Разработка методов обработки временных рядов данных Sentinel-2 для решения задач дистанционного мониторинга наземных экосистем

В ИКИ РАН за отчётный период разработана технология предварительной обработки данных спутниковых наблюдений, полученных приборами Sentinel-2A (запущен в 2015 году) и Sentinel-2B (запущен в 2017 году), что позволяет получать изображения с периодичностью каждые 2–3 дня в средних широтах. Каждый спутник Sentinel-2 оснащён мультиспектральным прибором MSI с рядом спектральных каналов в видимом/ближнем инфракрасном диапазоне (VNIR) и коротковолновом инфракрасном спектральном диапазоне (SWIR).

Таблица 2.2.1.1 — Основные спектральные каналы прибора Sentinel-2

Канал	Длина волны (нм)	Пространственное разрешение (м)
Band 2 – Blue	492.4	10
Band 3 – Green	559.8	10
Band 4 – Red	664.6	10
Band 8 – NIR	832.8	10
Band 11 – SWIR	1613.7	20
Band 12 – SWIR	2202.4	20

Архив данных пополняется с 2019 года продуктами уровня Level-2A с учтённым влиянием атмосферы, характеризующими отражательную способность земной поверхности. Эти данные могут быть получены через Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu).

Специфика данных высокого разрешения позволяет выявлять объекты, которые при более низком пространственном разрешении не видны, однако повышается вероятность ошибок ложного детектирования для смешанных и граничных пикселей, антропогенных объектов, элементов рельефа и т.д. Стандартный продукт фильтрации исходных данных, маскирующий снег, облака и тени от облаков, нацелен в первую очередь на глобальный уровень обработки, что допускает остаточное наличие шумов.

Собранные данные, в частности, содержат результаты измерений отражательной способности земного покрова в красном и ближнем ИК спектральных диапазонах, информативных для изучения растительного покрова, а также в голубом и среднем ИК спектральных диапазонах, необходимых для предварительной обработки данных. Предварительная обработка временных рядов спутниковых данных ДЗЗ, является ключевым этапом автоматизированной оценки характеристик лесов и направлена на снижение влияния мешающих факторов, таких как облака и образуемые ими тени, сезонный снежный покров и аппаратные шумы.

Основные этапы предварительной обработки спутниковых данных:

• Исключение участков спутниковых изображений, соответствующих снежному и облачному покрову;
• Исключение участков спутниковых изображений, соответствующих теням от облаков;
• Статистическая фильтрация случайных шумов во временных рядах данных ДЗЗ.
   

Первые два этапа предполагают построение маскирующих изображений облачного и снежного покрова, используя значения коэффициентов спектральной яркости (КСЯ) в каналах.
Облачный и снежный покров отличается высокими значениями отражательной способности в видимом и ближнем ИК спектральных диапазонах и низкими их величинами в среднем ИК (1.6 мкм, 2.2 мкм). Для фильтрации данных наблюдений участков облачного и снежного покрова используется разностный нормализованный индекс снега NDSI, реализации которого различаются в зависимости от используемых каналов:

                                                                                  (1)

где R – значение коэффициента спектральной яркости в соответствующем канале.

При создании маски облачного покрова применяются индексы NDSI, построенные с использованием голубого (BLUE) и красного (RED) каналов. Значения индексов NDSI(R) и NDSI(B), а также КСЯ в каналах, перечисленных в таблице 2.2.2.1, используются для предварительного порогового маскирования облачного и снежного покрова.

Предварительное маскирование позволяет детектировать основную облачную массу. При этом мелкие облака, размер которых сравним с пространственным разрешением снимком, а также часть облачности на границах отдельных объектов из-за спектрального смешения облаков с подстилающей поверхностью с трудом поддаются детектированию одними пороговыми методами. Недостатком порогового метода является высокий процент ошибок детектирования: ложное детектирование и пропуски цели. Возможность достоверного разделения чистых наблюдений и облачного покрова варьируется в зависимости от специфики и плотности облаков, времени года, спектрально-отражательных характеристик земного покрова. Для уточнения маскирующих изображений и повышения адаптивности метода в целом используется пространственный гистограммный анализ значений КСЯ в голубом канале и индекса NDSI.

Методом пространственного гистограммного анализа для каждого класса облаков строится буферная зона, которая в дальнейшем подвергается коррекции. Гистограммы распределения значений внутри класса «облако» (рисунок 1а) и «буфер облака» (рисунок 1б) частично пересекаются. На рисунке 1в представлена нормализованная разница гистограмм распределения значений КСЯ в голубом канале для облаков типа SLD и соответствующего буфера.

     
 а)                                                     б)                                                        в)

Рисунок 1 — Гистограммы: a) КСЯ в голубом канале для облаков типа SLD; б) КСЯ в голубом канале для буферной зоны; в) разностная гистограмма объектов класса «облако» и «буфер облака»

Точка смены знака разностной гистограммы позволяет уточнить порог разделения классов для конкретного изображения. Полученный порог рассчитывается дважды: для фильтрации ошибок ложного детектирования внутри класса «облако», и, после перестроения буферной зоны, для детектирования облачности внутри буфера.

Присутствие облачности на спутниковых изображениях сопряжено с наличием теней от облаков. Для маскирования теневых участков помимо яркостных характеристик используется информация о геометрии наблюдений. Направление теней определяется исходя из геометрии взаимного расположения Солнца и прибора ДЗЗ в момент съёмки. Длина теневого участка зависит от высоты облачного покрова. На предварительном этапе, при определении направления тени, высота облаков принимается не ниже 8 км. При этом область влияния теней, построенная подобным образом, заведомо избыточна, относительно реальной затенённой области снимка. Ограничить предварительную область детектирования теней можно, предположив, что минимальная высота облачного покрова составляет 1 км, а высота небольших облаков не превышает 4 км. Дополнительно используется статистический анализ значений отражательной способности подстилающей поверхности вдоль геометрической линии потенциальной тени для фильтрации ярких объектов. После этого на предварительной области залегания теней можно применить пространственный гистограммный анализ, описанный выше для уточнения облачного покрова. Для класса «тени» также строится буферная зона. Разностные гистограммы распределения значений КСЯ в NIR и SWIR каналах позволяют получить пороги разделения классов «тени» и «чистая поверхность» для выбранного изображения.

На рисунке 2 приведён результат построения маскирующего изображения облачного покрова, теней от облаков, шумов и т.д. Маски используются для фильтрации наблюдений, непригодных для анализа состояния земного покрова.

   

Рисунок 2 — Результат построения маскирующего изображения облачного и снежного покрова, теней от облаков и т.д. Слева – фрагмент снимка на 20.08.2022, координаты 52°44′38.97″ с.ш., 132°52′13.58″ в.д., RGB-синтез NIR-SWIR-RED, справа – наложенное на исходное, маскирующее изображение облаков (голубой цвет) и теней (синий цвет)

Заключительным этапом построения масок облачного и снежного покрова при анализе временных рядов данных Sentinel-2 является возвращение в класс открытой поверхности объектов, частотность фильтрации которых в течение года значительно выше нормы. В этот этап входит определение стабильно темных и светлых объектов по частоте попадания в маски облачного и снежного покрова за год, «возвращение» всех отфильтрованных за год измерений, фильтрация искажённых наблюдений набором статистических фильтров на основе окружающей точку статистики наблюдений, полученных за летний период, коррекция масок облачного и снежного покрова.

Наличие маскирующих изображений для временных рядов данных Sentinel-2 позволяет осуществлять реконструкцию ежедневных наблюдений в определённом спектральном канале за один календарный год и восстанавливать наблюдения, очищенные от влияния мешающих факторов. В реконструкцию рядов входит фильтрация остатков облачности, шумов, выбросных значений, заполнение пропусков и сглаживание временных рядов. Это позволяет восстанавливать данные с заданным временным разрешением на необходимые даты, вплоть до ежедневных наблюдений, несмотря на случайный по времени набор исходных наблюдений (рисунок 3).

В настоящее время получен регулярный временной ряд временных срезов данных за период с апреля по октябрь 2023 года с шагом в пять дней для ряда каналов Sentinel-2, представленных в таблице 1 на всю территорию России с пространственным разрешением 10–20 м. Данные изначально представлены и обработаны в разбиении сети MGRS, которая используется для представления местоположений в универсальной поперечной проекции Меркатора (UTM). Всего в обработке участвовало ~120 Тб исходных данных, представленных в виде ~2400 тайлов.

Ежедневные спутниковые изображения территории с наличием снежного покрова, полученные прибором Sentinel-2 в период с января по апрель каждого года, зависят от множества факторов, влияющих на результирующие яркостные характеристики земной поверхности. В первую очередь это широкие вариации геометрических условий освещения. Для северных и южных широт России в определённые моменты наблюдений существуют уникальные значения геометрического положения Солнца. Второй немаловажный фактор – это временные рамки получения реальных измерений снежного покрова, не подверженных влиянию облачности, что ведёт к межгодовой изменчивости, вследствие недостижимости определённых геометрических условий наблюдения и освещения в отдельные годы. Таким образом, простое осреднение яркостных характеристик покрытой лесом территории с наличием снежного покрова вносит в результат значительные межгодовые вариации, вызванные неопределённостью и неоднородностью вклада теней от стволов деревьев.

       
 а)                                                      б)                                                  в)
Рисунок 3 — Реконструкции сеанса наблюдений Sentinel-2: а) исходные данные; б) маскирование облачности и теней; в) реконструированный сеанс наблюдений
на выбранную дату

В ИКИ РАН разработана технология предварительной обработки данных спутниковых наблюдений Sentinel-2 зимне-весеннего периода с наличием снежного покрова. Метод включает в себя следующую последовательность основных этапов обработки данных ДЗЗ:

1. Первичная пороговая классификация одномоментных спутниковых изображений с выделением таких классов, как облака, отбрасываемые ими на земную поверхность тени и свободные от снега участки, территории с открытым снежным покровом, леса с наличием снега на земле и/или кронах;
2. Статистический анализ временных рядов данных ДЗЗ с взаимной переклассификацией ошибочно отнесённых на предыдущем этапе к классам открытого снежного покрова и лесов пикселов, а также с последующей фильтрацией результатов классификации на основе критериев внутриклассовой изменчивости спектрально-отражательных характеристик;
3. Построение линейной регрессии в каждой точке, характеризующей зависимость значения яркости от величины зенитного угла Солнца;
4. Формирование ряда синтезированных изображений снежного покрова на территории России с фиксированными значениями зенитного угла Солнца.

Следует отметить, что зависимость коэффициента спектральной яркости от величины зенитного угла для безлесной территории и лесного покрова различается. Увеличение значений угла для безлесной территории, вследствие снижения положения Солнца над горизонтом ведет к увеличению значений яркости. Для лесного покрова существует обратная зависимость, обусловленная увеличением вклада теней проецирующих стволы деревьев, однако высокая сомкнутость лесного покрова уменьшает влияние теней на яркостные характеристики. На рисунке 4 в качестве примера представлено композитное изображение земной поверхности с наличием снежного покрова в RGB синтезе (Red-NIR-Red) за 2024 год при значении зенитного угла 30°. Пространственное разрешение 10 м позволяет наблюдать участки рубок леса и другое нарушения лесов.

   

Рисунок 4 — Пример изображения территории Приангарья с наличием снега на земной поверхности по данным Sentinel-2 (10м) за 2024 год, слева тайл 48VUH(MGRS) 1×1°, справа фрагмент 5×5 км (RGB: Red-NIR-Red)

В настоящее время получены синтезированные изображения снежного покрова для Red и NIR каналов Sentinel-2 с пространственным разрешением 10 м на всю территорию России за период с января по апрель для 2023 и 2024 годов при значениях зенитного угла Солнца 30-45° с шагом 5°. Завершение работы по обработке временных рядов данных Sentinel-2 позволит построить ежегодный временной ряд изображений снежного покрова с пространственным разрешением 10 м на территорию России с 2020 года по настоящее время.