基于GEE云平台一种快速修复Landsat影像条带色差的方法

简介: 基于GEE云平台一种快速修复Landsat影像条带色差的方法


题目:

一种快速修复Landsat影像条带色差的方法

A Rapid Method for Stripe Chromatic Aberration Correction in Landsat Image

摘要

Landsat卫星影像已经成为世界范围内长时间序列生态监测研究中最广泛使用的数据源。在大中尺度区域的遥感应用研究中,因季节、光照、气候等条件以及卫星重返周期和传感器的不同,多景遥感影像拼接、镶嵌后会存在斑块效应和色调不均匀现象。在遥感云计算技术高速发展的今天,探索快速且高效地基于云平台的Landsat色差条带修复方法具有重要意义。提出了一种在Google Earth Engine(GEE)云平台上实现的基于随机森林算法的直方图影像均质化方法,将1986年—2020年山西省Landsat Top of Atmosphere(TOA)和Surface Reflectance(SR)(Landsat 5 TM/7 ETM+/8 OLI)反演后的归一化植被指数影像NDVI作为研究数据,以MOD13Q1(250 m分辨率)、MOD13A1(500 m分辨率)和MOD13A2(1 km分辨率)MODIS数据集作为2000年后的验证数据,分别对比影像修复前后的1986年—2020年山西省NDVI影像。研究结果表明:(1)在35年的逐年影像分析中有20年的影像存在条带色差问题。以1994年为例,修复后的Landsat TOA和Landsat SR影像与修复前相比,影像修复区的NDVI平均值分别增加了32.6%和29.03%,剖面分析显示拟合度分别增加了0.162 3和0.118 0;(2)1986年—2020年一元线性回归趋势性分析结果表明,修复后影像的拟合度更高,长时序分析后逐年影像的波动幅度更小。其中,Landsat TOA和SR影像修复后的斜率分别下降了0.006 2和0.006 7,R2分别提高了0.024 8和0.008 4;(3)对Landsat和MODIS影像进行Pearson相关性分析发现,修复后的Landsat SR和TOA图像的相关系数平均提高了0.049和0.061(p<0.05),其中,修复后的Landsat SR和TOA影像与MOD13Q1、MOD13A1、MOD13A2影像相关系数分别提高了0.050、0.047、0.049和0.066、0.060和0.059;(4)2000年—2020年Landsat和MODIS影像的时序分析结果显示,修复后的Landsat影像整体趋势与MODIS影像更趋近,修复后的Landsat TOA和SR影像的拟合度分别提升了0.058 6和0.031 9。所提出的基于GEE云平台随机森林算法的快速影像修复方法,实现了对长时间序列遥感影像NDVI反演结果的精确评估,应用本方法可快速、高效地解决影像镶嵌所造成的色差斑块和条带效应。

关键词

生态监测;Google Earth Engine;影像拼接;影像修复;随机森林;直方图匹配

Abstract

Landsat satellite images have become the most widely used data source in large-scale ecological monitoring studies worldwide. In remote sensing application studies of large and medium scale areas, due to seasonal, lighting and climatic conditions and different satellite re-entry cycles and sensors, patchy effects and chromatic unevenness may exist after stitching the mosaic of multi-scene remote sensing images. With the rapid development of remote sensing cloud computing technology, exploring a fast and efficient method to repair Landsat chromatic stripes based on cloud platform is important. In this paper, we propose a histogram image homogenization method based on a random forest algorithm implemented on the Google Earth Engine (GEE) cloud platform, which homogenizes the Landsat Top of Atmosphere (TOA) and Surface Reflectance (SR) of Shanxi Province from 1986 to 2020 (Landsat 5 TM/7 ETM+/8 OLI) normalized vegetation index (NDVI) images after inversion were used as the study data, and MOD13Q1 (250 m resolution), MOD13A1 (500 m resolution) and MOD13A2 (1 km resolution) MODIS datasets were used as the validation data after 2000. The NDVI images of Shanxi Province from 1986 to 2020 before and after image restoration were compared separately, and the results of the study showed that (1) 20 years of the 35-year image analysis had strip color difference problems, and in 1994, for example, the restored Landsat TOA and Landsat SR images compared with those before restoration, the mean NDVI values of the restored areas increased by 32.6% and 29.03% respectively, and the profile analysis showed that the fit increased by 0.162 3 and 0.118 0 respectively; (2) The results of the trend analysis of the 1986—2020 one-dimensional linear regression showed that the fit of the restored images was high and the fluctuation of the year-by-year images was smaller after the long time series analysis. Among them, the slopes of the restored Landsat TOA and SR images decreased by 0.006 2 and 0.006 7, and theR2 improved by 0.024 8 and 0.008 4 respectively; (3) Pearson correlation analysis of Landsat and MODIS images found that the correlation coefficients of the restored Landsat SR and TOA images improved by an average of 0.049 and 0.061 (p<0.05), where the correlation coefficients of restored Landsat SR and TOA images and MOD13Q1, MOD13A1, and MOD13A2 images increased by 0.050, 0.047, 0.049, 0.066, 0.060, and 0.059, respectively; (4) 2000—2020 Landsat and MODIS image time series analysis results show that the overall trend of the restored Landsat images is more similar to MODIS images, and the fit of the restored Landsat TOA and SR images is improved by 0.058 6 and 0.031 9, respectively. The proposed GEE cloud platform-based stochastic The proposed fast image restoration method based on the GEE cloud platform random forest algorithm achieves the accurate evaluation of NDVI inversion results of long time series remote sensing images, and the application of this method can quickly and efficiently solve the chromatic patch and banding effects caused by image mosaic.

流程图

Landsat 和MODIS系列影像数据获取均来自于GEE云平台公共数据集。图2为技术流程,主要分为数据预处理、影像匹配和验证分析三个部分。数据预处理过程主要包括:上传山西省矢量边界;逐年影像时间筛选(每年1月1日至12月31日)和波段选择("Red"、"NIR"和"pixel_qa");"pixel_qa"波段去云和NDVI波段计算;最后,按照qualityMosaic函数进行影像拼接和镶嵌。影像匹配部分,首先,通过目视解译的方法,判断逐年NDVI影像是否需要进行影像匀光处理,将需影像修复的部分作为目标影像,参考影像为目标影像相邻的区域,目的是让目标影像获取和相邻影像的一致的色调;其次,分别统计参考影像和目标影像 NDVI的 DN (digital number)值,进而计算概率密度函数和累积分布函数,按照随机森林方法进行直方图匹配,从而获得匀光处理目标影像。验证分析分为三个部分:第一,山西省逐年NDVI影像修复前后对比;第二,1986年-2020年匀光处理前后NDVI影像的时序分析;第三,匀光处理后的NDVI影像和2000年后MODIS影像对比分析。

山西省边界远超出单景影像的覆盖范围,因此在影像拼接中将由多幅不同轨迹的影像组成,目标影像选取的原则是按照小于研究区总面积的50%进行修复,以最大程度的减小匀光处理后影像对原始数据的影响。经统计,所有年份的目标影像面积占比均小于总研究区的 30%,参考影像色差所选取的区域均为目标影像的衔接条带。

主要实验结果

1994 年影像修复前后 NDVI 剖面的对比分析如图 4 所示,修复后的NDVI影像能平稳的反映该区域的NDVI值。修复前Landsat TOA影像的拟合度为0.008 4,修复后为0.170 7;修复前的Landsat SR影像的拟合仅有0.002 4,修复后为0.1204,结果表明,修复后的影像拟合度更高,表明修复后的影像比修复前更加符合影像的整体过度。

        为了验证影像修复前后对于山西省 34 年间 NDVI的影响,分别对影像修复前后的NDVI值进行时序分析,如图5所示。元线性回归的趋势性分析结果表明:Landsat TOA影像修复后的NDVI值斜率为0.0062小于影像修复前,拟合度R2为0.810 6高于修复前;Landsat SR影像修复前的NDVI 斜率为 0.007 1,而修复后的斜率为 0.006 7,且拟合优度R2值0.8363大于修复前的0.829 3,表明影像修复后的拟合度更高。整体上看Landsat影像修复后的结果在长时间序列的变化波动性更小,趋势更加平滑。修复后的Lansat SR影像比Laodsat TOA影像提升幅度更明显。

多源影像对比分析

为了验证影像修复后的准确性,将2000年后修复的Landsat图像分别与MODIS系列数据(250 m、500 m 和1km)进行相关性分析。结果显示,2000 年、2003年、2005 年、2011 年和 2017 年的影像都有明显改善。图 6 和图 7 分别显示了 2003 年影像修复前后的 Landsat SR 和 TOA影像与 MODIS(250 m、500 m 和 1 km)影像。直方图方法修复后的Landsat影像能更好地反映色彩平衡,整体视觉效果更加。

结论

目前,在影像修复过程中,现有的研究多是在研究区的影像镶嵌和NDVI计算之前完成,这大大限制了影像的处理速度。本工作针对归一化植被指数 NDVI影像拼接后存在的影像带状斑块效应和色彩不均匀问题,以山西省作为研究区,利用GEE平台调用随机森林函数提出一种基于云端快速进行直方图影像匀光处理的方法,极大的提高了影像修复的效率。

基于同源影像的直方图匹配能最大程度地保留当期原始影像的DN值和色彩亮度,且在长时序研究中使当期影像的NDVI反演结果更加准确,经过该方法处理后影像的色彩致性较好,同时无需考虑研究区的地理差异和空间异质性。

此外,通过对比1986年—2020年逐年影像修复前后的结果,经过本方法修复后的影像在长时间序列的植被监测过程中能更精确、可靠的得出影像的修复结果,有效减少NDVI值在长时间序列的突变,提高长时间序列分析的准确性和稳定性。本方法能有效改善影像条带色差较大的区域,但对于影像条带边界不明显的区域识别仍需提升,后续研究的重点将围绕影像色差边界的自动识别和修复展开。

影像修复APP

这个影像修复的APP因为中文期刊的缘故,不让提供连接,所以这里给大家补上,大家可以去尝试修复你所需要的区域。

Landsat 5 ndvi影像修复

引用本文:   
闫星光,李 晶,闫萧萧,马天跃,苏怡婷,邵嘉豪,张 瑞. 一种快速修复Landsat影像条带色差的方法[J]. 光谱学与光谱分析, 2023, 43(11): 3483-3491.
YAN Xing-guang, LI Jing, YAN Xiao-xiao, MA Tian-yue, SU Yi-ting, SHAO Jia-hao, ZHANG Rui. A Rapid Method for Stripe Chromatic Aberration Correction in Landsat Images. SPECTROSCOPY AND SPECTRAL ANALYSIS, 2023, 43(11): 3483-3491.
相关文章
|
7月前
|
机器学习/深度学习 Kubernetes Cloud Native
SAP 云平台 (Cloud Platform) 架构概述
SAP 云平台 (Cloud Platform) 架构概述
156 1
|
7月前
|
移动开发 IDE Java
SAP 云平台从 Neo 到 Multi-Cloud 的演化历史
SAP 云平台从 Neo 到 Multi-Cloud 的演化历史
159 0
|
7月前
|
数据中心
什么是 SAP 云平台的 multi-cloud architecture
什么是 SAP 云平台的 multi-cloud architecture
61 1
|
7月前
|
机器学习/深度学习 JavaScript 前端开发
SAP 云平台 ABAP 编程环境的前世今生
SAP 云平台 ABAP 编程环境的前世今生
66 0
|
7月前
|
JavaScript Java Apache
SAP 云平台多目标应用 Multi-Target Application 的开发技术介绍
SAP 云平台多目标应用 Multi-Target Application 的开发技术介绍
129 0
|
7月前
|
存储 测试技术
SAP 云平台上的 ABAP 编程环境里如何消费第三方服务
SAP 云平台上的 ABAP 编程环境里如何消费第三方服务
39 0
|
12月前
|
SQL 移动开发 IDE
SAP 云平台从 Neo 到 Multi-Cloud 的演化历史
SAP 云平台从 Neo 到 Multi-Cloud 的演化历史
|
12月前
|
数据中心
什么是 SAP 云平台的 multi-cloud architecture
什么是 SAP 云平台的 multi-cloud architecture
|
Kubernetes Cloud Native Java
在 SAP 云平台上部署和运行 Docker 应用
在 SAP 云平台上部署和运行 Docker 应用
226 0
在 SAP 云平台上部署和运行 Docker 应用
|
JavaScript Java Apache
SAP 云平台多目标应用 Multi-Target Application 的开发技术介绍(二)
随着SAP云平台的出现,SAP云平台开发生态圈告别了过去单凭ABAP打天下的局面。
200 0
SAP 云平台多目标应用 Multi-Target Application 的开发技术介绍(二)