Мониторинг» (госрегистрация № 122042500031-8) с использованием ресурсов инфраструктуры Центра коллективного пользования системами архивации, обработки и анализа спутниковых данных "ИКИ-Мониторинг" для решения задач изучения и мониторинга окружающей среды (Лупян и др., 2019).

Ключевые слова: КМСС-2, Метеор-М №2-2, Метеор-М №2-4, MSI, Sentinel-2, Перенос классификации.
Литература:
  1. Kolbudaev P.A., Plotnikov D.E., Loupian E.A., Proshin A.A., Matveev A.M. The methods and automatic technology aimed at imagery georeferencing, cloud screening, atmospheric and radiometric correction of KMSS-M satellite data // E3S Web of Conferences, 2021. 333. P. 01006. DOI: doi.org/10.1051/e3sconf/202133301006.
  2. Plotnikov D.E., Loupian E.A., Kolbudaev P.A., Proshin A.A., Matveev A.M. Daily surface reflectance reconstruction using LOWESS on the example of various satellite systems // IEEE Xplore. VIII International Conference on Information Technology and Nanotechnology. (ITNT). 2022. DOI: 10.1109/ITNT55410.2022.9848630.
  3. Колбудаев П.А., Плотников Д.Е. Метод выявления облачности и теней на изображениях КМСС на основе обучения глубоких сверточных нейронных сетей // XIX Конференция молодых ученых "Фундаментальные и прикладные космические исследования". ИКИ РАН. Москва. Электронный сборник. 13-15 апреля, 2022.
  4. Лупян Е.А., Барталев С.А., Крашенинникова Ю.С., Плотников Д.Е., Толпин В.А., Уваров И.А. Анализ развития озимых культур в южных регионах европейской части России весной 2018 года на основе данных дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 275-281. DOI: 10.21046/2070-7401-2018-15-2-272-276.
  5. Лупян Е.А., Прошин А.А., Бурцев М.А., Кашницкий А.В., Балашов И.В., Барталев С.А., Константинова А.М., Кобец Д.А., Мазуров А.А., Марченков В.В., Матвеев А.М., Радченко М.В., Сычугов И.Г., Толпин В.А., Уваров И.А. Опыт эксплуатации и развития центра коллективного пользования системами архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151-170. DOI: 10.21046/2070-7401-2019-16-3-151-170.
  6. Плотников Д.Е., Ёлкина Е.С., Дунаева Е.А., Хвостиков С.А., Лупян Е.А., Барталев С.А. Развитие метода автоматического распознавания озимых культур на основе спутниковых данных для оценки их состояния на территории Республики Крым // Таврический вестник аграрной науки. 2020. № 1(21). С. 64-83. DOI: 10.33952/2542-0720-2020-1-21-64-83.
  7. Плотников Д.Е., Колбудаев П.А., Лупян Е.А. Автоматический метод субпиксельной географической привязки спутниковых изображений КМСС-М на основе актуализируемого эталона низкого пространственного разрешения // Компьютерная оптика. 2022. Т. 46, № 5. С. 818-827. DOI: 10.18287/2412-6179-CO-1098.
  8. Плотников Д.Е., Хвостиков С.А., Барталев С.А. Метод автоматического распознавания сельскохозяйственных культур на основе спутниковых данных и имитационной модели развития растений // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 131-141. DOI: 10.21046/2070-7401-2018-15-4-131-141.
  9. Плотников Д.Е., Чжоу Ц., Колбудаев П.А., Лупян Е.А., Матвеев А.М., Зимин М.В., Жуков Б.С., Кондратьева Т.В., Лебедев С.В. Разработка и оценка индекса листовой поверхности LAI растительного покрова России на основе разноугловых наблюдений КМСС (Метеор-М) и нейросетевой инверсии модели PROSAIL // Компьютерная оптика. 2025. Т. 49, № 3 (в печати).
  10. Середа И.И., Денисов П.В., Трошко К.А., Лупян Е.А., Плотников Д.Е., Толпин В.А. Уникальные условия развития озимых культур, наблюдаемые по данным спутникового мониторинга на европейской территории России в октябре 2020 г. // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 304-310. DOI: 10.21046/2070-7401-2020-17-5-304-310.

Презентация доклада

Видео доклада



Ссылка для цитирования: Колбудаев П.А., Плотников Д.Е. Развитие методов тематической обработки данных КМСС-2 (Метеор-М №2-2, 2-4) на основе переноса результатов классификации сцен Sentinel-2 SC // Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2024. C. 38. DOI 10.21046/22DZZconf-2024a

Методы и алгоритмы обработки спутниковых данных

38