Suite

Extraction de signature spectrale avec landsat 7 et MODIS

Extraction de signature spectrale avec landsat 7 et MODIS


Je travaille sur la différenciation des plants de cacao des autres types de végétation en utilisant 4 époques 1980-2010. Je dois extraire la signature spectrale des plants de cacao et d'autres caractéristiques connues. Je prévois d'utiliser des images Landsat ou MODIS. Comment puis-je le faire en utilisant ArcGIS, Erdas, Envi ou Idrisi ?


Dessinez des polygones avec ArcGIS. Les polygones sont des zones avec un type de végétation spécifique. Vous avez des zones DEPUIS Landsat 7 et MODIS. Vous souhaitez "exporter" la signature spectrale de ces zones. Avec ArcGIS, vous pouvez utiliser des "statistiques zonales sous forme de tableau" pour extraire les valeurs spectrales moyennes pour chaque bande et au sein de votre polygone. Vous pouvez l'exécuter en mode batch (clic droit sur les outils > batch) pour avoir les valeurs liées à chaque bande de chaque satellite.


Laissez vos doigts faire la marche : un modèle de signature spectrale simple pour la prospection de fossiles « à distance »

Même avec la planification la plus méticuleuse et en utilisant les chasseurs de fossiles les plus expérimentés, la prospection de fossiles dans des zones éloignées et/ou étendues peut être longue, coûteuse, difficile sur le plan logistique et souvent aléatoire. Bien que rien ne puisse prédire ou garantir avec une certitude à 100 % que des fossiles seront trouvés dans un endroit particulier, toute procédure ou technique susceptible d'augmenter les chances de succès serait un avantage majeur pour le domaine. Ici, nous décrivons et testons une de ces techniques qui, selon nous, a un grand potentiel pour augmenter la probabilité de trouver des sédiments fossilifères - un modèle de signature spectrale relativement simple utilisant les fonctions d'analyse spatiale et de classification d'images d'ArcGIS(®)10 qui crée un terrain thématique interactif couvrir des cartes qui peuvent être utilisées pour la prospection de fossiles "à distance". Notre cas test concerne les vastes sédiments éocènes du bassin d'Uinta, dans l'Utah - une zone de prospection de fossiles couvrant environ 1 200 kilomètres carrés. À l'aide de l'imagerie satellite Landsat 7 ETM+, nous avons « entraîné » les algorithmes d'analyse spatiale et de classification d'images en utilisant les signatures spectrales de localités fossiles connues découvertes dans le bassin d'Uinta avant 2005, puis avons créé des modèles de probabilité interactifs mettant en évidence d'autres régions du bassin ayant une forte probabilité de contenir des sédiments fossilifères en fonction de leurs signatures spectrales. Une validation "post-hoc" fortuite de notre modèle s'est présentée. Notre modèle a identifié plusieurs « points chauds » paléontologiques, des régions qui, bien que ne produisant aucune localité fossilifère avant 2005, avaient de fortes probabilités d'être fossilifères en raison des similitudes de leurs signatures spectrales avec celles des localités fossiles précédemment connues. Des travaux de terrain ultérieurs ont trouvé des fossiles dans toutes les régions prédites par le modèle.


Jinfei Wang

Boyu Feng et Jinfei Wang. Évaluation des méthodes basées sur la factorisation matricielle non négative pour l'extraction de la surface imperméable à partir de l'imagerie EnMAP simulée. Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2018.

Zhaohua Chen, Jinfei Wang et Xiaodong Huang. Suivi des affaissements de terrain dans la région de Great Vancouver grâce à une synergie de l'INSAR et de l'analyse polarimétrique. Revue canadienne de télédétection. 2018.

Chunhua Liao, Jinfei Wang, Xiaodong Huang et Jiali Shang. Classification des terres cultivées à l'aide de données RADARSAT-2 multitemporelles avec un classificateur de forêts aléatoires dans le sud-ouest de l'Ontario, Canada. Revue canadienne de télédétection. 2018.

Chunhua Liao, Jinfei Wang, Ian Pritchard, Jiangui Liu et Jiali Shang. Un modèle de fusion de données spatio-temporelles pour générer des séries temporelles NDVI dans des régions hétérogènes. Télédétection. 9(11), p. 1125. 2017. DOI : 10.3390/rs9111125.

Chunhua Liao, Jinfei Wang, Jiali Shang, Xiaodong Huang, Jiangui Liu et Ted Huffman. Étude de sensibilité du SAR polarimétrique Radarsat-2 et de la hauteur des cultures et de la couverture végétale fractionnée du maïs et du blé. Revue internationale de télédétection. 39(5), p. 1475-1490.  2017. DOI :  10.1080/01431161.2017.1407046.

Xiaodong Huang, Jinfei Wang, Jiali Shang, Chunhua Liao et Jianqui Liu, Application de la signature de polarisation à l'analyse et à la classification du mécanisme de diffusion de la couverture terrestre à l'aide de l'imagerie polarimétrique RADARSAT-2 multitemporelle en bande C. Télédétection de l'environnement. 193, p. 11-28. 2017.

Qi Jing, Budong Qian, Jiali Shang, Ted Huffman, Jiangui Liu, Elizabeth Pattey, Taifeng Dong, Nicolas Tremblay, Craig F. Drury, Bao-Luo Ma, Guillaume Jego, Xianfeng Jiao, John Kovacs, Dan Walters et Jinfei Wang, Évaluer les options pour améliorer le rendement régional du blé dans l'Est du Canada à l'aide du modèle CSM-CERES-Blé. Revue Agronomique. Vol. 109, n°2, pp. 510-523. Mars 2017.

Zhenpei Li, Jinfei Wang, Robert Brook, Achim Kamelger, Roderick Easton. Promouvoir les exigences en matière de données pour la gestion de l'intégrité des pipelines de pétrole et de gaz à l'aide du modèle de données de pipeline. Magazine Européen Pétrole Gaz.㺪(2), p. 86-90.�.

Zhenpei Li, Jinfei Wang, Robert Brook, Penghui Ren. Le modèle de données de pipeline 3D indépendant améliore l'intégration, Oil & Gas Journal. Août 2016.

Quan, Jinling, Wenfeng Zhan, Yunhao Chen, Mengjie Wang et Jinfei Wang. Décomposition en séries chronologiques de la température de surface terrestre par télédétection et étude des tendances et des variations saisonnières des îlots de chaleur urbains de surface.   Journal of Geophysical Research : Atmosphères. 2016.

Dong, Taifeng, Jiangui Liu, Budong Qian, Ting Zhao, Qi Jing, Xiaoyuan Geng, Jinfei Wang, Ted Huffman et Jiali Shang. Estimation de la biomasse du blé d'hiver par assimilation de l'indice de surface foliaire dérivé de la fusion des données Landsat-8 et MODIS.   Journal international d'observation appliquée de la Terre et de géoinformation.   49, p. 63-74. juillet 2016.

Xiaodong Huang, Jinfei Wang et Jiali Shang. Une décomposition adaptative basée sur un modèle à deux composantes sur l'estimation de l'humidité du sol pour l'imagerie RADARSAT-2 en bande C sur des champs de blé aux premiers stades de croissance. Lettres IEEE Géosciences et Télédétection. 13(3), p. 414-418. Mars 2016.

Xiaodong Huang, Jinfei Wang et Jiali Shang. Un schéma intégré d'inversion des paramètres de surface sur des champs agricoles aux premiers stades de croissance au moyen d'images polarimétriques RADARSAT-2 en bande C. Transactions IEEE sur les géosciences et la télédétection. 54(5), p. 2510-2528. Mai 2016.

Chuiqing Zeng, Stephen Bird, James J. Luce et Jinfei Wang. Une méthode de connexion basée sur des règles naturelles (NRBC) pour l'extraction de réseaux fluviaux à partir d'images haute résolution. Télédétection. Vol.7, 14055-14078. Octobre 2015. DOI : 10.3390/rs71014055.

Xiaodong Huang, Jinfei Wang et Jiali Shang. Modèle simplifié de diffusion volumique adaptative et analyse de la diffusion des cultures sur les champs agricoles à l'aide de l'imagerie radar polarimétrique à ouverture synthétique RADARSAT-2. Journal de télédétection appliquée. Vol. 9, n°1. Juillet 2015. 096026. DOI : 10.1117/1.JRS.9.096026.

Jiali Shang, Jiangui Liu, Ted Huffman, Budong Qian, Elizabeth Pattey, Jinfei Wang, Ting Zhao, Xiaoyan Geng, David Kroetsch, Taifeng Dong et Nick Lantz. Estimation de l'indice de surface végétale pour le suivi de la dynamique de croissance des cultures à l'aide d'images Landsat-8 et RapidEye. Journal de télédétection appliquée. Vol. 8, n°1. Novembre 2014. 085196. DOI : 㺊.1117/1.JRS.8.085196.

Jinling Quan, Yunhao Chen, Wenfeng Zhan, Jinfei Wang, James Voogt, Jing Li. Une méthode hybride combinant des informations de voisinage à partir de données satellitaires avec des cycles de température diurnes modélisés sur des jours consécutifs. Télédétection de l'environnement. Vol. 155, pp. 257-274. Décembre 2014.

Jun Zhang, Peijun Li et Jinfei Wang. Extraction d'agglomérations urbaines à partir d'images Landsat TM/ETM+ à l'aide d'informations spectrales et de textures multivariées. Télédétection. Vol. 6, pages 7339-7359. Août 2014. DOI : 10.3390/rs6087339.

Wei Ye, Hanping Hong et Jinfei Wang. Comparaison des méthodes d'interpolation spatiale pour les vitesses de vent extrêmes au Canada. Journal de l'informatique en génie civil. Août 2014. DOI : 10.1061/(ASCE)CP.1943-5487.0000429). 04014095. 

Chuiqing Zeng et Jinfei Wang, Wenfeng Zhan, Peijun Shi et Autumn Gambles. Un modèle de différence d'élévation pour l'extraction de hauteur de bâtiment à partir d'un DSM dérivé d'images stéréo. Revue internationale de télédétection. Vol. 35, n°22, pp. 7614-7630. novembre 2014.

Cheng Qiao, Jinfei Wang, Jiali Shang et Bahram Daneshfar. Classification assistée par relation spatiale à partir d'images de télédétection haute résolution. Revue internationale de la Terre numérique. Publié en ligne,ف-17. Juin 2014. DOI : 10.1080/17538947.2014.925517).

Jinling Quan, Yunhao Chen, Wenfeng Zhan, Jinfei Wang, James Voogt, Mengjie Wang. Trajectoire multi-temporelle du centroïde de l'îlot de chaleur urbain à Pékin, en Chine, basée sur un modèle de volume gaussien. Télédétection de l'environnement. Vol. 149, n° 6. pp. 33-46, juin 2014.

Chuiqing Zeng, Ting Zhao et Jinfei Wang. Une méthode d'évaluation multicritères pour la reconstruction de bâtiments en 3D. Lettres IEEE Geoscience et Remote Sensign. Vol. 11, n° 9. pp. 1619-1623, septembre 2014.

Ting Zhao et Jinfei Wang. Utilisation du NDTI et de l'intensité dérivés du LiDAR pour l'extraction orientée objet basée sur des règles des empreintes de bâtiment. Revue internationale de télédétection. Vol.35, numéro 2. pp. 578-597. Janvier 2014.

Zhou, J., Chen, Y., Wang, J., Wang, Y. et Zhan, W. (soumis) Modélisation des variations diurnes des îlots de chaleur urbains de surface (UHI) avec des données satellitaires multi-sources. Journal canadien de télédétection.

Chuiqing Zeng, Jinfei Wang et Peijun Shi. Une méthode de correspondance d'images stéréo assistée par des empreintes de bâtiment pour améliorer la qualité DSM sur les bâtiments. Revue canadienne de télédétection. Vol.39, n°4. p. 308-317. Octobre 2013.

Nicholas J. Lantz et Jinfei Wang. Classification basée sur des objets de l'imagerie Worldview-2 pour la cartographie du roseau commun envahissant, Phragmites australis. Revue canadienne de télédétection. Vol. 39, n° 4. pp. 328-340. Novembre 2013.

Wenfeng Zhan, Yunhao Chen, Ji Zhou, Jinfei Wang, Wenyu Liu, James Voogt, Xiaolin Zhu, Jinling Quan, Jing Li. Désagrégation de la température de surface terrestre par télédétection : étude de la littérature, taxonomie, problèmes et canveats. Télédétection de l'environnement. Vol. 131. p. 119-139. Avril 2013.

Yi Ge, Wen Dou, Zhihui Gu, Xin Qian, Jinfei Wang, Wei Xu, Peijun Shi, Xiaodong Ming, Xin Zhou et Yuan Chen. Évaluation de la vulnérabilité sociale aux risques naturels dans le delta du fleuve Yangtze, Chine. Recherche environnementale stochastique et évaluation des risques. Vol. 27, numéro 8. pp. 1899-1908. 2013.

P. Wang, Q. Ma, J. Wang, W. Hong, Y. Li et Z. Chen. Une méthode améliorée de correction radiométrique du terrain SAR et son application dans la réduction polarimétrique de l'effet de terrain SAR. Progrès de la recherche en électromagnétisme B. Vol. 54. p. 107-128. 2013.

Chuiqing Zeng, Jinfei Wang et Brad Lehrbass. Un système d'évaluation pour l'extraction d'empreintes de bâtiments à partir de données de télédétection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. Vol. 6, n° 3. p. 1640-1652. 2013.

Chapitres de livres

Chen, Z. et Wang, J. 2010 'Remote Sensing Monitoring of Land Use and Land Cover Change Along Yangtze River, China' in Dynamique du bassin fluvial ed D. Higgitt et X. Lu.


USDA National Agricultural Statistics Service Couche de données sur les terres cultivées

La couche de données sur les terres cultivées (CDL) est un produit du National Agricultural Statistics Service (NASS) de l'USDA dont la mission est de « fournir des statistiques opportunes, précises et utiles au service de l'agriculture américaine » (Johnson et Mueller, 2010, p. 1204). Le CDL est un produit de classification de la couverture végétale spécifique à plus de 100 catégories de cultures cultivées aux États-Unis. Les CDL sont dérivés à l'aide d'une classification supervisée de l'occupation du sol par imagerie satellitaire. La classification supervisée repose d'abord sur l'identification manuelle des pixels au sein de certaines images, souvent appelées sites d'entraînement, qui représentent le même type de culture ou d'occupation du sol. À l'aide de ces sites d'entraînement, une signature spectrale est développée pour chaque type de culture qui est ensuite utilisée par le logiciel d'analyse pour identifier tous les autres pixels de l'image satellite représentant la même culture. En utilisant cette méthode, un nouveau CDL est compilé chaque année et rendu public quelques mois après la fin de la saison de croissance via le portail de données en ligne CropScape.

Auteurs: Larisa Serbina et Holly Miller

La couche de données sur les terres cultivées (CDL) est un produit du National Agricultural Statistics Service (NASS) de l'USDA dont la mission est de « fournir des statistiques opportunes, précises et utiles au service de l'agriculture américaine » (Johnson et Mueller, 2010, p. 1204). Le CDL est un produit de classification de la couverture végétale spécifique à plus de 100 catégories de cultures cultivées aux États-Unis. Les CDL sont dérivés à l'aide d'une classification supervisée de l'occupation du sol par imagerie satellitaire. La classification supervisée repose d'abord sur l'identification manuelle des pixels au sein de certaines images, souvent appelées sites d'entraînement, qui représentent le même type de culture ou d'occupation du sol. À l'aide de ces sites d'entraînement, une signature spectrale est développée pour chaque type de culture qui est ensuite utilisée par le logiciel d'analyse pour identifier tous les autres pixels de l'image satellite représentant la même culture. En utilisant cette méthode, un nouveau CDL est compilé chaque année et rendu public quelques mois après la fin de la saison de croissance via le portail de données en ligne CropScape (fig. 1).

Le premier CDL a été produit en 1997 à l'aide des données de Landsat 5 et couvrait trois États : l'Arkansas, le Dakota du Nord et le Dakota du Sud. Depuis lors, le programme s'est étendu pour inclure la couverture de satellites supplémentaires ainsi que la classification d'états supplémentaires. En 2008, le CDL annuel couvrait l'ensemble de la zone continentale des États-Unis et était publié à une résolution de 56 m. De plus, plusieurs estimations de superficie CDL en temps réel étaient produites pendant la saison de croissance pour le blé d'hiver, le maïs et le soja. Au cours de la durée de vie du CDL, le programme a jusqu'à présent utilisé un certain nombre de satellites d'observation de la Terre, notamment Landsat 4/5/7, le satellite IRS-P6 Resourcesat-1, MODIS, les satellites DMC Deimos-1 et UK-DMC 2, et à partir de 2013, Landsat 8.

Jusqu'en 2006, les CDL s'appuyaient principalement sur les données Landsat (5 et 7). Un Landsat 5 vieillissant, l'erreur du correcteur de ligne de balayage (SLC-off) sur Landsat 7 et l'incertitude concernant le lancement futur de Landsat 8, ont forcé le NASS à commencer à explorer des satellites alternatifs pour combler le manque de données en attente. Le satellite de l'Organisation indienne de recherche spatiale Resourcesat-1, lancé en 2003 avec le capteur AWiFS, a été sélectionné comme l'alternative la plus viable. Les bandes du capteur AWiFS ont été choisies pour correspondre étroitement à celles du Landsat 7 Enhanced Thematic Mapper Plus (ETM+). AWiFS avait une résolution légèrement inférieure (56 mètres) que Landsat Thematic Mapper (TM) et ETM+ (30 mètres), mais un temps de revisite accru de 5 jours, ce qui était bénéfique compte tenu de la nature dynamique des cultures. Entre 2007 et 2009, AWiFS a fourni la majorité des images pour les CDL. La résolution de 56 mètres d'AWiFS, bien qu'adéquate pour cartographier des cultures homogènes telles que le soja et le maïs, avait une faible précision pour les cultures plus petites et moins homogènes. À partir de 2010, les CDL ont été publiés à une résolution mise à jour de 30 m et utilisaient une combinaison de Landsat TM/ETM+ et d'AWiFS (rééchantillonné à 30 mètres à l'aide de Landsat). Le CDL le plus récent pour 2013 a été publié en janvier 2014 et repose principalement sur les images Landsat 8 et DMC.

Le développement original du CDL a été largement rendu possible grâce à la disponibilité croissante d'images de type Landsat à faible coût et gratuites à moyenne résolution (Johnson et Mueller, 2010). L'avenir du programme CDL est étroitement lié à la disponibilité continue d'images multispectrales à résolution moyenne qui sont collectées à une fréquence temporelle suffisante pour la prévision des récoltes. Le NASS utilise les CDL comme composant principal de la recherche sur la modélisation du rendement des cultures et pour le développement d'estimations de la superficie cultivée en temps réel pendant la saison de croissance. Des rapports mensuels d'estimations de superficie sont produits pour juin, août, deux fois en septembre et octobre à l'aide des données Landsat et DMC (Rick Mueller, USDA NASS, communication orale et communication écrite, 2014). Bien que le CDL final ne soit publié qu'en janvier de l'année suivante, les estimations mensuelles de saison servent de source principale pour les chiffres de la production nationale dans le rapport World Agricultural Supply and Demand Estimates (WASDE). En dehors du NASS, les CDL ont connu une croissance des applications de recherche et de gestion, notamment la rotation des cultures, le changement d'utilisation des terres, les estimations de rendement, l'utilisation de l'eau et les impacts des catastrophes naturelles (Mueller et Harris, 2013 Boryan et Yang, 2013).

Avantages et défis de l'utilisation de l'imagerie Landsat

Pour le NASS, l'utilisation d'images Landsat pour créer des CDL fournit une évaluation objective et impartiale de la production agricole au niveau de l'exploitation. La stabilité connue de la résolution spectrale et spatiale des satellites Landsat ainsi que le niveau élevé d'orthorectification des données d'image et de correction radiométrique ont contribué à faire de Landsat une référence parmi les satellites d'observation de la Terre. La résolution de trente mètres d'image-pixel des données multispectrales collectées par Landsat depuis 1982 est devenue une norme pour la classification de la couverture terrestre, permettant un haut niveau de précision de classification tout en équilibrant les réalités de traitement de la classification des images à l'échelle nationale (Johnson et Mueller , 2010). En termes pratiques, la disponibilité de données Landsat collectées de manière cohérente (sur plusieurs satellites/années), corrigées avec précision et, à partir de 2008, disponibles gratuitement, les données Landsat constituent un avantage important pour les agences qui restent principalement de nature opérationnelle avec un temps et un budget limités pour l'achat de satellites. images provenant de sources commerciales (Curt Reynolds, USDA FAS, communication écrite et communication orale, 2014).

Le récent lancement de Landsat 8 en 2013 a permis d'assurer la continuité de la mission Landsat. Cependant, entre 2003 et 2013, les principaux défis auxquels sont confrontées des agences comme l'USDA étaient l'incertitude dans les perspectives à long terme du programme Landsat et le manque de données en attente en raison d'un problème de vieillissement de Landsat 5 et de SLC-off avec Landsat 7 (Johnson et Mueller , 2010). Bien que Landsat 8 soit devenu pleinement opérationnel en 2013, d'autres défis liés au suivi agricole demeurent, tels que la fréquence de répétition de 8 jours, qui n'est parfois pas suffisante pour obtenir des images suffisamment claires pendant la saison de croissance dans certaines zones.

Boryan, C. et Yang, Z., 2013, Dérivation d'ensembles de données de covariables spécifiques aux cultures à partir des couches de données géospatiales pluriannuelles des terres cultivées du NASS dans Symposium sur les géosciences et la télédétection (IGARSS), 2013 IEEE International : Melbourne, Australie, Institute of Electrical and Electronics Engineers, p. 4225-4228, http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6723766. doi:10.1109/IGARSS.2013.6723766.

Johnson, D., et Mueller, R., 2010, The 2009 Cropland Data Layer: Photogrammetric Engineering & Remote Sensing, v. 76, no. 11, p. 1201.


Cartographie de l'indice de surface foliaire à l'aide d'informations spatiales, spectrales et temporelles provenant de plusieurs capteurs

L'indice de surface foliaire (LAI) est l'un des paramètres biophysiques les plus importants pour la modélisation des processus écosystémiques tels que les flux de carbone et d'eau. La télédétection fournit la seule option possible pour cartographier l'IAL en continu sur les paysages, mais les méthodologies existantes ont des limites importantes. Il existe un compromis entre les résolutions spatiales et temporelles inhérentes aux images de télédétection, c'est-à-dire que les images à haute résolution spatiale ne peuvent être collectées que rarement, alors que les images avec une résolution temporelle fine ont nécessairement une résolution spatiale plus grossière. Les produits LAI créés à l'aide d'un seul capteur héritent des caractéristiques spatiales et temporelles de ce capteur. De plus, la majorité des algorithmes développés dans la littérature utilisent uniquement des informations spectrales, qui souffrent de la sérieuse limitation de la saturation du signal à un LAI modérément élevé. Nous avons développé une nouvelle approche pour cartographier le LAI efficace (Le) en utilisant les informations spectrales de Landsat, les informations spatiales d'IKONOS et les informations temporelles de MODIS, qui surmontent ces limitations. L'approche est basée sur un modèle empirique développé entre Le mesurées au sol et des informations spectrales et spatiales issues d'images de télédétection pour cartographier les maxima et minima annuels Le. Un modèle phénologique a été ajusté à une série chronologique d'indices de végétation MODIS qui a été utilisée pour modéliser la trajectoire entre le minimum et le maximum annuels. Le. Cette approche a permis de générer des cartes de Le à la résolution spatiale Landsat avec une résolution temporelle quotidienne. Nous avons testé l'approche dans le piémont de Caroline du Nord et généré des cartes quotidiennes de Le pour une zone de 100 km 2 . Modélisé Le se comparaient bien avec les séries chronologiques d'estimations de LAI de deux sites AmeriFlux dans la zone d'étude. Une comparaison du produit MODIS LAI avec une moyenne spatiale Le les estimations de notre modèle ont montré un accord général dans les zones boisées, mais de grandes différences dans les zones développées. Ce modèle tire parti des informations multidimensionnelles disponibles à partir de plusieurs capteurs distants et offre des améliorations significatives pour la cartographie de l'indice de surface foliaire, en particulier pour les zones forestières où les indices spectraux ont tendance à saturer.

Points forts

► La fusion multicapteurs est utilisée pour cartographier le LAI avec une haute résolution spatiale et temporelle. ► Les informations spatiales, spectrales et temporelles sont utilisées depuis Ikonos, Landsat et MODIS. ► La texture de l'image améliore l'estimation du LAI et résout le problème de saturation du SVI. ► Les modèles LAI modélisés se comparent bien aux estimations indépendantes d'AMeriFlux et de MODIS.


Abstrait

La planification et le développement formels de ce qui est devenu le premier satellite Landsat ont commencé il y a plus de 50 ans en 1967. Maintenant, après avoir collecté des données d'observation de la Terre pendant plus de quatre décennies depuis le lancement de Landsat-1 en 1972, le programme Landsat est de plus en plus complexe et dynamique. Les éléments programmatiques critiques assurent la continuité des mesures de haute qualité pour les enquêtes scientifiques et opérationnelles, y compris les systèmes au sol, la planification des acquisitions, l'archivage et la gestion des données, et la fourniture de produits de données prêts pour l'analyse. L'accès gratuit et ouvert aux archives et aux nouvelles images a donné lieu à une myriade d'applications innovantes et de nouvelles connaissances scientifiques. La planification de futurs satellites compatibles de la série Landsat, qui maintiennent la continuité tout en intégrant les avancées technologiques, a entraîné une utilisation opérationnelle accrue des données Landsat. Les gouvernements et les agences internationales, entre autres, peuvent désormais intégrer une attente de données Landsat dans un flux de données opérationnelles donné. Les programmes et conventions internationaux (par exemple, la surveillance de la déforestation, l'atténuation du changement climatique) sont renforcés par l'accès à des données systématiquement collectées et calibrées avec une continuité future attendue, contribuant davantage à l'enregistrement multidécennal existant. L'étendue et la profondeur accrues de la science et des applications Landsat se sont accélérées après le lancement de Landsat-8, avec des améliorations significatives de la qualité des données.

Nous décrivons ici les développements programmatiques et le contexte institutionnel du programme Landsat et la capacité unique de Landsat à répondre aux besoins des programmes nationaux et internationaux. Nous présentons ensuite les principales tendances de la science Landsat qui sous-tendent de nombreux développements scientifiques et d'applications récents et le suivi avec des résumés thématiques plus détaillés. Le contexte historique offert par l'imagerie d'archives combinée à de nouvelles images permet le développement d'algorithmes de séries chronologiques qui peuvent produire des informations sur les tendances et la dynamique. Landsat-8 a figuré en bonne place dans ces développements récents, tout comme l'amélioration de la compréhension et de l'étalonnage des données historiques. Suite à la communication de l'état de la science Landsat, des perspectives pour les lancements futurs et les développements programmatiques envisagés sont présentées. Des liens accrus entre les programmes satellitaires sont également rendus possibles grâce à l'attente d'une future continuité de mission, comme le développement d'une constellation virtuelle avec Sentinel-2. Les développements scientifiques et d'applications réussis créent une boucle de rétroaction positive, justifiant et encourageant le soutien programmatique actuel et futur de Landsat.


4. Discussion

4.1 Performances du masque de nuage

Les algorithmes de masquage des nuages ​​fonctionnent moins bien sur les zones enneigées que sur d'autres surfaces terrestres, car les mesures du capteur multispectral peuvent contenir des spectres de neige indiscernables des nuages ​​et des spectres de nuages ​​indiscernables de la neige. Une amélioration significative de nos capacités à distinguer les nuages ​​de la neige doit utiliser des informations supplémentaires au-delà des caractéristiques spectrales par pixel.

Le tableau 4 présente les résultats d'études de masquage de nuages ​​antérieures à des fins de comparaison avec les mesures de performance MOD09GA et CFMask de cette étude. Les performances de CFMask sont inférieures sur les régions montagneuses enneigées par rapport aux précédentes évaluations mondiales du masquage des nuages ​​Landsat 8. Le rappel et la précision de CFMask au-dessus des montagnes sont inférieurs aux évaluations d'erreur antérieures dans les régions polaires de CFMask, le meilleur masque de nuage dans ces régions testé par Foga et al. (2017). Le masque de nuage MOD09GA a des métriques de performances inférieures par rapport aux résultats CFMask des mêmes scènes et à toutes les études antérieures qui ont évalué les performances du masque de nuage Landsat 8. Les scènes MODIS et Landsat présentent toutes deux une répartition des performances basée sur la composition locale de chaque scène. Par conséquent, selon les spectres du nuage et de la neige dans la scène, les performances peuvent varier d'excellentes à inacceptables.

Masque Nuage Précision Rappeler
Masque nuage MOD09GA dans les montagnes enneigées (cette étude) 0.166 0.723
CFMask pour les nuages ​​dans les montagnes enneigées (cette étude) 0.695 0.857
CFMask pour la neige et la glace (Foga et al., 2017 , Tableau 7) 0.757 0.866
Évaluation globale CFMask (Foga et al., 2017 , Tableau 5) 0.880 0.973
Échantillon global Fmask (Hughes & Hayes, 2014) 0.740 0.986
ACCA « meilleur masque de nuage sur neige/glace » (Foga et al., 2017 , Tableau 7) 0.706 0.993

Les mesures de performance de CFMask pour classer les pixels de ciel clair sans neige ont dépassé 95 %. Une faible couverture de neige fractionnée conduit à des pixels de neige SWIR brillants et peut être difficile à détecter par un analyste humain, et les pixels de masque de nuage faussement positifs de CFMask qui ont été regroupés autour des bords de la neige suggèrent que beaucoup de ces pixels contenaient de la neige fractionnée manquée par les analystes. Les utilisateurs doivent être à l'aise avec CFMask pour identifier les pixels sans neige de ciel clair dans des scènes de montagne, à moins que la région d'intérêt ne soit la limite autour d'un manteau neigeux.

Le masque de nuage MODIS MOD09GA a des performances pires que CFMask avec une faible précision et un rappel modéré. Un facteur plausible pour les pires performances peut avoir été la manière dont le masque de référence OLI, que nous avons réduit à la résolution MODIS en utilisant la réduction de la pyramide gaussienne (Burt & Adelson, 1983), a été utilisé pour attribuer une seule classe de référence à chaque pixel MODIS. Nous avons testé des seuils de couverture de masque de référence OLI de 10 % et 100 % pour le classement des pixels MODIS. Cette variabilité a eu un impact modéré sur la précision (0,223 et 0,0917) et un impact minimal sur le rappel (0,699 et 0,72).

L'algorithme MOD09GA classe à tort de nombreux pixels de neige dans chaque scène en tant que nuage, et de nombreux pixels de nuage sont manqués et peuvent être confondus avec de la neige. Cette classification erronée généralisée présente un défi pour l'extraction des données de neige à partir des images MODIS. La classification erronée de la neige en tant que nuage et vice versa ajoute un biais aux modèles de fonte des neiges (Andreadis & Lettenmaier, 2006 ) et aux estimations de l'équivalent en eau de la neige (Rittger et al., 2016 ) qui assimilent les données de MODIS. L'amélioration des masques de nuages ​​sur la neige pourrait améliorer ces modèles.

L'une des raisons de la baisse des performances par rapport au produit Landsat 8 est que le masque de nuage de 500 m doit classer plus de pixels mixtes que le masque de nuage de 30 m de Landsat 8. L'échelle spatiale des pixels MODIS crée des problèmes de mélange spectral pour plus de pixels. Soixante pour cent des pixels MODIS pour lesquels le Landsat CFMask a correctement classé les nuages ​​et la neige avaient des fractions de couverture de neige ou de nuages ​​inférieures à 100 %. Le taux de faux positifs du masque de nuage MOD09GA est également significativement plus élevé que celui de CFMask. De nombreux pixels de ciel clair et de sol nu ont été inclus dans le masque de nuage MOD09GA. Ainsi, bien que les pixels restants puissent être nus, de nombreux pixels utilisables de réflectance de surface sont masqués par erreur en tant que nuage, un problème qui n'a pas été observé dans l'imagerie Landsat 8. Les utilisateurs ne peuvent pas supposer que les pixels MODIS sont soit entièrement sans nuages, soit entièrement couverts de nuages ​​dans les images au-dessus des montagnes. Le problème des pixels mixtes pour la classification des nuages ​​à une résolution de 500 m est fondamentalement différent de celui à 30 m pour Landsat, car les pixels de nuages ​​mixtes sont rares à la plus petite échelle spatiale de Landsat. Ces pixels mixtes plus grands dans MODIS réduisent la netteté des différences spectrales entre les extrémités pures de la neige, des nuages ​​et d'autres surfaces.

Nous n'avons pas analysé directement les capacités de masquage de neige du masque de nuage MOD9GA, car les bandes MODIS QA pour la détection de neige ne confirment pas la neige ou la glace, mais signalent simplement le chemin de traitement de l'algorithme de masque de nuage pour ce pixel. Le masque à neige MODIS Collection 6 est un produit de données auxiliaires sans rapport avec le masque de nuage. Le masquage de neige existant pour MODIS repose sur le masque de nuage pour identifier les pixels de nuage, et les mauvais résultats du masque de nuage MOD09GA montrent que toute analyse de la neige qui supprime les pixels signalés comme des nuages ​​éliminera probablement les pixels couverts de neige valides.

Le code de masquage de neige dans CFMask est basé sur les seuils NDSI et bande 9 cirrus. De plus, le masque est conservateur vis-à-vis des nuages ​​s'il y a une ambiguïté dans la logique de l'algorithme, il classe le pixel comme nuage au lieu de neige. De nombreux pixels de neige faussement positifs classés comme nuages ​​sont des valeurs aberrantes de la bibliothèque de spectres de neige, mais bon nombre de ces pixels se situent autour de la ligne de neige. Au fur et à mesure que la neige fond et disparaît, la fraction de surface couverte de neige des pixels diminue et les pixels passent de l'intérieur du manteau neigeux à la limite. Il est important de les classer comme neige pour modéliser l'équivalent en eau de la neige et le ruissellement de la fonte des neiges.

4.2 Aperçu de la bibliothèque spectrale

Ce projet a bénéficié d'un vaste ensemble de données de référence comprenant une classe de neige distincte des autres surfaces terrestres pour tester les performances du masque de nuage. Les masques de neige et de nuages ​​classés manuellement nous ont permis de construire une bibliothèque spectrale pour explorer si la neige et les nuages ​​peuvent avoir des signatures spectrales similaires. Notre bibliothèque spectrale ne représente pas nécessairement la fréquence et la gamme des spectres de nuages ​​et de neige possibles rencontrés dans l'imagerie de télédétection, mais les statistiques scène par scène et la bibliothèque de spectres de toutes les scènes ensemble mettent en évidence la probabilité de spectres de neige et de nuages ​​aveugles dans un scène.

L'idée que la réflectance spectrale de 35 % des pixels des nuages ​​dans l'étude ressemble à la réflectance spectrale de la neige dans les bandes SWIR confirme que, même si la plupart de la neige et des nuages ​​sont spectralement distincts, le problème de l'indiscrimination spectrale n'est pas un problème marginal. le k-l'analyse des moyennes compare la similarité entre les deux classes sur la base d'une technique de classification qui repose exclusivement sur un calcul de similarité spectrale. Les fractions de pixels dans la bibliothèque spectrale qui présentent de fortes similitudes avec les caractéristiques spectrales générales de la classe opposée sont trop grandes pour être attribuées au hasard ou à une erreur aléatoire. Dans les situations où les réflectances dans les bandes SWIR sont similaires pour la neige et les nuages, la discrimination entre elles devient difficile.

Spectra from pixels with large fractions of subpixel soil can resemble spectra of thin clouds, with the mixed pixels showing elevated SWIR reflectance compared to the snow within the mixture. Further anecdotal evidence lies in the band of misclassified clouds around the edges of the snowpack in some Landsat 8 images. The same pattern is observed in the MODIS data, where at 500 m many more of the snow pixels are mixtures, increasing the misclassification rate compared to Landsat. In addition to snow with elevated SWIR reflectance, clouds with low reflectance in SWIR bands are common and their NDSI values resemble those for snow. Reflectance in Landsat OLI band 9 or MODIS band 26 of snow at altitude will often have values like those of cirrus clouds.

4.3 Ideas for Improving Cloud Masks in Imagery From Multispectral Sensors

Resolving these types of discrimination issues requires new approaches to cloud masking that account for local viewing conditions, textural features, and persistence. This error analysis and spectral investigation helps formulate ideas for future improvements in cloud masking over snow-covered terrain. For snow-cloud discrimination in a single Landsat 8 or MODIS image, textural features might be used our data set provides information to develop such approaches. Mountainous terrain itself provides spatial patterns in imagery, so one potential approach is to see whether those patterns cannot be recognized in an image because of obscuration by clouds.

The twice daily MODIS daytime acquisitions allow cloud discrimination by examining the time series, applying various filters, and interpolating to fill the gaps caused by obscuring clouds (Gafurov & Bárdossy, 2009 Helfrich et al., 2007 Tran et al., 2019 ). Sentinel 2a&b along with Landsat 8 provide coverage at repeat intervals of 4 days. Their coincident overpass times with MODIS Terra could offer additional validation data for MODIS and perhaps a source of training data for machine learning approaches to cloud masking with MODIS. Detection of cloud movement would be especially useful with data from geostationary satellites. The improved capabilities of the generation of GOES-16/17 (U.S.), Himawari-8/9 (Japan), and FengYun-4 (China) satellites show promise for leveraging the spectral capabilities of MODIS and its successors with the high temporal frequency of geostationary satellites to mask clouds over snow.

Going forward, a reliable cloud mask is necessary to create the best snow mask. By including currently missed clouds in a cloud mask and excluding the misclassified snow, existing snow-mapping techniques that are reliably used under clear-sky conditions could be extended with similar performance to cloudy scenes.

4.4 The Case for Imaging Spectroscopy

Among the five observations in the “designated” (high priority) class recommended by the National Academies of Science, Engineering, and Medicine for future space missions is imaging spectrometry in the visible and shortwave infrared and multispectral imagery in the thermal infrared (National Academies of Sciences, Engineering, & Medicine, 2018 ). As Figures 4-6 show, existing multispectral sensors sometimes have similar spectral signatures for snow and clouds. Measurements of spectral reflectance across the solar spectrum from 400 to 2,500 nm at 5- to 10-nm resolution would enable unambiguous discrimination with reliable estimates of soil or vegetative background reflectance, the sizes of the scattering ice crystals or water droplets, fractional snow cover, thickness of clouds, and degradation of snow albedo by dust or soot.


Introduction

Soil salinization is the salts accumulation process in the subsurface that destroys soil composition and water quality, reduces agricultural productivity, and negatively influences economic growth [1]. As one of the most serious land degradation forms, salinization occurs in arid and semiarid zones, where evaporation exceeds precipitation [2]. The Food and Agriculture Organization (FAO) [3] estimated the salt-affected surface area to be 831 million ha in total, including 434 million ha of sodic soils and 397 million ha of saline soils. In Hungary, salinity and sodicity affect one-third of the Great Hungarian Plain soils, and the potential salt-affected soils (SAS) cover one-third of the territory [4]. Drought, climate change, low water resources, and land-use changes can aggravate salinity conditions [5]. Therefore, authorities tend to adopt monitoring strategies to control this process continuously. Control and prevention approaches on the regional scale are time-consuming and require various resources. As a result, the geographic information systems (GIS) and remote sensing techniques opened the window for technology to replace or assist conventional methods. They established easier, less time-consuming, and inexpensive techniques to assess and predict environmental processes such as salinization. Using spectral response extracted directly from sensors or after the application of spectral transformations, i.e., principal component analysis (PCA) [6, 7], tasseled cap transformation [8], and spectral indices [9, 10], have given promising results in terms of prediction accuracy. Many scholars emphasize the importance of spectral signature in remote sensing studies as a core concept in this field [11,12,13,14]. Digital soil mapping has been the focus of several research projects operated with different types of remotely sensed data, using statistical or geostatistical methods. El Hafyani et al. [15] demonstrated Landsat 8 OLI image's efficacity to model soil salinity in Morocco's Tafilalet plain. The results yielded a coefficient of determination R 2 ranges from 0.53 to 0.75, and a root-mean-square error (RMSE) ranges from 0.62 to 0.80 dS/m. Hihi et al. [16] found a medium correlation (R 2 = 0.48) between electrical conductivity (EC) and spectral indices derived from a Sentinel 2 MSI image using a simple linear regression model. In Uzbekistan, using variance analysis, Ivushkin et al. [17] found a significant correlation between soil salinity and canopy temperature derived from the moderate resolution imaging spectroradiometer (MODIS) data. The Gaussian processes method applied on SAR Sentinel-1 data and advanced machine learning algorithms produced a highly accurate model that explains the relationship between remotely sensed data and EC, with a coefficient of determination R 2 equal to 0.808 [18]. Taghadosi et al. [19] revealed the efficiency of intensity images derived from VV and VH polarization of SAR Sentinel-1 imagery in the discrimination of saline soils. The support vector regression (SVR) technique with radial basis function (RBF) kernel produced the most accurate model, with a coefficient of determination R 2 equals 0.9783 and an RMSE equals 0.3561. In Algeria, Dehni et al. [10] proved the importance of Landsat ETM+ and ALI-EO-1 images in identifying and delineating saline and sodic soils. Zurqani et al. [20] used a time series of Landsat data for 29 years (1972, 1987, and 2001) and field measurements to detect the spatiotemporal variation of soil salinity in Libya. Weng et al. [21] suggested using hyperspectral imagery to produce a higher accuracy. The univariate regression using a new salinity index (SSI) derived from EO-1 Hyperion data yielded a coefficient of determination R 2 equal to 0.873. Sahbeni G. [22] applied a multiple linear regression analysis between salt content and Sentinel 2 MSI data for modeling soil salinity distribution in the Great Hungarian Plain. The final model showed a significant moderate accuracy with a coefficient of determination R 2 equal to 0.51 and an RMSE equal to 0.1942 g/kg. Li Z. et al. [23] analyzed the performance of multiple linear regression (MLR), geographically weighted regression (GWR), and random forest regression (RFR) models in terms of soil salinity prediction. The findings revealed that remote sensing imagery scanned during the dry season is better for estimating electrical conductivity (EC), with topographic variables and spatial location playing a crucial part in the modeling. However, the random forest regression (RFR) model had a higher prediction accuracy than the GWR model, while the MLR model had the highest error. Al-Ali Z.M. et al. [24] studied eight different physical models for soil salinity mapping in an arid landscape using spectral reflectance measurements and Landsat 8 OLI data. The statistical tests for models based on visible-near-infrared (VNIR) bands showed insignificant fits with a coefficient of determination R 2 of 0.41 and a very high RMSE (≥ 0.65). In contrast, models based on the second-order polynomial equation using the shortwave infrared (SWIR) bands produced better results, with a coefficient of determination R 2 equal to 0.97 and an RMSE equal to 0.13. The study conducted by Zhang X. and Huang B. [25] to predict soil salinity using soil-reflected spectra showed that smoothing methods and spectral transformations influenced the models' estimation accuracies. The PCR based on the median filtering data smoothing method gave the most accurate results, with a coefficient of determination R 2 equal to 0.7206 and an RMSE equal to 0.3929.

The studies mentioned above have explored the potential efficiency of remotely sensed data in estimating salinity when coupled with field measurements. The electromagnetic signal sensitivity to surface soil parameters can be processed to map salinity distribution with great accuracy. Nevertheless, most of these reviewed studies used statistical analysis and satellite imagery to model soil salinity in the Afro-Eurasia region. Only a few studies focused on the Central-Eastern European zone, although Hungary has the largest expanse of naturally salt-affected soils in the continent.

In flat landscapes with a typical continental climate like the Great Hungarian Plain, soluble salts accumulate more quickly. Certain environmental and climatic conditions make the landscape threatened by salinization, mainly when groundwater levels are oscillating. As a result, modeling soil salinity variability and mapping its spatial pattern for the Great Hungarian Palin become an essential task to endorse successful soil reclamation programs that mitigate possible fluctuations in salinity levels. The aims of this study are to (i) predict salinity using remotely sensed data derived from Landsat 8 OLI sensor and field measurements through evaluating four regression methods Multiple Linear Regression (MLR), Partial Least Squares Regression (PLSR), Ridge Regression (RR), and Artificial Neural Network (ANN), and (ii) prove the importance of spectral enhancements in soil salinity modeling.


Index of extraction of water surfaces from Landsat 7 ETM+ images

The aim of this study was to develop an index of water surfaces (IWS) for separating the water surfaces from other types of land use, by using the images of Landsat 7 ETM+. The index was applied on four areas characterized by different types of land use from different regions in Algeria. The first is from the center of Algeria (Landsat ETM+ scene: 195−36 acquired March 24, 2001) the second is from the east of Algeria (Landsat ETM+ scene: 193−35 acquired March 24, 2000) the third is from the west of Algeria (Landsat ETM+ scene: 197−36 acquired February 16, 2000) and the fourth is from the south of Algeria (Landsat ETM + scene: 197−43 acquired February 16, 2000). The results showed that the application of the IWS on the different tested areas can distinguish clearly the surface water from the other land use (basin dams, wadis, Sebkha, and Chott). These findings indicated that this index can be used in the mapping of the water surfaces.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Biography

Zhongchang Sun is an associate researcher at the Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences (CAS). He received his PhD degree in SAR remote sensing from the Center for Earth Observation and Digital Earth, CAS, in 2011. He is the author of more than 30 journal papers and has written one book chapter. His current research interests include urban environmental remote sensing, land surface dynamic remote sensing, and SAR remote sensing.

Patrick Leinenkugel is a research scientist at German Aerospace Center (DLR), German Remote Sensing Data Center (DFD). He received his PhD degree at the Earth Observation Center (EOC) at DLR, focusing on the analysis of land cover dynamics in the Mekong Basin by remote sensing methodologies. His current research interests include remote sensing, GIS, and geosciences.

Huadong Guo is a professor of the Chinese Academy of Sciences (CAS), Institute of Remote Sensing and Digital Earth (RADI), an academician of CAS, and a fellow of the World Academy of Sciences for the advancement of science in developing countries (TWAS). He has over 30 years of experience in remote sensing, specializing in radar for Earth observation and applications, and has been involved in research on digital Earth since the end of the last century.

Chong Huang is an associate researcher at the Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences (CAS). He received his PhD degree in cartography and geographic information system from the Institute of Geographic Sciences and Natural Resources Research, CAS, in 2005. He is the author of more than 50 journal papers. His current research interests include ecological remote sensing.

Claudia Kuenzer received her PhD in remote sensing from the Vienna University of Technology in 2005 and is head of the group “Land Surface Dynamics” at the German Earth Observation Centre, EOC, of the German Aerospace Centre, DLR. She has authored and coauthored over 70 SCI journal papers and has published three books with Springer. Her current research interest is on time series analyses of temporally dense time series of high resolution.

© The Authors. Published by SPIE under a Creative Commons Attribution 3.0 Unported License. Distribution or reproduction of this work in whole or in part requires full attribution of the original publication, including its DOI.


Voir la vidéo: TUTORIAL QGIS Membuat Peta NDVI Dari Citra Landsat 8 Dengan Menggunakan QGIS