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

Мультиспектральные изображения приборов КМСС-2 (Метеор-М №2-2 и Метеор-М №2-4) имеют пространственное разрешение 60 метров 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 продукты оперативной интерполяции дистанционных характеристик состояния растительности России по данным КМСС-2, включая КСЯ и вегетационные индексы, впервые для этих данных создан продукт индекс листовой поверхности LAI. Продолжают развиваться методы предварительной обработки данных приборов серии КМСС, направленные на распознавание облачности, теней, водных объектов и снежного покрова.
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, облачности, теней, снега, водной поверхности 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 изображения SCL. Ранее в ИКИ РАН был разработан метод многофакторной коррекции данных, 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 точности исходной маски SCL на основе соответствующего изображения Sentinel-2 и метода случайных лесов
- оценка возможности приведения мультиспектральных изображений КМСС-2 к изображениям MSI на основе метрик абсолютных различий и R2 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 оцениваться на основе текстурных признаков и методов глубокого обучения. Полученные с необходимой точностью маски будут использоваться в задачах связанных с предварительной обработкой данных КМСС-2 и в целях тематического картографирования территории.
Исследование выполнено в рамках темы «Мониторинг» (госрегистрация № 122042500031-8) с использованием ресурсов Центра коллективного пользования «ИКИ-Мониторинг».
Исследования выполнялась с использованием инфраструктуры Центра коллективного пользования системами архивации, обработки и анализа спутниковых данных ЦКП "ИКИ-Мониторинг" для решения задач изучения и мониторинга окружающей среды