Mer

Hvordan fjerne topografiske effekter som skygger fra Landsat Image


Jeg bruker QGIS 2.4.0 Chugiak på Windows 8.1 for klassifisering av landsat 5-7 bilde som inneholder kuperte fjell med tett skog og 60% areal er sletter. Jeg klassifiserer gjennom Semi-automatisk Classification Plugin av algoritme for spektralvinkelmapping, men jeg får ikke et ordentlig klassifisert bilde.

Jeg har nøye samlet signaturene og analysert dem på en spektral signaturplott. Før jeg startet klassifiseringsalgoritmen, konverterte jeg utstrålingen til Top of Atmosphere-refleksjon gjennom automatisert prosess og klippet mitt interesseområde ved å bruke "clip multiple raster" under forhåndsbehandlingsfanen gjennom formfilen.

Spørsmålet mitt er dette. Er det noe galt med hele prosessen, eller må jeg først eliminere terrengskyggene etter konvertering til TOA-refleksjon? Jeg har også oppløsningen SRTM DEM 30m. Hvis det er nødvendig å fjerne områdene som er under skygger, hvordan hvordan; Hvis ikke, hvordan kan jeg forbedre klassifiseringen min gjennom dette automatiserte pluginet?


Ja, bildeklassifiseringen forbedres vanligvis når du fjerner topografiske lyseffekter (det samme gjelder atmosfæriske effekter). Imidlertid, som med alt som dette, finnes det et bredt spekter av teknikker for å utføre denne oppgaven, og effektiviteten av den vil avhenge av både sofistikering av teknikken (dens evne til å modellere de fysiske prosessene som er involvert) og dataene dine. Her er en utmerket rask lesning som oversikter noen av de tilgjengelige metodene:

http://web.pdx.edu/~nauna/Topographic_Normalization.pdf

Hvis du har tilgang til Jensens utmerkede fjernopplevelsesbok, har han også en god del der inne om topografisk belysning og strategier for fjerning / minimering. I utgangspunktet kan de forskjellige metodene grupperes i de som er basert på båndforhold og de som er basert på en slags fysisk modell. Båndforhold er generelt ikke like effektive, men har enkelhet og færre datakrav. Det vil si at du ikke engang trenger en DEM eller avledet belysningsoverflate for å bruke båndrasjonering. Har du noen gang lagt merke til at mengden topografisk belysning er sterkt redusert i en indeks som NDVI? Det er fordi det er basert på en type båndforhold. Lysbilde 3 av denne presentasjonen viser hvorfor dette fungerer. Til slutt, hvis du velger denne tilnærmingen, vil klassifiseringen din være basert på en serie båndforhold (f.eks. NIR / rød) i stedet for de rå bildene.

Siden du har en DEM og derfor kan utlede en belysningsoverflate (omtrent som et bakkeskjermbilde, men kontrollert for solretning og vinkel), kan du bruke en mer sofistikert tilnærming som Kosinus korreksjon eller en av dens mange derivater. Annet enn belysningsflaten (hillshade tool), kan du utføre analysen ved hjelp av en rasterkalkulatorbasert arbeidsflyt. Det vil sannsynligvis kreve litt eksperimentering med forskjellige parametere for å få de beste resultatene. Lykke til.


Addink E A, Stein A, 1999. En sammenligning av konvensjonelle og geostatistiske metoder for å erstatte uklare piksler i NOAA-AVHRR-bilder. International Journal of Remote Sensing, 20 (5): 961–977. doi: 10.1080 / 014311699213028

Ahmad F, 2012. En gjennomgang av gjenkjenning av dataendring av fjernmåling: Sammenligning av distriktene Faisalabad og Multan, Punjab-provinsen, Pakistan. Tidsskrift for geografi og regional planlegging, 5 (9): 263–251. doi: 10.5897 / JGRP11.121

Al-Najdawi N, Bez H E, Singhai J et al., 2012. En kartlegging av detekteringsalgoritmer for skygge. Mønstergjenkjenningsbokstaver, 33 (6): 752–764. doi: 10.1016 / j.patrec.2011.12.013

Apan A A, 1997. Landkartlegging for planlegging av tropisk skogrehabilitering ved hjelp av eksternt oppdagede data. International Journal of Remote Sensing, 18 (5): 1029–1049. doi: 10.1080 / 014311697218557

Arellano P, 2003. Manglende informasjon i fjernmåling: Wavelet-tilnærming for å oppdage og fjerne skyer og skyggene deres. Enshede, Nederland: International Institute Geo-Information Science and Earth Observation.

Arevalo V, González J, Ambrosio G, 2005. Oppdage Shadow QuickBird satellittbilder. ISPRS Commission VII Mid-term Symposium ’Remote Sensing: From Pixels to Processes’. Enschede, Nederland, 8.– 11. mai.

Arevalo V, González J, Ambrosio G, 2008. Skyggedeteksjon i farger med høyoppløselige satellittbilder. International Journal of Remote Sensing, 29 (7): 1945–1963. doi: 10.1080 / 01431160701395302

Arora M K, Mathur S, 2001. Multikildeklassifisering ved hjelp av kunstig nevralt nettverk i et ulendt terreng. Geocarto International, 16 (3): 37–44. doi: 10.1080 / 10106040108542202

Asner G P, Warner A S, 2003. Baldakinskygge i IKONOS satellittobservasjoner av tropiske skoger og savanner. Fjernmåling av miljø, 87 (4): 521–533. doi: 10.1016 / j.rse.2003.08.006

ATCOR. Leica geosystems geospatial imaging, LLC. Tilgjengelig på: http://www.directionsmag.com.

Bishop M, Shroder J J, Colby D J, 2003. Fjernmåling og geomorfometri for å studere hjelpeproduksjon i høye fjell. Geomorfologi, 55 (1–4): 345–361. doi: 10.1016 / S0169-555X (03) 00149-1

Blesius L, Weirich F, 2005. Bruk av Minnaert-korreksjonen for klassifisering av landdekke i fjellterreng. International Journal of Remote Sensing, 26 (17): 3831–3851. doi: 10.1080 / 01431160500104194

Carvalho L M T, 2001. Kartlegging og overvåking av skogrester: Amultiskaleanalyse av romtidsdata. Nederland: Wagenigen University.

Chen Y, Wen D, Jing L. et al., 2007. Skyggeinformasjonsgjenoppretting i urbane områder fra veldig høyoppløselige satellittbilder. International Journal of Remote Sensing, 28 (15): 3249–3254. doi: 10.1080 / 101431160600954621

Cheng F, Thiel K H, 1995. Avgrense byggehøyder i en by fra skyggen i et panchromatisk SPOT-bilde. Del 1: Test av førtito bygninger. International Journal of Remote Sensing, 16 (3): 409–415. doi: 10.1080 / 01431169508954409

Choi K Y, Milton E J, 1999. En multispektral transformasjon for undertrykkelse av skyskygger. I: Fremgangsmåte: Fjerde internasjonale luftbårne fjernmålingskonferanse og utstilling / 21. kanadiske symposium om fjernmåling. Ottawa, Canada: ERIM International Inc .: 762–769.

Colby D J, 1991. Topografisk normalisering i ulendt terreng. Photogrammetric Engineering & amp Remote Sensing, 57(5): 531–537.

Conese C, Gilabert M A, Maselli F et al., 1993. Topografisk normalisering av TM-scener gjennom bruk av en atmosfærisk korreksjonsmetode og digitale terrengmodeller. Photogrammetric Engineering & amp Remote Sensing, 59(12): 1745–1753.

Dare P M, 2005. Skyggeanalyse i høyoppløselige satellittbilder av byområder. Photogrammetric Engineering & amp Remote Sensing, 71(2): 169–177.

Dorren L, Luuk K A, Maier B. et al., 2003. Forbedret Landsatbasert skogskartlegging i bratt fjellterreng ved bruk av objektbasert klassifisering. Skogøkologi og -forvaltning, 183 (1–3): 31–46. doi: 10.1016 / S0378-1127 (03) 00113-0

Dozier J, 1989. Spektral signatur av alpint snødekke fra Landsat Thematic Mapper. Fjernregistreringsmiljø, 28: 9–22.

Eiumnoh A, Shrestha P, 2000. Anvendelse av DEM-data til Land-sat bildeklassifisering: Evaluering i et tropisk vått-tørt landskap i Thailand. Photogrammetric Engineering & amp Remote Sensing, 66(3): 297–304.

Ekstrand S, 1996. Korreksjon av Landsat TM-basert skogskadevurdering for topografiske effekter. Photogrammetric Engineering & amp Remote Sensing, 62(2): 151–161.

Fahsi A, Tsegaye T, Tadesse W. et al., 2000. Inkorporering av digitale høydemodeller med Landsat-TM-data for å forbedre klassifisering av landdekke. Skogøkologi og -forvaltning, 128 (1–2): 57–64. doi: 10.1016 / S0378-1127 (99) 00272-8

Gao Y, Zhang W, 2009. LULC-klassifisering og topografisk korreksjon av Landsat-7 ETM + bilder i Yangjia River Watershed: Innflytelsen fra DEM Resolution Sensors. Sensor, 9 (3): 1980–1995. doi: 10.3390 / s90301980

Gevers T, Smeulders A W M, 1999. Fargebasert gjenkjenning av objekter. Mønstergjenkjenning, 32 (3): 453–464. doi: 10.1016 / S0031-3203 (98) 00036-3

Giles P T, Chapman M A, Franklin S E, 1994. Inkorporering av en digital høydemodell avledet fra stereoskopiske satellittbilder i automatisert terrenganalyse. Datamaskiner og geofag, 20 (4): 441–460. doi: 10.1016 / 0098-3004 (94) 90078-7

Giles P, 2001. Fjernmåling og kaster skygger i fjellterreng. Photogrammetric Engineering & amp Remote Sensing, 67(7): 833–839.

Gitas I Z, Deverux B J, 2006. Rollen som topografisk korreksjon i kartlegging brente nylig middelhavsskogområder fra LANDSAT TM -bilder. International Journal of Remote Sensing, 27 (1): 41–45. doi: 10.1080 / 01431160500182992

Goetz S J, Wright R K, Smith A J et al., 2003. IKONOS-bilder for ressursforvaltning: Tredekke, ugjennomtrengelige overflater og ovarbufferanalyser i det midtatlantiske området. Fjernmåling av miljø, 88 (1–2): 195–208. doi: 10.1016 / j.rse.2003.07.010

Gu D, Gillespie A, 1998. Topografisk normalisering av Landsat TM -bilder av skog basert på Subpixel Sun-Canopy-Sensor Geometry. Fjernmåling av miljø, 64 (2): 166–175. doi: 10.1016 / S0034-4257 (97) 00177-6

Hansen M C, Loveland T R, 2012. En gjennomgang av overvåking av stort arealendring ved bruk av Landsat-data. Fjernmåling av miljø, 122 (Landsat Legacy Special Issue): 66–74. doi: 10.1016 / j.rse.2011.08.024

Hegarat-Mascle S L, Andre C, 2009. Bruk av Markov Random Fields for automatisk clould / shadow deteksjon på optiske bilder med høy oppløsning. Journal of Photogrammetry and Remote Sensing, 64 (4): 351–366. doi: 10.1016 / j.isprsjprs.2008.12.007

Heiskanen J, Kajuutti K, Jackson M et al., 2002. Vurdering av glaciologiske parametere ved bruk av Landsat-satellittdata i Svartisen, Nord-Norge. Proceedings of European Association of Remote Sensing Laboratories (EARSel) Workshop om å observere kryosfæren vår fra verdensrommet: teknikker og metoder for overvåking av snø og is med hensyn til klimaendringer. Bern Sveits, 11. – 13. Mars, 34–42.

Hendriks J, Pellikka P, 2004. Estimering av reflektans fra en breoverflate ved å sammenligne spektrometermålinger med satellittavledede refleksjoner. Journal of Glaciology, 38(2): 139–154.

Holben B, Justice C, 1981. En undersøkelse av spektralbåndforhold for å redusere den topografiske effekten på eksternt registrerte data. International Journal of Remote Sensing, 2 (2): 115–133. doi: 10.1080 / 01431168108948349

Huang W, Xiao Y, Lu S, 2011. Skyggeoppdagelse av høykvalitets fjernopplevelsesbilde basert på pulskoblet nevralt nettverk. 7. symposium om multispektral bildebehandling og mønstergjenkjenning (MIPPR) —Fjernsensing av bildebehandling, geografiske informasjonssystemer og andre applikasjoner. Guilin, Kina.

Jensen J, 2007. Innledende digital bildebehandling. Beijing: Science Press og Pearson Education Asia Limited, Kina, 127–173, 220–221.

Jin S, Homer C, Yang L. et al., 2013 Automatisert sky- og skyggedeteksjon og fylling ved bruk av to-dato Landsat-bilder i USA. International Journal of Remote Sensing, 34 (5): 1540–1560. doi: 10.1080 / 01431161.2012.720045

Kouchi K, Yamazaki F, 2007. Kjennetegn på tsunami-berørte områder i moderat oppløsnings satellittbilder. IEEE-transaksjoner på geovitenskap og fjernmåling, 45 (6): 1650–1657. doi: 10.1109 / TGRS.2006.886968

Law K H, Nichol J, 2004. Topografisk korreksjon for differensielle lyseffekter på IKONOS på satellittbilder. ISPRS Kongress Istanbul. Tyrkia, 641-646.

Leblon B, Gallant L, Granberg H, 1996. Effekter av skyggetyper på markmålte synlige og nær-infrarøde skyggerefleksjoner. Fjernmåling av miljø, 58 (3): 322–328. doi: 10.1016 / S0034-4257 (96) 00079-X

LeciaGeosystems, 2008. ATCOR - Ofte stilte spørsmål: 6. hva skal oppløsningen til DEM være for ACTOR3? Tilgjengelig fra: http://www.geosystems.de/atcor/faqs/faq-answers.html

Liu J, Fang T, Li D, 2011. Skyggedeteksjon i fjernopplevde bilder basert på selvadaptivt funksjonsvalg. IEEE-transaksjoner på geovitenskap og fjernmåling, 49 (12): 5092–5103. doi: 10.1109 / TGRS.2011.2158221

Liu W, Yamazaki F, 2012. Objektbasert skyggeutvinning og korreksjon av optiske satellittbilder med høy oppløsning. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sesning, 5 (4): 1296–1302. doi: 10.1109 / JSTARS.2012.2189558

Lu D, 2006. Potensialet og utfordringen med estimering av fjernmåling-basert biomasse. International Journal of Remote Sensing, 27 (7): 1297–1328. doi: 10.1080 / 01431160500486732

Lu D, 2007. Påvisning og erstatning av skyer / dis og deres skygger på IKONOS-bilder. International Journal of Remote Sensing, 28 (18): 4027-4035. doi: 10.1080 / 01431160701227703

Lu D, Weng Q, 2007. En kartlegging av bildeklassifiseringsmetoder og teknikker for å forbedre klassifiseringsytelsen. International Journal of Remote Sensing, 28 (5): 823–870. doi: 10.1080 / 01431160600746456

Martinuzzi S, Gould W A, Ramos-González O M, 2007. Opprette skyfrie Landsat ETM + datasett i tropiske landskap: Fjerning av sky og skyskygge, United States Department of Agriculture (USDA), General Technical Report IIFT-GTR-32. Tilgjengelig på: http://www.fs.fed.us/global/iitf/pubs/iitf-gtr32.pdf.

Massalabi A, He D C, Beaudry G B, 2004. Restitusjon av informasjon under skygge i fjernopplevende bilder med høy oppløsningsoppløsning: Søknad på IKONOS-data fra Sherbrooke City. International Archives of Photogrammetry & amp Remote Sensing, 35 (del B7): 173–178.

Mather P M, 2004. Databehandling av eksternt følte bilder. London: John Wiley & amp Sons Ltd., 81 og 136.

Matsushita B, Yang W, Onda Y et al., 2007. Følsomhet for den forbedrede vegetasjonsindeksen (EVI) og normaliserte forskjellen vegetasjonsindeks (NDVI) for topografisk effekt: En casestudie i høysetthets sypressskog. Sensorer, 7 (11): 2636-265. doi: 10.3390 / s7112636

Miura H, Midorikawa S, 2006. Slopr-feil ved jordskjelvet Niigata-Ken Chuetsu, Japan observert i satellittbilder med høy oppløsning i 2004. 4. internasjonale workshop om fjernmåling for respons etter katastrofe. Cambridge, Storbritannia, 25. – 26. September.

Nagao M, Matsutyama T, Ikeda Y, 1979. Regionutvinning og formanalyse i flyfoto. Computer Vision Grafikk og bildebehandling, 10(3): 195–223.

Nakajima T, Tao G, Yasuoka Y, 2002. Simulert gjenoppretting av informasjon i skyggeområder på IKONOS-bilde ved å kamme ALS-data. Fremgang av asiatisk konferanse om fjernmåling (ACRS). Tilgjengelig fra: http://www.a-a-r-s.org/acrs/proceedings2002.php

Nizalapur V, 2008. Klassifisering av landdekk ved bruk av flerkildedatafusjon av ENVISAT-ASAR og IRS p6 LISS-III Satellittdata: En kasusstudie over tropiske mest løvskogte skogområder i Karnataka, India. Det internasjonale arkivet for fotogrammetri, fjernmåling og romlig informasjonsvitenskap, Beijing, Kina.

Nole G, Danese M, Mugante B et al., 2012. Satellittbaserte observasjoner av tidsvariasjonen av byspredning ved hjelp av autokorrelasjonsteknikker. Håndtere kompleksitet i modellering av arealbruk og miljøpåvirkninger. 14.– 15. mai, 512–527.

Ortega-Huerta M, Komar O, pris K et al., 2012. Kartlegging av kaffeplantasjer med Landsat-bilder: Et eksempel fra El Salvador. International Journal of Remote Sensing, 33 (1): 220–242. doi: 10.1080 / 01431161.2011.591442

Ozdemir I, 2008. Estimering av stamvolum etter trekroneareal og treskyggeområde ekstrahert fra pan-skjerpet Quickbird-bilder i åpne Krim-enebærskoger. International Journal of Remote Sensing, 29 (19): 5643–5655. doi: 10.1080 / 01431160802082155

Prati A, Mikic I, Trivedi M, Cucchiara R, 2003. Detecting Moving Shadows: Algorithms and Evaluation. IEEE-transaksjoner på mønsteranalyse og maskinintelligens, 25 (7): 918–923. doi: 10.1109 / TPAMI.2003.1206520

Pringle M J, Schmidt M, Muir J S, 2009. Geostatistisk interpolering av SLC-off Landsat ETM + bilder. ISPRS Journal of Photogrammetry and Remote Sensing, 64 (6): 654–664. doi: 10.1016 / j.isprsjprs.2009.06.001

Rau J Y, Chen N Y, Chen L C, 2002. Ekte ortofotogenerering av bebygde områder ved hjelp av bilder med flere visninger. Photogrammetric Engineering and Remote Sensing, 68(6): 581–588.

Ren G, Zhu A X, Wang W. et al., 2009. En hierarkisk tilnærming kombinert med grov DEM-informasjon for å forbedre effektiviteten og nøyaktigheten av skogskartlegging over veldig robuste terreng. Skogøkologi og -forvaltning, 258 (1): 26–34. doi: 10.1016 / j.foreco.2009.03.043

Riano D, Chuvieco E, Salas J et al., 2003. Vurdering av forskjellige topografiske korreksjoner i Landsat-TM data for kartlegging av vegetasjonstyper. IEEE-transaksjoner på geovitenskap og fjernmåling, 41 (5): 1056–1061. doi: 10.1109 / TGRS.2003.811693

Richter R, Kellenberger T, Kaufmann H, 2009. Sammenligning av topografiske korreksjonsmetoder. Fjernmåling, 1 (3): 184–196. doi: 10.3390 / rs1030184

Richter R, Muller A, 2005. Avskygge av satellitt / luftbårne bilder. International Journal of Remote Sensing, 26 (15): 3137–3148. doi: 10.1080 / 01431160500114664

Rosin P L, Ellis T, 1995. Bildeforskjellsterskelstrategier og skyggedeteksjon. I: Forløp fra den sjette britiske maskinvisjonskonferansen. Birmingham, Storbritannia, 347–356.

Rossi R E, Dungan J L, Beck L R, 1994. Kriging in the shadows: Geostatistical interpolation for remote sensing. Fjernmåling av miljø, 49 (1): 32–40. doi: 10.1016 / 0034-4257 (94) 90057-4

Roy D P, Ju J, Lewis P et al., 2008. Multitemporal MODIS-Landsat-datafusjon for relativ radiometrisk normalisering, gapfylling og prediksjon av Landsat-data. Fjernmåling av miljø, 112 (6): 3112–3112. doi: 10.1016 / j.rse.2008.03.009

Saha K A, Arora M K, Csaplovics E et al., 2005. Landdekningsklassifisering ved bruk av IRS LISS III-bilde og DEM i ulendt terreng: En casestudie i Himalaya. Geocarto International, 20 (2): 33–40. doi: 10.1080 / 10106040508542343

Salvador E, Cavallaro A, Ebrahimi T, 2001. Skyggeidentifikasjon og klassifisering ved hjelp av uforanderlige fargemodeller. IEEE internasjonale konferanse om akustisk, tale og signalbehandling, Salt Lake City, Utah, 3, 1545–1548.

Sarabandi P, Yamazaki F, Matsuoka M et al., 2004. Skyggedeteksjon og radiometrisk restaurering i satellittbilder med høy oppløsning. Proceedings of IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Ancorage Alaska, 20–24 Septmeber, 3744–3747. doi: 10.1109 / IGARSS.2004.1369936

Shahtahmassebi A R, Wang K, Zhangguan S et al., 2011. Evaluering av de to fyllingsfunksjonene for gjenoppretting av skoginformasjon i fjellskyggene på Landsat ETM + Image. Journal of Mountain Science, 8 (3): 414–426. doi: 10.1007 / s11629-011-2051-5

Shettigara V K, Sumerling G M, 1998. Høydebestemmelse av utvidede objekter ved bruk av skygger i SPOT-bilder. Photogrammetric Engineering and Remote Sensing, 64(1): 35–44.

Shu J S P, Freeman H, 1990. Fjerning av skyggeskygge fra flyfoto. Mønstergjenkjenning, 23 (6): 647–656. doi: 10.1016 / 0031-3203 (90) 90040-R

Simpson J J, Sitt J R, 1998. En prosedyre for påvisning og fjerning av skyskygge fra AVHRR-data over land. IEEE-transaksjoner på geovitenskap og fjernmåling, 36 (3): 880–897. doi: 10.1109 / 36.673680

Soenen S A, Peddle D R, Coburn C A et al., 2007. Forbedret topografisk korreksjon av skogbildedata ved hjelp av en 3D-baldakinreflektansemodell i flere fremovermodus. International Journal of Remote Sensing, 29 (4): 1007–1027. doi: 10.1080 / 01431160701311291

Song M, Civco D L, 2002. En kunnskapsbasert tilnærming for å redusere sky og skygge. Proceedings of the American Society of Photogrammetry and Remote Sensing — American Congress on Surveying and Mapping (ASPRS-ACSM) Annual Convention and International Federation of Surveyors (FIG) XXII Congress. Washington, DC, april, 22–26.

Sotomayor A I T, 2002. En romlig analyse av forskjellige skogsdekktyper ved bruk av GIS- og fjernmålingsteknikker. Forest Science Division International Institute for Geo information Science and Earth observation Enschede. Nederland, 20.

Statella T, Da Silva E A, 2008. Detektering av skygger og skyer i høyoppløselige bilder ved bruk av matematisk morfologi. Pecora 17-The Future of Land Imaging. Denver, Colorado, 18. – 20. November.

Susuki A, Shio A, Arai H et al., 2000. Dynamisk skyggekompensasjon av flybilder basert på farge- og romlig analyse. I: Forhandlingene fra den 15. internasjonale konferansen om pattengjenkjenning. Barcelona, ​​Catalonia, Spania, 317–320.

Tobler W R, 1970. En datafilm som simulerer byvekst i Detroit-regionen. Økonomisk geografi, 46: 234–240.

Tokola T, Sticklen J, Linden, M V D, 2001. Bruk av topografisk korreksjon i Landsat TM-basert skogtolkning i Nepal. International Journal of Remote Sensing, 22 (4): 551–563. doi: 10.1080 / 01431160050505856

Tsai V J D, 2006. En komparativ studie om skyggekompensasjon av fargebilder i uforanderlige fargemodeller. IEEE-transaksjoner på geovitenskap og fjernmåling, 44 (6): 1661–1667. doi: 10.1109 / TGRS.2006.869980

Tseng D C, Tseng H T, Chien C L, 2008. Automatisk fjerning av sky fra flertidige SPOT-bilder. Anvendt matematikk og beregning, 205 (2): 584–600. doi: 10.1016 / j.amc.2008.05.050

Wan C Y, King B A, Li Z, 2012. En vurdering av skyggeforbedret urban fjernmåling bilder av en kompleks by — Hong Kong. Proceedings of the XXII Congress of the International Society for Photogrammetry and Remote Sensing. Melbourne, Australia, 25. august – 01 september, 177–182.

Wang B, Ono A, Muramatsu K et al., 1999. Automatisert gjenkjenning og fjerning av skyer og skyggene deres fra Landsat TM-bilder. IEICE Transaksjoner om informasjon og systemer, E82D (2): 453–460.

Wang Q J, Tian Q J, Lin Q Z et al., 2008. En forbedret algoritme for skyggerestaurering av bilder med høy romlig oppløsning. Fremgangsmåten fra SPIE7123, fjernmåling av miljøet: 16. nasjonale symposium om fjernmåling av Kina, 7123: 1–7. doi: 10.1117 / 12.816170

Yang X, Skidmore, A K, Melick D. et al., 2007. Mot en effektiv metode for å bruke Landsat TM bilder til å kartlegge skog i komplekst fjellterreng i Nordvest Yunnan, Kina. International Society for Tropical Ecology, 48(2): 227–239.

Yesilnacar E, Suzen M L, 2006. En landdekkklassifisering for skredfølsomhetskartlegging ved bruk av funksjonskomponenter. International Journal of Remote Sensing, 27 (2): 253–275. doi: 10.1080 / 0143116050030042

Zhan Q M, Shi W Z, Xiao Y H, 2005. Kvantitativ analyse av skyggeeffekter i høyoppløselige bilder av byområder. 3. internasjonale symposium ekstern sensing og datafusjon over byområder (URBAN) og 5. internasjonale symposium ekstern sensing av byområder (URS), 1682–1777. Tilgjengelig på: http://www.isprs.org/proceedings/XXXVI/8-W27/zhan.pdf

Zhang C R, Li W D, Travis D J, 2009. Gjenoppretting av skyede piksler i multispektral eksternt avbildet bilder med kokokriging. International Journal of Remote Sensing, 30 (9): 2173–2195. doi: 10.1080 / 01431160802549294

Zhang C R, Li W D, Travis D J, 2007. Gap-fills av SLC-off Landsat ETM + satellittbilde ved hjelp av en geostatistisk tilnærming. International Journal of Remote Sensing, 28 (22): 5103–5122. doi: 10.1080 / 01431160701250416

Zhang X Y, Jiang H, Zhou G M et al., 2011. Geostatistisk interpolering av manglende data og nedskalering av romlig oppløsning for eksternt registrerte atmosfæriske metankolonnekonsentrasjoner. International Journal of Remote Sensing, 33 (1): 1–15. doi: 10.1080 / 01431161.2011.584078


Nytt Landsat Level-3 vitenskapsprodukt avdekker endringer i overflatevann

Når våtmarker tørker ut og truer habitatet til en truet art, ønsker og trenger vannøkologer og ressursforvaltere å vite det. Et nytt USGS vitenskapsprodukt er med på å gi dem den informasjonen.

En animasjon av Omaha, NE, området som viser vårflom, og sammenligner en Landsat 8 Operational Land Imager (OLI) falsk fargekompositt med bilder laget med Landsat Level-3 Dynamic Surface Water Extent (DSWE) -produktet.

Vær, klima, strømnettverk hydrologi og geologiske egenskaper påvirker og påvirker alle overflatevannsmengder i elv, innsjøer og våtmarker, sa John W. Jones, en forskningsgeograf med USGS ’Hydrologic Remote Sensing Branch i Reston, VA. Over tid har antallet og størrelsen på overflatevannskroppene i hele USA blitt påvirket av storskala landdekning og endringer i arealbruk, klimaendringer og variabilitet, og økende vannbehov fra vannbruk i landbruket, industrien og husholdningen, Jones, Jones sa.

For å hjelpe forskere med å studere disse endringene og trendene, skapte han Dynamic Surface Water Extent (DSWE), en av en trio av Landsat Level-3 vitenskapsprodukter som ble utgitt i februar 2019 av USGS. Jones diskuterer DSWE, som bruker den, og dens verdi, i denne spørsmålet.

Hva gir Level-3 Dynamic Surface Water Extent-produktet?

“Målet for DSWE er å teste alle sky-, skyggefri og snøfrie piksler i Landsat-arkivet - fra begynnelsen av 1980-tallet til i dag - for tilstedeværelse eller fravær av overflatevann. DSWE inkluderer tester på subpikselskalaen, som hjelper til med å identifisere blandinger av vegetasjon, jord og vann, i tillegg til piksler dekket helt av åpent vann. ”

Så du snakker om å se på overflatevann når det gjelder våtmarker?

“DSWE skildrer alt detekterbart overflatevann. Men våtmarker med vegetasjon i eller over seg er spesielt utfordrende og viktig. Ta Florida Everglades som et eksempel. Jeg har en lang historie med å jobbe i Everglades og er kjent med dynamikken i overflatevannet og viktigheten av dynamikken for habitat og vannkvalitet, samt det lokale været / klimaet. Hvis du bare bruker algoritmer som fokuserer på Landsat-piksler med åpent vann, ser de fleste Everglades ut som et sted som ikke har vann i seg. Som et annet eksempel er Prairie Potholes-regionen i det nordlige USA et sted hvor det er mange små, veldig viktige sammenkoblede og ikke-tilkoblede våtmarker. Disse vises ikke som vann i satellittdata med moderat oppløsning som Landsat, med mindre du designer testene dine for å se etter dem. Generelt overvåkes større våtmarker, innsjøer og elver som har vegetasjon i eller langs sine grenser best med Landsat hvis vi kan oppdage vann i underpikselskalaen. Jeg fokuserte DSWE-utviklingen på dette problemet for å løse dette datagapet. ”

Hva er noen eksempler på forskning folk gjør med DSWE?

“Mine egne eksempler inkluderer å se på variasjoner i elvbredden for å utvikle måter å estimere mengden strømning i bekker på. Jeg samarbeider også med akvatiske økologer og landressursforvaltere som er interessert i å finne habitat for deres skapere, og forstår ikke bare når disse habitatene er våte og tørre, men om tidspunktet endres, og i så fall hvorfor. Det er slike prosjekter over hele landet, noen som arbeider med truede arter. Jeg jobber også med forskere som er interessert i data om tidspunktet for fukting og tørking av våtmark for å hjelpe til med å modellere sykling av klimagasser som karbon og metan.

Kan du snakke om spesifikke brukere?

“U.S. Fish and Wildlife Service er virkelig interessert i DSWE-datasettet for å forbedre kartleggingsprosessen for våtmark. Vi kan se DSWE-posten for et område som en tidsserie i en animasjon. Dette gjør at de kan tilpasse de individuelle målingene de har gjort i felt med andre bilder i en bredere tidsmessig kontekst og forstå hvor deres målinger faller innenfor den langsiktige oppførselen, i mangel av et bedre ord, i det hydrologiske systemet. I noen tilfeller viser dette at tidsskivet brukt til våtmarksområdet var en relativt tørr periode, noe som førte til en undervurdering av typisk våtmarksområde. DOI (Department of Interior) er interessert i å se på flom på DOI-land. Hva har vært flomgraden i denne nasjonalparken for disse områdene der vi ikke har registreringer? "

Ville det bare være nyttig her i USA?

"Enhver interesse for DSWE i USA er potensielt enda viktigere andre steder, spesielt ettersom andre regioner ikke har det vell av data tilgjengelig i USA. Eksperimentelt er det allerede brukt andre steder på kloden, for eksempel på ting som rask ekspansjon av reservoaret og om damfeil i avsidesliggende regioner kan være en bekymring. ”

Hva gir dette nivå-3-produktet forskernes arbeid?

“Vel, jeg tror for alle at det fjerner mye arbeid. Folk trenger ikke å generere disse dataene selv. Hver bruker jeg allerede har jobbet med, og de fleste potensielle brukerne jeg har diskutert DSWE med, sier noe som: 'Å du, jeg har slitt med å generere overflatevann fra Landsat, og jeg vil bare ha resultatet. Jeg ønsker ikke å måtte gjennomgå alle disse gyrasjonene for å få den slags produksjon. ’Dette er en fordel som er felles for alle Landsat Level-3-produkter. Vi leverer langsiktige vitenskapelige poster som er klare for og muliggjør analyser som ellers ville være veldig vanskelige - spesielt for de som ikke har mulighet til å produsere disse dataene, selv om Landsat-bildedata (Nivå 1 og Nivå 2) er fritt tilgjengelig. ”

Så, hvilket spesifikt arbeid fjerner det?

“Når du arbeider med satellittdata, må du fjerne bildeforvrengninger forårsaket av krumning av jorden og ulendt terreng. Du må dempe effekten av atmosfæren. Du må kompensere for effekten av instrumentets blikkvinkel. Og du må konvertere sensorspesifikke digitale tall til fysiske refleksjonsverdier. Resultatet er Nivå 2-produktet. Men for å gå fra den reflektansverdien til bestemmelsen av hva overflaten er, må du viderebehandle hver piksel på måter som er veldig komplekse. Det er både kunst og vitenskap i den behandlingen. Ved å produsere DWSE gjøres all prosessering for å avgjøre om noe oversvømmes, og om det oversvømmede stedet bare er vann, eller er vann og vegetasjon, eller vann og jord, for brukeren med den beste romlige oppløsningen og tidsmessige frekvensen mulig - med mer enn tre tiår med Landsat-data. Det kan være viktig for mange mennesker, for nå kan folk som ikke er fjernsensorer, men som er hydrologer, biologer, klimatologer og ressursledere, bruke resultatene. "

Tillater DSWE automatisk overvåking av endringer i overflatevannsmengden som ikke var tilgjengelig før?

"Sikker. Absolutt. La oss ta tilfelle av strømningsestimering - det vi kaller "virtuelle målere." Hvis vi kan finne ut algoritmene som tillater oss å beregne utslipp, vil vi kunne estimere strømmen på steder som er vanskelig tilgjengelige. og hvor det er veldig dyrt og farlig å foreta våre konvensjonelle vannmålinger. Så du har gått fra en møysommelig og potensielt farlig og derfor kostbar prosess til en som kan automatiseres. Vi trenger fremdeles konvensjonelle målere for å kalibrere og teste modeller for fjernmåling. Men DSWE hjelper med å estimere flyter mellom stedene der vi har målere, eller der det er vanskelig å gå til å begynne med. Så vi er i stand til å gi større dekning på en ekstremt viktig variabel fra vitenskapelige, ressursstyrings- og sikkerhetsperspektiv enn det som har vært mulig tidligere. Og våtmarksdynamikk er et unikt bidrag fra DSWE. We’re gaining insight regarding the frequency, timing, and length of time that wetlands are inundated (called the hydroperiod) that weren’t apparent on such broad time and space scales without DSWE.”

Have you considered linking MODIS or VIIRS into your work to get near-daily estimates of surface water extent?

“When it comes to water and wetland extent, an awful lot of the users I deal with need higher spatial resolution than what MODIS or VIIRS provides. For example, approximately 80 percent of the streams the USGS monitors are less than 100 meters wide, and you can’t say anything about rivers anywhere close to that size with VIIRS, MODIS, or AVHRR. Detecting the amphibian habitat I mentioned previously can be a real stretch for even Landsat. There’s a lot of wetlands we can monitor very easily with Landsat that are important for amphibians, but there are also a lot that are very, very small. So, users are always interested pushing the limits of what’s possible with Landsat, or even higher spatial resolution commercial imagery. So, while there’s potential to improve temporal resolution with MODIS, my research is now focused on the combination of DSWE with multiple higher spatial resolution optical and RADAR satellites to monitor surface water dynamics with greater temporal frequency.”

Can you envision Level-4 products for surface water extent?

“Yes, I can see that. DSWE is already an input to additional processing that combines other instruments to create higher-level information. Discharge is an example of that. We’re taking satellite-based altimetry, which is yet a different type of measurement entirely, and combining that with the surface area from DSWE to get at discharge. So, to me, something like discharge would be the next level derived from this Level-3 product. Other examples include reservoir storage, wetland hydroperiod, habitat condition, etc. Importantly, we are talking about changes in streamflow, lake storage, hydroperiod, and habitat over time. It is the dynamics of these processes that we need information on. And the systematic collection, production, and open distribution of data like DSWE makes that possible.”


2.3 Training and test sample collection

Due to China's large territory, a large number of training samples are needed to ensure classification accuracy if following the usual sample collection strategy (i.e., uniform sampling). To improve the sample collection efficiency, we designed a new strategy which collected national, regional, and local samples in the cropland area from GlobeLand30. Through reusing the national and regional samples, smaller total sample size was required, and the workload of sampling was minimized effectively. Since different geomorphologic regions have different typical terrace/non-terrace types, we first collected 801 representative (those easy to be visually interpreted) samples as national samples in each geomorphologic region (defined in Cheng et al., 2018) with a large proportion of cropland or typical terrace types (i.e., eastern hilly plains region, southeastern low-middle mountain region, north China and Inner Mongolia eastern-central mountain and plateau region, and southwestern middle and low mountain, plateau, and basin region). These samples were used for training general classification rules and identifying terraces with typical features. To classify terraces with local or confusing features, a total of 3989 local samples were added to each province to the areas with a poor classification visual effect according to the initial classification results. Cropland in some provinces has similar features, such as in Heilongjiang, Inner Mongolia, Liaoning, Jilin, Tibet, and Xinjiang. Since these provinces have a large area, setting regional samples can reduce the workload of sample collection greatly. Therefore, 54 samples in Heilongjiang were taken as regional samples and added to the sample sets of the remaining five provinces, respectively. Finally, each province has 407–609 terrace samples and 394–589 non-terrace samples. All 4790 training samples (2151 terrace samples and 2639 non-terrace samples) were collected by visual interpretation of Landsat images, SRTM DEM data, cropland extent data extracted from GlobeLand30, and Google Earth images.

All test samples were randomly generated in a hexagonal grid (icosahedral Snyder equal area discrete global grid, ISEA DGG) created using the DGGRID software (Sahr, 2019). Based on this strategy, the study area was split into 1460 equal-area regions (Fig. 2). Accurate precision evaluation requires sufficient samples for both terrace and non-terrace however, the randomly generated terrace samples were insufficient due to their small percentage. To increase the number of terrace samples, we took the following strategy. Four samples were first generated randomly in each hexagon of China. Then, 10 random samples were supplemented into each hexagon that contained terrace samples or that surrounded hexagons with terrace samples. Finally, 10 samples were randomly added again to the hexagons with terrace samples. The sample interpretation was based on Google Earth images, Landsat images, and SRTM DEM data. We referred to Zhao et al. (2014) to conduct the interpretation and quality control. The samples were double-checked to ensure reliability. A total of 11 333 collected samples were acquired within the study area, of which 1092 samples were interpreted as terrace and 9783 samples as non-terrace. The remaining 458 samples were uncertain or seriously mixed and were excluded. The terrace test sample is zero in 12 provinces (Beijing, Hainan, Heilongjiang, Hong Kong, Jilin, Jiangsu, Macao, Shanghai, Taiwan, Tianjin, Tibet, and Xinjiang), while the terrace/non-terrace test samples are insufficient ( N < 10 for either terrace or non-terrace) in 14 provinces (Liaoning, Zhejiang, and the above 12 provinces). Thus, terrace area of the 14 provinces was not analyzed in Sect. 3.3, and accuracy of the 12 provinces was not evaluated in Sect. 3.4.3.

Figure 2The spatial distribution of the test samples.


Spatiotemporal changes of glacier and seasonal snow fluctuations over the Namcha Barwa–Gyala Peri massif using object-based classification from Landsat time series

The glacier environment in the Namcha Barwa–Gyala Peri (NBGP) massif is regarded as one of the most sensitive areas to climate change, yet the change estimates remain inadequate due to the limited knowledge of the complex debris-covered glacier environment and the lack of available remote sensing data caused by continuously cloudy weather. To examine the changes of the complex glacial environment, a multiple hierarchical object- and rule-based classification (MHORC) scheme is proposed by combining Landsat time series images and topographic data. Object-based image analysis (OBIA) is introduced due to its capabilities of handling data contextually and hierarchically and using multi-source data jointly so that multiple hierarchical rule-based classification can be developed to distinguish the objects with similar spectrum such as debris-covered glaciers and their surrounding terrain. All the available Landsat images from 1987 to 2019 are filtered by the cloud cover condition (less than 10%) and accordingly used in the MHORC to obtain spatial and temporal information of the glacier and snow over the NBGP massif. The images collected in the snow-free season are used to estimate the glacier extent state and the historical changes, and those in the snow-covered are used to estimate the snow cover fluctuation using harmonic analysis. The results show that the NBGP contains 65 glaciers (≥0.1 km 2 ) with a total area of 462.7 km 2 , among which valley glaciers account for 21.5% in number but cover an area of 354.2 km 2 , more than 76% of the total area. An accelerating reduction trend of the glacier area is confirmed as the area change velocity is −0.62 km 2 yr −1 between 1999 and 2003 and reach −2.95 km 2 yr −1 between 2003 and 2015. The seasonal snow cover area shows a reduction in the secular trend and an increase in fluctuation amplitude. Both glacier and seasonal snow display heterogeneity in the spatial and temporal patterns. Such heterogeneous dynamics might be related to the trade-off between water vapor supply and regional thermal conditions. This MHORC developed in this study demonstrates its effectiveness in delineating the debris-covered glacier environment and the potential of using Landsat time series to track glacial environment evolution. Besides, the analysis of seasonal snow fluctuations provides a novel perspective to re-recognize the glacial environment dynamics, and the knowledge of glacier extent changes and season snow fluctuations over the NBGP massif can improve the understanding of environmental effects from climate change.


How to Remove Topographic Effects Like Shadows from Landsat Image - Geographic Information Systems

Paper Information

Journal Information

American Journal of Geographic Information System

p-ISSN: 2163-1131 e-ISSN: 2163-114X

Land Cover Mapping Using Remote Sensing Data

Jwan Al-doski 1 , Shattri B. Mansor 1 , H'ng Paik San 2 , Zailani Khuzaimah 1

1 Civil Department, Faculty of Engineering, Universiti Putra Malaysia, Serdang, Malaysia

2 Forest Production Department, Faculty of Forestry, Universiti Putra Malaysia, Serdang, Malaysia

Correspondence to: Jwan Al-doski, Civil Department, Faculty of Engineering, Universiti Putra Malaysia, Serdang, Malaysia.

Email:

Copyright © 2020 The Author(s). Published by Scientific & Academic Publishing.

This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/

Land cover is a complex parameter because it represents the relationship between socio-economic activities and regional environmental changes, which is why it is important to review and update it periodically. This paper seeks to navigate via a range of subtopics on Land Cover Mapping (LCM) using Remote Sensing (RS) technology for providing enough information that play a significant and prime role in planning, management and monitoring programmes at local, regional and national levels. The literature review structure is described as give a review of information type and sources with highlights on the strengths and weaknesses of distinct RS information as well as distinct variables extracting from RS information that have been used for LCM. Similarly, the highpoint was done on the LCM techniques which comprise conventional and remote sensed techniques for accurate LCM. For detailed knowledge of the methods, phases, and algorithms of Image classification (IC) for LCM, a brief overview is provided and some issues that influence the efficiency and accuracy of the IC methods were also discussed. From this investigated literature, the most common RS data used for LCM are multispectral, hyperspectral, light detection and ranging (LiDAR), and radio detection and ranging (radar). The choice of appropriate RS data for LCM, however, relies on data accessibility and the particular goal to be obtained and type of classification algorithms. Non-parametric classification algorithms tend to be superior to parametric classification algorithms in LCM using RS data. Nevertheless, the issue which non-parametric algorithms are better than other LCM algorithms was not normally answered. As conclusion, LCM efficiency is influenced by numerous variables like landscape, sampling schedule, training selection techniques and training size, type of non-parametric algorithms, raw data, etc. Thus, these influenced variables need to be addressed before LCM using RS data.

Keywords: Land cover mapping techniques, Image classification process, Remote sensing data


Estimation of fire severity by use of Landsat TM images and its relevance to vegetation and topography in the 2000 Samcheok forest fire

The severity of the 2000 Samcheok forest fire was classified by using Landsat TM images, and the effects of vegetation structures and topographic conditions on fire severity were analyzed. The estimated normalized difference vegetation index differences between the pre and post-fire Landsat TM images were used as the criteria in determining the levels of fire severity–low, moderate, and extreme. According to the results from fire severity estimation, of the 10,600 ha forest stands, 28% was severely damaged by crown fires, 38% was moderately damaged, and the remaining 34% was damaged slightly by surface fires. The overall accuracy of the fire severity classification was 83% (Kappa coefficient = 0.76). The results of χ 2 -tests showed that fire severity differed significantly with the vegetation and topographic conditions as follows. The coniferous stands, compared with the mixed and broad-leaved, were more vulnerable to fire damage the higher the slope of fire sites, the greater the fire damage the south was the most vulnerable aspect fire severity of coniferous forest stands increased with increasing elevation. However, in the study area it was found that fire severity of broad-leaved forest stands were negatively related to the elevation of the corresponding fire sites and affected more by vegetation conditions rather than by topographic conditions.


4 Discussion

In this study, a scheme for simultaneously detecting and removing clouds and shadows was proposed based on the simulated TOA radiance fields. The possible error sources associated with the new scheme could be characterized by the following: (1) During simulation, the established atmosphere profiles, aerosol loadings, and discrete observing geometry were adopted based on the LUT, which probably differ from the real atmospheric state and observing conditions of the target image. For instance, the closest angles of the target image were chosen to perform the TOA radiance simulation. Although it is not a problem for our present case (Figures 9-12 and Table 5), if the atmosphere status, especially the aerosol loadings in the target image greatly differ from that of the reference image, some uncertainties would be introduced in cloud and/or shadow detection and reconstruction. A possible way to further improve the simulation is to include more atmosphere types and aerosol loadings and use denser angle intervals in radiative transfer modeling, or using interpolation techniques. In the current version of the new method, 11 aerosol loadings are provided which can represent most of atmosphere conditions (from a heavy aerosol loading to an extremely clear sky). The 11 aerosol settings provide users more atmosphere options (corresponding to different atmospheric conditions), so that the readers can selected a proper aerosol loading for their study. If the users have some knowledge about the atmospheric status (e.g., aerosol and water vapor) of the images being studied, they can directly select a proper atmospheric condition in the built LUT. For better accuracy, they could use existing remotely sensed, reanalysis or other data sources to get a priori knowledge about the atmospheric conditions (especially the aerosol loadings) of the studied area. Of course, the used atmosphere in simulating the TOA radiance fields is not necessarily the same as the target image (in reality, it is very hard to exactly estimate the specific aerosol status for an image). If the users know little about the aerosol in their images or it is hard for them to collect the priori knowledge, the default aerosol loading with VIS = 30 km could be used as a default setting considering its good performance in our study (Figures 4-12). Under this case, as mentioned above, if the used atmospheric parameters of the reference image have large discrepancy with that of the target image, some uncertainties would be introduced. Of course, the users do not necessarily have to use the LUT built in this study they can also generate their own LUT based on reanalysis data or climatology statistics of aerosol and other atmospheric parameters. In other words, in this paper, we provide not only an operational method but also a scheme (or idea), based on which the readers could develop their own method (2) Uncertainties induced from significant variations of aerosol loading across an image with large area. Under this case, although the proposed method can work, for better accuracy, the big image should be divided into several parts according to the aerosol loadings if the users know about the aerosol status, and the method is then applied separately for each part (3) Regarding the accuracy of the surface reflectance, as can be seen from Figure 1, surface reflectance is an indispensable input for the new method its spatial pattern directly affects the behavior of cloud and shadow detection and image reconstruction. Note that, according to the feature of the new method, it is the spatial distribution pattern of the reflectance that really should be considered but not necessarily the absolute value of the reflectance. In this case study, the MODIS 16-day albedo was used by assuming an isotropic surface, and the results reveal that it is feasible. If more reliable surface reflectance can be made available, we believe the detection and reconstruction accuracy could be even better (4) For image reconstruction, an assumption behind the new scheme is that the radiance ratio of a certain collocated pixel in both the simulated and target images to the corresponding average value of the uncontaminated region (clean pixels) is similar. While in reality, this ratio is affected by variations of atmospheric parameters. Despite the fact that it is a potential error source, it is not a big problem in our present case based on the validation and sensitivity analysis (see Figures 9-12). Considering the fact that any reconstruction approach cannot completely recover all the information in a contaminated image, the newly proposed approach at least shows its advantage over most existing methods in terms of easy operation.

Note that, although only three MODIS cases were shown in this paper, several MODIS scenes with different atmospheric conditions, land covers, aerosol, and water vapor loadings were tested, and the same conclusions are reached. It should be noted that many improvements and examinations about the proposed scheme are still required in the future, including an automation process, optimization of the detecting indicators and channels, comprehensive validation over more land covers and seasons, and comparison with other algorithms and/or cloud products, etc. These are our main research concerns in the near future.


Anerkjennelser

This research was financially supported by ESA through the Alcantara initiative Monitoring and Detection of Landslides from optical Images time series (ESA 15/P26). This work is part of the joint program IRD-INGEMMET. The Pléiades images have been provided by Astrium and the ISIS/CNES program and can be accessed through the Astrium repository (https://www.intelligence-airbusds.com/geostore/). Landsat-8 images courtesy of the U.S. Geological Survey and can be accessed through the EarthExplorer repository (https://earthexplorer.usgs.gov/). The GPS data are provided in the SI. The irrigation flow rates are provided by the autodema repository (https://autodema.gob.pe/).

Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.


Se videoen: QGIS Remote Sensing - False Color Satellite Image (September 2021).