Технология создания безоблачных композитных изображений по данным спутников серии Sentinel-2
Для изучения изменений, происходящих на поверхности Земли, во многих случаях необходимо получать регулярные и сопоставимые спутниковые данные дистанционного зондирования Земли (ДЗЗ). Особенно остро стоит вопрос получения периодической съемки в задачах изучения растительности. Например, для получения карт растительного покрова или анализа его изменений необходима информация о динамике отражательной способности в различных диапазонах электромагнитного спектра каждой точки картируемой территории в течение сезона вегетации. Надежное регулярное получение такой информации по спутниковым данным может быть затруднено в основном из-за влияния облачности. При этом для разработки автоматических методов анализа данных по большим территориям необходимы полностью ее покрывающие однородные бесшовные данные, в которых полностью отсутствует облачность и связанные с ней мешающие факторы. Одним их основных путей получения таких данных является создание безоблачных композитных изображений.
В 2022 году была доработана и внедрена в эксплуатацию технология получения безоблачных бесшовных композитных изображений по данным спутников серии Sentinel-2. Исходные данные прибора MSI спутников серии Sentinel-2 распространяются в рамках программы Европейского космического агентства (ESA) Copernicus. В настоящее время в архивах ЦКП «ИКИ-Мониторинг» имеется информация спутников серии Sentinel-2 по территории Северной Евразии и ряду локальных участков по всему миру за период с 2015 года по настоящее время.
В основе рассматриваемой технологии лежит маскирование мешающих факторов с использованием стандартного продукта классификации сцены, полученного при помощи алгоритма Sen2Cor. В этом продукте (далее SC) для каждого пикселя данных указывается один из 11 классов, включая три класса облаков, тени от облаков, темные объекты, растительность, не растительность, воду, неклассифицированные пиксели, значение “нет данных” и сбои. Для качественной оценки точности этого продукта было в экспертном режиме проанализировано несколько сотен сцен, что позволило выявить ряд его недостатков:
- Наличие класса «неклассифицированные пиксели». Особенно часто встречается на урбанизированной территории. Также он присутствует на облачности или тенях от облаков;
- Класс «темные объекты» часто перепутан с тенями от облаков;
- Много проблем на границах классов, когда пограничные или соседние с границей классов пиксели классифицированы неверно. Проблема особенно актуальна для классов облачности;
- Существуют одиночные ошибочные пиксели или линии пикселей в разных классах. Некоторые мелкие объекты, например, в низинах, или на урбанизированной территории могут находиться в классах облачности непрерывно;
- Проблема с классом «дымка». Часто дымка незначительно искажает значения яркостей, однако под ней хорошо просматривается чистая поверхность;
- Классы снега и облаков часто перепутаны, особенно это актуально зимой для снежных облачных фронтов.
Для устранения некоторых указанных проблем к каждой сцене дополнительно применяется ряд операций. Схема построения композитного изображения для бесснежного периода приведена на рисунке 1.
Исходные данные хранятся в фиксированном разбиении в тайлах размером около 100 км на 100 км в проекции UTM/WGS84. В процессе проведения обработки композитное изображение создается независимо по каждому тайлов и по каждому из его спектральных каналов. При этом для каждого тайла отбирается не более определенного числа измерений за период с общим процентом облачности по тайлу меньше заданной. Предельный процент облачности и максимальное число измерений задается опционально в зависимости от периода. В случае если за период есть более указанного числа измерений выбираются те, у которых общий процент облачности по тайлу меньше.
В каждой сцене на первом этапе строится маска на основе продукта SC. Для бесснежного периода считаются чистыми классы «растительность», «не растительность», «вода», «темные объекты» и «неклассифицированные пиксели», а для снежного периода также класс «снег». Остальные классы считаются маской. Для снежного (зимнего) композитного изображения операция улучшения маски проводится в один этап, выполняется только стягивание одиночных групп пикселей. Для бесснежного периода к каждой маске применяются независимо морфологические операции расширения (“Уточнение dilation”) и сужения (“Уточнение erosion”).
![](files/основные%20итоги/2022_monitoring/tb_fk_3_3_3_1.jpg)
Рисунок 1 - Схема построения композитного изображения для бесснежного периода
После применения маски независимо для улучшений путем расширения и сужения считается медианное значение по всему массиву измерений. Если чистое измерение не было получено в ветке с применением операции расширения, то оно заполняется значением из ветки с применением операции сужения. Применение операции расширения в первую очередь необходимо для устранения проблем на границе класса облачности. Применение операции сужения необходимо для устранения одиночных ошибочных пикселей или ошибочных линий пикселей в разных классах. При отсутствии этого этапа некоторые мелкие объекты были бы полностью исключены из композитного изображения. Размер расширения (10 пикселей) и сужения (1 пиксель) был подобран эмпирически при анализе сотен различных сцен за 2021 год. Результат оценивался в экспертном режиме на качественном уровне, без точной количественной оценки. Дополнительно исследовалась возможность учета иной комбинации классов из продукта SC, например, принятие темных объектов или класса неклассифицированных пикселей в качестве маски. Однако, учет иного набора классов в качестве чистых приводил к существенно худшему результату, особенно при числе безоблачных измерений за период менее 5. На последнем этапе от оставшихся без данных пикселей дополнительно проводится отступление операцией расширения. Эта операция необходима, так как на границе мест отсутствия безоблачных измерений качество результирующего композитного изображения, полученного всего по нескольким сценам, получается низким.
Отметим также особенности технологии и временные затраты на создание композитных изображений по описываемой технологии. При создании композитного изображения данные за отобранные даты внутри периода выгружаются с сервера хранения непосредственно в оперативную память сервера, выполняющего обработку. Такой подход позволяет избежать каких либо дополнительных временных затрат на копирование данных. В результате, при расчете в 8 потоков с использованием одного высокопроизводительного сервера получено среднее время на создание композитного изображения за месячный период на территорию России около 3 дней.
С помощью описанной технологии был создан ряд безоблачных композитных изображений на территорию России по данным 2019, 2020 и 2021 года. При этом были построены следующие варианты этих продуктов: ежегодные за сезон вегетации (с 1 мая по 31 сентября), ежемесячные, сезонные и «снежные» (с 1 января по 31 марта). На рисунке 2 приведены примеры созданных композитных изображений.
В настоящее время реализована сезонная и месячная периодичности создания композитных изображений. Месячный период обусловлен с одной стороны достаточным обеспечением безоблачными данными каждой точки за этот период, а с другой стороны, тем, что скважность в один месяц позволяет выявить большинство особенностей развития растительного покрова в течение сезона вегетации. Выбор времени построения снежного (зимнего) композитного изображения обусловлен более вероятным наличием в этот период снежного покрова. Для создания композитных изображений использованы стандартные продукты уровня обработки L2A, то есть после проведения процедуры атмосферной коррекции. Отметим, что с помощью описанной технологии возможно создание композитных изображений по информации в других спектральных каналах, а также по данным уровня обработки L1C.
Доступ к композитным изображениям предоставляется в рамках информационной системы «ВЕГА-Science» (http://sci-vega.ru/). Кроме данных в отдельных спектральных каналах также доступен ряд тематических информационных продуктов, являющихся синтезом информации в отдельных каналах композитного изображения или результатом вычислений над ними. Такие информационные продукты получаются в режиме реального времени в момент запроса на основе ранее разработанной технологии предоставления виртуальных информационных продуктов. Также доступны разновременные продукты на основе композитных изображений, например, синтез за три месяца, в котором для каждого из RGB каналов цветного изображения используются данные одного из месяцев. Такие продукты хорошо показывает динамику изменений земной поверхности. К примеру, они могут быть использованы для задачи картографирования лесных гарей. Различные цвета в синтезированном изображении явно показывают период появления поврежденных участков леса. Также они находят применения для решения различных задач анализа сельскохозяйственной растительности, таких как: определение границ полей, выявление неиспользуемых земель, выявление пахотных земель, определение различных видов угодий и типов выращиваемых культур. При этом благодаря непрерывному покрытию территории созданными композитными изображениями они могут быть использованы для построения различных тематических карт по большим территориям, в частности, карт различных типов растительности.
Представленная технология позволяет достаточно оперативно создавать безоблачные композитные изображения на большую территорию. В перспективе планируется реализовать возможность восстановления данных за длительные облачные периоды, улучшить качество масок облачности, а также применить созданные композитные изображения для задач автоматического картографирования Земной поверхности.
![](files/основные%20итоги/2022_monitoring/tb_fk_3_3_3_2.png)
Рисунок 3.3.3.2 - Примеры созданных композитных изображений. A - за сезон вегетации 2020 года (синтез в естественных цветах, каналы Red-Green-Blue). B - за снежный период 2022 года (синтез в ложных цветах, каналы Red-Nir-Green). C - за июнь месяц 2022 года (продукт индекс NDVI)