Est-il scientifiquement correct d'agrandir le produit de réflexion Landsat avec une bande panoramique

J'ai besoin de savoir s'il est scientifiquement valable de fusionner / affiner les produits de réflexion de surface Landsat 8 avec une bande de panoramique de cette bande respective? Les détails du produit de réflexion Landsat peuvent être trouvés ici . Il faut mentionner que l'on doit commander un produit de réflexion de surface séparément pour obtenir ce produit. Ce produit ne contient que 7 bandes (30m) pas IR et Pan. Donc, encore une fois, ma question est-elle valide pour fusionner 7 bandes (30 m) de produit de réflectance de surface avec une bande de panoramique normale (pas de réflectance de surface) (15 m). Je veux utiliser cette image aiguisée pour la segmentation et la cartographie de la couverture terrestre.Je dois donc savoir qu'il existe une pratique établie de ce type d'affûtage panoramique dans le milieu universitaire avec référence, si oui, veuillez citer.

— SIslam
source

Réponses:

Fondamentalement, la question ici est de savoir ce que signifie «scientifiquement valable». Si vous cherchez à faire de la modélisation spectrale sur les données, la réponse est peut-être différente de celle que vous cherchez à faire une classification / segmentation d'image. Le pansharpening (selon la méthode) va simplement changer la plage des valeurs assez peu et ne devrait pas mettre vos valeurs de réflectance en dehors du domaine des possibilités.

Dans l'ensemble, cela dépend beaucoup de l'application pour laquelle vous allez utiliser les données. De plus, l'impact de l'aiguisage peut également valoir la peine d'être documenté en tant que résultat secondaire partiel dans n'importe quelle étude que vous effectuez. Le résultat peut être qu'il n'ajoute rien, sauf quatre fois plus de pixels, ce qui signifie un temps de traitement quatre fois plus long, ce qui dans certains cas est un showstopper.

Edit: Ma base de données d'articles sur ce sujet n'est pas énorme, mais j'ai ces deux là où les données de pansharpend sont utilisées (avec des résultats raisonnables) pour la segmentation de l'image:

Shackelford, AK et Davis, CH (2003). Une approche combinée basée sur les pixels flous et basée sur les objets pour la classification des données multispectrales à haute résolution dans les zones urbaines. Transactions de l'IEEE sur les géosciences et la télédétection, 41 (10), 2354–2364. http://doi.org/10.1109/TGRS.2003.815972

Fernández, I., Aguilar, FJ, Aguilar, MA, et Álvarez, MF (2014). Influence de la source de données et de la taille de la formation sur la classification des zones de surface imperméables à l'aide d'imagerie satellite et aérienne VHR par le biais d'une approche basée sur les objets. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (12), 4681–4691.

— Mikkel Lydholm Rasmussen
source

édité la question.

— SIslam

Le problème non abordé dans votre réponse est que les bandes de réflectance de surface sont dans des unités différentes des valeurs DN de la bande 8. Alors que certains algorithmes fonctionneraient quel que soit (par exemple, PCA) l'effet sur les valeurs résultantes dans les bandes de réflectance de surface affûtées en panoramique pourrait être notablement biaisé et donc non "scientifiquement valable", quoi que cela signifie. Cependant, d'un point de vue connu des "propriétés de réflectance des matériaux", le point de référence est en fait invalide car les courbes spectrales ont été modifiées en fonction des valeurs DN dans la bande 8 ne correspondant pas aux valeurs attendues.

— Jeffrey Evans

@JeffreyEvans, tout dépend de la méthode d'aiguisage utilisée - un élément qui ne fait pas partie de la question. Cependant, étant donné que le sujet est la segmentation de l'image, l'objectif principal n'est pas de modéliser des matériaux connus, mais de permettre une comparaison croisée des valeurs - ce qui signifie que la préoccupation principale n'est pas le pansharpening, mais la cohérence de la correction atmosphérique.

— Mikkel Lydholm Rasmussen

Merci à tous pour vos aimables efforts! En fait, je veux savoir si elle est valable si j'affine le produit de réflectance avec un produit non corrigé de façon atmosphérique à des fins de classification. Si oui, donnez-moi la manière établie de le faire, car la discussion ci-dessus renforce cela, car j'ai besoin de faire une classification à des fins de recherche. Pourriez-vous, s'il vous plaît, citer du papier pour Landsat.

— SIslam

@SIslam - Je ne pense pas qu'il sera possible de trouver un article qui se penche spécifiquement sur la pansharing des données corrigées atmosphérique avec des données panchromatiques non corrigées. C'est un détail très technique, un détail qui n'a vraiment d'importance que pour les utilisateurs techniques forts et ces utilisateurs feraient généralement leur propre correction atmosphérique, plutôt que d'utiliser le produit de réflexion de surface Landsat assez sujet aux erreurs.

— Mikkel Lydholm Rasmussen

Tout d'abord - à moins que vous ne sachiez VRAIMENT ce que vous faites et ce que vous expérimentez - vous ne pouvez pas convertir correctement PAN de DN en réflectance TOA. Ces données sont faites uniquement à des fins d'amélioration visuelle; et aucune information spectrale n'est censée en être dérivée.

Les valeurs de réflectance TOA sont une nouvelle échelle du type de données 16 bits comme indiqué par l' USGS . Ce qui signifie que vous pouvez utiliser la bande PAN directement comme entrée avec les données de réflectance TOA multispectrales. D'autant plus que la plupart - sinon la totalité - des algorithmes de netteté panoramique commencent par une sorte de normalisation des données.

Une autre chose que vous pouvez faire - juste pour vous rassurer - est de prendre deux échantillons de données (niveau 2 et niveau 1); appliquer une netteté panoramique sur les deux, et effectuer des évaluations spectrales et spatiales sur les deux résultats.

PS: Concernant le thème de votre projet

L'année dernière, j'ai travaillé sur un projet concernant l' évaluation des effets Pan-Sharpening sur la classification des images , où les données d'entrée étaient des images satellites Quickbird et Landsat 8. Plusieurs algorithmes et approches ont été testés. Et les résultats étaient très intéressants. Nous n'avons pas encore réussi à publier l'article, je ne peux donc pas divulguer la plupart des choses que nous avons faites. Mais une chose que je peux dire, c'est d'essayer d'utiliser une combinaison des données originales (bandes complètes) et de l'imagerie segmentée et nette. Comme la plupart des expériences effectuées sur les données Landsat ont montré que la précision globale et le coefficient Kappa diminuaient par rapport à la classification des données d'origine.

— Mouad Alami
source