Метод детектирования находящихся под влиянием облаков участков земного покрова на основе адаптивной классификации временных рядов данных дистанционного зондирования

Предварительная фильтрация эффектов маскирующего или искажающего спектрально-отражательные свойства подстилающей поверхности влияния облаков является неотъемлемой составляющей процессов обработки данных дистанционного зондирования в оптическом диапазоне длин волн для решения задач картографирования и мониторинга земного покрова (Барталев и др., 2016). Точность результатов последующей тематической обработки спутниковых изображений, как правило, сильно зависит от полноты выявления в них участков, подвергнутых влиянию облаков и их теней, а также земной поверхности с наличием снежного покрова. Для выявления на спутниковых изображениях облаков и снежного покрова широко используются различные пороговые методы, опирающиеся на их спектрально-яркостные характеристики и/или производные от последних спектральные индексы (Saunders, 1988; Ackerman et al., 1998; Zhu et al., 2012). Относительная простота такого рода методов сопряжена и с наличием ряда ограничений их эффективного использования. Зачастую задаваемые в этих методах фиксированные значения яркостных порогов, будучи выбранными экспериментально применительно к тестовым регионам, перестают быть оптимальными при попытках их распространения на другие территории. Перенос методов на данные других приборов со сходными спектральными каналами в большинстве случаев также влечет за собой необходимость перенастройки значений задаваемых порогов из-за особенностей съемочной аппаратуры, используемого метода атмосферной коррекции и других возможных факторов.
В ИКИ РАН разработан и широко используется пороговый метод фильтрации эффектов влияния мешающих факторов, основанный на значениях нормализованного разностного индекса снега NDSI и яркости подстилающей поверхности в голубом диапазоне длин волн. На основе вышеупомянутого метода построена технология предварительной обработки данных инструментов SPOT-VEGETATION (Барталев и др., 2004) и Terra/Aqua-MODIS (Барталев и др., 2011). При использовании единого метода для обработки обоих видов данных на территории Северной Евразии потребовалась настройка абсолютных значений порогов для выделения снега, облаков и их теней для каждого инструмента независимо. Среди недостатков метода можно отметить ухудшение результатов при переносе его на другие территории, низкую точность разделения между некоторыми типами облаков и снегом, пропуск участков полупрозрачной облачности, искажающей яркость объектов земного покрова.
Разработка применимого в глобальном масштабе и максимально свободного от вышеуказанных недостатков нового метода предварительной обработки данных дистанционного зондирования опирается на использование длинных временных рядов измерений яркостных характеристик подстилающей поверхности. При этом в каждом пикселе изображения априорно допускается возможность наблюдения в различные моменты времени облаков, теней от них и снежного покрова на территориях, соответствующих водным объектам и различным типам земной поверхности. При этом предполагается, что за продолжительный многолетний период в каждом пикселе изображения в различные моменты времени наблюдения присутствуют как зашумленные, так и свободные от шумов данные наблюдений. Адаптивность метода обеспечивается том, что за продолжительное время в каждом пикселе изображения в выбранном пространстве признаков формируется несколько групп статистически близких значений, которые могут быть интерпретированы как различные классы объектов. Оценка статистических распределений спектрально-отражательных характеристик выполняется для каждого класса в каждом пикселе независимо, что позволяет проводить настройку классификатора на каждый отдельно взятый пиксел. Таким образом классификация в каждом пикселе изображения производится на основе предшествующего временного ряда наблюдений. При этом, обработка данных включает в себя следующие основные шаги:
1) задание набора возможных классов;
2) первичное определение центров классов на основе гистограмм признаков распознавания;
3) классификация временного ряда значений каждого пиксела изображения с целью уточнения значений центров классов и их распределения;
4) отнесение каждого пиксела изображения к одному из выбранных классов на основе критерия наибольшей близости расстояния.
Предложенный метод апробирован на данных инструмента Proba-V и по сравнению с используемым в настоящее время пороговым методом обеспечивает лучшее качество выделения полупрозрачной облачности, более точно выделяет границу облаков, надежнее отделяет участки открытого снега и облаков.
Исследования проводились на основе созданных в ИКИ РАН технологий построения информационных систем дистанционного мониторинга (Лупян и др., 2015) и Центра коллективного пользования "ИКИ-Мониторинг" (Лупян и др., 2015).
Работа выполнена в рамках государственного контракта Министерства образования и науки Российской Федерации от 27.10.2015 г. №14.607.21.0122 на тему: «Разработка методов и программных комплексов автоматизированной обработки спутниковых данных дистанционного зондирования Земли для создания и поддержки информационных сервисов мониторинга ресурсного потенциала и состояния лесов России». Уникальный идентификатор ПНИЭР RFMEFI60715X0122.