landsat 卫星影像的常见问题(去云、是否进行几何和大气校正以及数据产品的处理级别

简介: landsat 卫星影像的常见问题(去云、是否进行几何和大气校正以及数据产品的处理级别


image.png

 

什么是 Landsat 集合?

2016 年,USGS 将 Landsat 档案重新组织成一个分层集合。这种结构确保 Landsat Level-1 产品提供一致的已知数据质量档案,以支持时间序列分析和数据“堆叠”,同时控制档案的持续改进和对所有数据的访问。

2016 年,USGS 将 Landsat 档案重组为一个名为 Landsat Collection 1的分层收集管理结构。这种结构确保所有 Landsat Level-1 产品提供已知数据质量的一致存档,同时控制存档的持续改进和对所有数据的访问。馆藏的实施代表了 Landsat 档案管理的重大变化,通过确保在时间和所有仪器中保持一致的质量。集合 1 包含自 1972 年以来从 Landsat 1-8 获取的所有 Level-1 数据。Landsat 9 仅在 Collection 2 中可用。

Landsat Collection 2 标志着 USGS Landsat Level-1 档案的第二次重大再处理事件,导致利用数据处理、算法开发以及数据访问和分发能力方面的最新进展对产品进行了几项改进。Collection 2 的一个主要特点是在 Landsat Level-1 处理流程中使用的全球地面参考数据集的绝对地理定位精度有了显着提高。此外,Collection 2 包括更新的全球数字高程建模源、校准和验证更新,以及从 1982 年至今的全球 Level-2 表面反射率和表面温度场景产品。集合 2 包含所有 Landsat 传感器 Landsat 1-9。

访问 Landsat 数据访问 页面,了解如何从 USGS 数据门户搜索和下载所有 Landsat 产品。

注意: 基于Landsat Collection 1 的前向处理已于 2021 年 12 月 31 日结束。自 2022 年 1 月 1 日起,所有新的 Landsat 采集都仅处理到 Collection 2 库存结构中。 Collection 1 产品在 2022 年 12 月 31 日之前仍可供搜索和下载。

鼓励用户尽早将其工作流程迁移到 Landsat Collection 2。由于数据处理和算法开发的进步,不鼓励用户在同一工作流程中互换使用 Collection 1 和 Collection 2。

 

哪些 Landsat 数据产品可用?

有多种 Landsat 数据产品可用于科学应用和土地利用/土地变化研究:

Landsat Collections Level 1 - 确保 Landsat Level-1 档案中的数据在处理和数据质量方面保持一致,以支持时间序列分析和数据堆叠。每个 1 级数据产品包括单独的光谱带文件、元数据文件和其他辅助文件。

美国 Landsat 分析就绪数据 (ARD ) - 使用 Landsat Collections Level-1 数据作为输入,以提供按照最高科学标准处理并放置在基于切片的结构中以支持时间序列分析的数据。

Landsat Science Products - Level-2 和 Level-3 产品,经过处理以包括地球表面的大气校正数据、表面反射率、临时表面温度和生物物理特性。

什么是 Landsat 收集层?

Landsat Collection Tiers 是 1 级数据产品的清单结构,基于数据质量和处理水平。层定义的目的是支持更轻松地识别合适的场景以进行时间序列像素级分析,并提供在下行链路上立即处理的临时数据,以便在校准有限的紧急响应情况下快速分发。

 

Landsat Collections Level-1 场景的命名约定是什么?

Landsat Collection 1 Level -1 产品标识符包括 Collection processing level、处理日期、collection number 和 collection tier 类别:

LXSS_LLLL_PPPRRR_YYYYMMDD_yyyymmdd_CC_TX

在哪里:

  • L = 陆地卫星
  • X = 传感器(“C”=OLI/TIRS 组合,“O”=仅 OLI,“T”=仅 TIRS,“E”=ETM+,“T”=“TM,“M”=MSS)
  • SS = 卫星(“07”=Landsat 7,“08”=Landsat 8)
  • LLL = 处理校正级别 (L1TP/L1GT/L1GS)
  • PPP = WRS 路径
  • RRR = WRS 行
  • YYYYMMDD = 采集年月日
  • yyyymmdd - 处理年、月、日
  • CC = 集合编号(01、02、...)
  • TX = 集合类别(“RT”=实时,“T1”=Tier 1,“T2”=Tier 2)

示例:   LC08_L1GT_029030_20151209_20160131_01_RT

装置:Landsat 8;OLI/TIRS 结合;处理校正等级 L1GT;路径 029; 第030行;2015 年 12 月 9 日收购;2016 年 1 月 31 日处理;收藏1;即时的

Landsat Level-1 数据的处理级别是什么?

下表显示了Landsat Collections Level-1 处理级别:

Landsat Level-1 处理级别

处理级别 描述
地形精度校正 (L1TP) 使用地面控制点 (GCP) 和数字高程模型 (DEM) 数据进行辐射校准和正射校正,以校正地势位移。适用于像素级时间序列分析的最高质量 1 级产品。 

用于 L1TP 校正的 GCP 来自 2000 年全球土地调查 (GLS2000) 数据集。  

Landsat 处理 DEM 源包括:

系统地形校正 (L1GT) 使用航天器星历数据和 DEM 数据应用系统几何校正进行辐射校准,以校正地势位移。 

注:L1GT 是南极洲上空采集的 Landsat 7 和 Landsat 8 场景的最高辐射校准和系统校正水平。L1GT 产品使用高分辨率 Radarsat Antarctic Mapping Project (RAMP) Version 2 作为高程校正源。

几何系统校正
(L1GS) 
仅使用航天器星历数据进行系统几何校正的辐射校准。

* 以前称为 NED 的图层现在被称为 3DEP 无缝 DEM,是The National Map 提供 的更广泛产品套件的一部分。

 

处理级别在随每个 Landsat Level-1 数据产品提供的元数据 (.MTL.txt) 文件中注明。

Landsat Level-1 数据产品元数据 (.MTL.txt) 文件示例

GROUP = METADATA_FILE_INFO
    ORIGIN = "Image courtesy of the US Geological Survey"
    REQUEST_ID = "2221601291006_00001"
    LANDSAT_SCENE_ID = "LT50470272010279PAC01"
    LANDSAT_PRODUCT_ID = "LT05_L1TP_047027_20101006_20160512_01_T1"
    COLLECTION_NUMBER = 01
    FILE_DATE = 2016-05-12T13:14:46Z
    STATION_ID = "PAC"
    PROCESSING_SOFTWARE_VERSION = "LPGS_12.8.0"
    DATA_CATEGORY = "NOMINAL"
END_GROUP = METADATA_FILE_INFO
GROUP = PRODUCT_METADATA
   DATA_TYPE = "L1TP"
    DATA_TYPE_L0RP = "TMR_LORP"
    ELEVATION_SOURCE _ "GLS2000"
    OUTPUT_FORMAT = "GEOTIFF"
    EPHEMERIS_TYPE = "DEFINITIVE"
    SPACECRAFT_ID = "LANDSAT_5"
    SENSOR_ID = "TM"
    SENSOR_MODE = "BUMPER"
    WRS_PATH = 047
    WRS_ROW = 027
    DATE_ACQUIRED = 2010-10-06
    SCENE_CENTER_TIME = "18:51:52.31601902"

 

如何将 Landsat Level-1 数字数字重新缩放为反射率、辐射率和亮温?

Landsat Level-1 数据可以使用与 Landsat Level-1 产品一起提供的元数据文件 (MTL.txt) 中提供的辐射重新缩放系数重新缩放到大气顶部 (TOA) 反射率和/或辐射率。MTL 文件还包含将热波段数据转换为 TOA 亮温 (BT) 所需的热常数。这些转换的公式位于 使用 USGS Landsat Level-1 数据产品。  

Landsat Level-1 数据处理是否包括大气校正?

Landsat Collection 1 Level-1 数据未针对大气条件进行校正,但是Landsat Science Products(包括 Level-2 表面反射率和临时表面温度,以及 Level-3 燃烧面积、动态地表水范围和分数积雪面积)是大气条件更正。

 

掩码算法的 C 函数如何与 Landsat Level-1 数据一起使用?

掩码的 C 函数(CFMask) 算法在处理Landsat Collections Level-1数据产品时填充云、云置信度、云阴影和雪/冰像素,结果在Landsat Collections 1 级内表示为位图值-1 质量评估 (QA) 带。CFMask 源自 Mask 函数 (FMask),这是一种在波士顿大学用 MATLAB 编写的算法,并在 USGS EROS 被翻译成 C 编程语言,以促进其在生产环境中的实施。

CFMask 是一种多通道算法,它使用决策树来前瞻性地标记场景中的像素;然后它根据场景范围的统计数据验证或丢弃这些标签。它还通过迭代估计云高度并将它们投影到地面上来创建云阴影遮罩。

虽然 CFMask 算法默认设计为使用热数据运行,但也可以在没有热输入的情况下使用它。有时这可能是必要的,例如当来自 Landsat 8 热红外传感器 (TIRS) 的热数据无法立即获得时。  

目前,非热 CMask 通过从算法中删除所有热阈值测试来运行。用户应注意,此更改确实会改变云、云置信度、云阴影和雪/冰检测例程的结果。  Redirecting

为什么在某些 Landsat Surface Reflectance 产品中在水面上观察到负值?

Link: https://code.earthengine.google.com/ca512d1662ee7e38d9e513360f3167dc

image.png

 

Landsat 大气校正和地表反射率反演算法对于水体来说并不理想,因为水的地表反射率本来就低。类似地,在明亮的目标(例如雪地和海滩)上可能会遇到大于 1.0 的表面反射率值。这些是 Landsat 表面反射产品中的已知计算伪影。  


相关文章
|
6月前
|
编解码 人工智能
PIE-ENGINE——高分2号影像数据中国第一颗高分辨率商业遥感卫星
PIE-ENGINE——高分2号影像数据中国第一颗高分辨率商业遥感卫星
75 0
|
6月前
|
传感器 编解码 数据挖掘
GEE 影像下载——批量下载多源遥感影像(Landsat 8 C02 SR)光谱波段。光谱指数,缨帽变换和纹理特征以及SAR和地形数据(DEM)
GEE 影像下载——批量下载多源遥感影像(Landsat 8 C02 SR)光谱波段。光谱指数,缨帽变换和纹理特征以及SAR和地形数据(DEM)
406 3
|
6月前
|
机器学习/深度学习 人工智能 数据可视化
ACES 增强版不丹水稻作物地图(2016-2022 年)
ACES 增强版不丹水稻作物地图(2016-2022 年)
53 3
|
6月前
|
数据采集 编解码 人工智能
中科星图——Landsat9_C2_ST数据集是经大气校正的地表温度数据
中科星图——Landsat9_C2_ST数据集是经大气校正的地表温度数据
128 2
|
6月前
|
算法 定位技术 图形学
基于Pix4Dmapper的运动结构恢复无人机影像三维模型重建
基于Pix4Dmapper的运动结构恢复无人机影像三维模型重建
129 2
|
6月前
|
定位技术
ENVI自动批量生成地面控制点实现栅格遥感影像自动地理配准
ENVI自动批量生成地面控制点实现栅格遥感影像自动地理配准
113 1
|
传感器 存储 编解码
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹。
217 0
|
传感器 数据采集 算法
利用热红外遥感影像提取地表温度的草垛
地表温度作为地球环境分析的重要指标,而遥感技术作为现代重要的观测手段,使得基于遥感图像的地表温度反演的研究越来越多。主要的地表温度反演方法有:大气校正法,单窗算法,单通道法等等。本文以2013年花溪区的遥感影像为基础,介绍用辐射传输方程法对地表温度进行反演。 以Landsat8 LOI_TIRS卫星数字产品,下载花溪大致在图像中的遥感影像为基础数据,用“花溪区行政边界裁剪”得到预处理的图像。
325 0
利用热红外遥感影像提取地表温度的草垛
|
算法
ENVI实现遥感影像的地理配准
本文介绍在ENVI软件中,手动划定地面控制点从而实现栅格图像相互间地理配准的方法~
498 1
ENVI实现遥感影像的地理配准
|
传感器 机器学习/深度学习 编解码
激光雷达与视觉联合标定综述!(系统介绍/标定板选择/在线离线标定等)
由于2D识别的成功,论文引入了一个大型基准,称为OMNI3D,重新审视了3D目标检测的任务。OMNI3D对现有数据集进行了重新利用和组合,生成了234k张图像,标注了300多万个实例和97个类别。由于相机内参的变化以及场景和目标类型的丰富多样性,这种规模的3D检测具有挑战性。论文提出了一个名为Cube R-CNN的模型,旨在通过统一的方法在摄像机和场景类型之间进行泛化。结果表明,在更大的OMNI3D和现有基准上,Cube R-CNN优于先前的工作。最后,论文证明了OMNI3D是一个强大的3D目标识别数据集,表明它提高了单个数据集的性能,并可以通过预训练加速对新的较小数据集的学习。
激光雷达与视觉联合标定综述!(系统介绍/标定板选择/在线离线标定等)