Оценка точности географической привязки временных рядов предварительно обработанных изображений КМСС.

Точная географическая привязка спутниковых данных является необходимым условием для построения и анализа временных серий разновременных и мультисенсорных наблюдений и построения на их основе тематических продуктов необходимой точности.

Разработанный и описываемый в настоящем разделе метод географической допривязки основан на поиске оптимального локального смещения части корректируемого изображения при сравнении с эталонным изображением путём максимизации значения корреляции Пирсона. Универсальность и технологическое удобство разработанного метода заключается в том, что корректируемое изображение может не быть радиометрически калибровано, а используемое при допривязке эталонное изображение может иметь кратно более низкое пространственное разрешение, ускоряя и упрощая организацию потоковой обработки больших объёмов спутниковых данных, что особенно актуально для автоматической предварительной обработки данных отечественных спутниковых систем, включая данные приборов серии КМСС («Метеор М», «Метеор-М» № 2) на национальном уровне пространственного охвата.

В ходе подготовки вспомогательных (эталонных) данных на произвольную дату создаётся используемое для привязки эталонное мультиспектральное изображение, которое свободно от влияния мешающих факторов, таких как облачность и тени и характеризуется ежедневной временной актуализацией. Привязываемое изображение должно иметь близкие или аналогичные по отношению к эталону спектральные каналы и должно быть подготовлено в единой с эталоном картографической проекции с кратно более высоким пространственным разрешением (в данном случае коэффициент кратности равен 4): в работе в качестве эталонного используются подготовленные описанным выше способом эталонные изображения MODIS с разрешением 240 м и изображения КМСС-М с разрешением 60 м.

Поиск оптимального локального компенсирующего смещения осуществляется посредством загрубления группы пикселей корректируемого изображения высокого пространственного разрешения до соответствующего размера пикселя эталонных данных и подсчёте значения пространственной корреляции по загрублённому и эталонному изображению. Перебор групп пикселей и поиск смещения, при котором достигается наибольшее значение корреляции, осуществляется с шагом в один пиксель корректируемого изображения. На рисунке 1.4.2.1 приведена блок-схема технологии привязки, которая разделяется на несколько этапов. Первоначально осуществляется пространственная реорганизация корректируемых изображений КМСС-М и эталонных данных. Эталонные данные переводятся из синусоидальной проекции в географическую, при этом данные преобразуются таким образом, чтобы пространственное разрешение было кратным и сетка границ пикселей сравниваемых изображений совпадала.

Для оценки эффективности метода были проведены три эксперимента, позволяющие получить численные оценки ошибок привязки по данным результатов обработки большого числа изображений на территорию России за весь бесснежный период 2020 г. наблюдений. Первый эксперимент включал в себя оценку эффективности метода на основе модельных репрезентативных наборов данных, полученных на основе изображений Sentinel-2 (MSI), второй эксперимент позволил оценить абсолютную ошибку привязки эталонных изображений MODIS на основе сравнения с данными Sentinel-2 (MSI), а в третьем эксперименте были получены результаты оценки ошибки потоковой автоматической привязки данных КМСС-М, осуществлённых с помощью эталона MODIS, в сравнении с данными Sentinel-2 (MSI).

 Рисунок 1.4.2.1 — Блок-схема метода автоматической допривязки изображений КМСС на основе эталона MODIS

В рамках первого эксперимента с целью получения оценки эффективности метода на основе модельных данных были использованы изображения Sentinel-2 (MSI), с разрешением 10 м в красном и ближнем инфракрасном каналах, преобразованные, соответственно, до 60 и 240 м, т.е. до пространственного разрешения КМСС-М и MODIS, соответственно.

Подготовленные указанным образом модельные данные позволили исключить влияние на оценку точности привязки комплекса посторонних факторов, проявляющихся в процессе кросс-сенсорного сопоставления мультиплатформенных спутниковых данных, таких как различия состояния атмосферы, аппаратных функций спектральных каналов, геометрии освещения и наблюдения на различные моменты времени съёмки одной территории.

Эксперимент заключался в случайном выборе областей размером 100×100 пикселей (около 6×6 км) на случайно выбранных безоблачных изображениях Sentinel-2, приведённых к разрешению 60 м (аналог КМСС-М), и смещении этих областей в случайном направлении в диапазонах от –1200 до +1200 м, формируя модельное искажение локальной привязки. Далее описанным выше методом автоматически находилось смещение, при котором достигалось максимальное значение пространственной корреляции с изображениями Sentinel-2, приведёнными к разрешению 240 м (аналог MODIS). Таким образом, для каждого модельного искажения автоматически определялось компенсирующее смещение и оценивался модуль их абсолютных различий.

Результаты модельного эксперимента, полученные на основе анализа более 1100 случайно выбранных указанным образом модельных участков в различных частях территории России за различные даты бесснежного периода 2020 г., позволили получить среднее значение ошибки определения внесённых искажений в красном и инфракрасном каналах, равной 6 % от размера пикселя (аналога КМСС-М с разрешением 60 м), что составляет 3,6 м. Таким образом, результаты первого эксперимента указали на принципиальную возможность привязки модельных данных высокого пространственного разрешения по низкодетальным изображениям с практически нулевой ошибкой автоматического определения искажений привязки изображений для широкого диапазона физико-географических условий и сезона наблюдений.
Во втором эксперименте была произведена автоматическая оценка абсолютной ошибки привязки подготовленных данных MODIS, которые выступают в качестве эталона при автоматической допривязке изображений КМСС-М. В рамках этого эксперимента предполагалось, что изображения MODIS содержат ошибки привязки, которые должны быть измерены путём сопоставления этих данных с соответствующими изображениями Sentinel-2 (MSI) разработанным методом.

Изучаемые мультиспектральные безоблачные изображения MODIS были ранее получены с помощью ресурсов ЦКП «ИКИ-Мониторинг» с ежедневной временной детализацией путём весовой интерполяции временной серии сеансов продукта MOD09 с последующим перепроецированием из синусоидальной проекции в географическую с ожидаемой максимальной ошибкой проецирования не более 12 м (выбранным методом геометрического преобразования). Полученные прибором MSI изображения с разрешением 10 м в соответствующих спектральных каналах были использованы в качестве эталонных, обладая декларируемой средней погрешностью привязки пикселя не более 3 м. Оценка точности привязки осуществлялась на основе участков размером 25×25 пикселей MODIS (6×6 км). В рамках второго эксперимента было обработано 736 случайно выбранных на территории России участков изображений MODIS в инфракрасном канале и 680 участков в красном канале, при этом среднее значение ошибки привязки данных MODIS составило 18 м в инфракрасном канале и 19 м в красном (менее 8 % размера пикселя). Таким образом, погрешность привязки подготовленных изображений MODIS, оценённая на основе случайно выбранных дат за бесснежный период 2020 г. позволяет обеспечить привязку снимков КМСС М с субпиксельной точностью и не представляет существенного препятствия для использования MODIS в качестве эталона при коррекции снимков КМСС М.
Наконец, в рамках третьего эксперимента была проведена оценка искажений географической привязки данных КМСС-М, допривязанных ранее в рамках разработанной технологии на основе эталонных данных MODIS. Оценка ошибок привязки осуществлялась на основе изображений Sentinel-2 (MSI) в соответствующих спектральных каналах на базе подхода, использованного в двух предыдущих экспериментах. Для этого автоматически подбирались пары снимков КМСС-М и MSI за одинаковые даты и на одинаковые территории, свободные от влияния облачности и теней на обоих изображениях. Всего было обработано 3842 тестовых участка размером 100×100 пикселей КМСС-М (6×6 км), случайно выбранных на территории России за бесснежный период 2020 г. Среднее значение ошибки привязки данных КМСС-М по сравнению с эталоном в виде MSI составило 43 м в красном и инфракрасном каналах при пространственном разрешении привязываемых изображений 60 м. Субпиксельная точность привязки изображений КМСС-М обеспечивает возможность построения временных серий мультиспектральных измерений спектральной яркости земной поверхности, необходимых для решения научных и практических задач дистанционного мониторинга растительного покрова.

Таким образом, в рамках разработанных в настоящем исследовании методов для решения задач автоматической корреляционной географической привязки с субпиксельной точностью обеспечена возможность использования в качестве эталона данных кратно более низкого пространственного разрешения, чем разрешение привязываемых изображений. Технологическим преимуществом разработанного метода является отсутствие необходимости использования данных измерений в других спектральных диапазонах, помимо целевого, и возможность работы с данными, не прошедшими радиометрическую калибровку, что обеспечивает его применимость к данным практически любых спутниковых систем для оптического дистанционного зондирования Земли.