Cтатьи и комментарии

Сбор и подготовка данных дистанционного зондирования Земли из открытых источников в целях информационного обеспечения систем точного земледелия

Родин И.Е. (КБ Панорама)

В работе рассматривается возможность использования открытых источников данных дистанционного зондирования Земли для спутникового мониторинга сельскохозяйственных угодий и поддержки систем точного земледелия. Для каждого источника приводится уровень обработки данных и описываются необходимые процедуры автоматизированной коррекции.

Remote Sensing Data Acquisition and Preprocessing for Precise Agriculture Systems Information Support

Rodin I. E. (KB Panorama)

With development of new management technologies in agriculture, the need for regularly updated remote sensing data of the Earth has emerged. The acquisition of high-resolution data is possible on a fee-paying basis from commercial suppliers or in open storages of scientific missions. In this paper, the process of obtaining and preparing data from open sources is considered. Description of features of work with data sources, the basic levels of processing and necessary procedures of geometrical and radiometric correction are given. The information presented in the paper can be used in the development of precision agriculture systems.

Точное земледелие (precision agriculture) — современный подход сельскохозяйственного управления, основанный на использовании спутниковых систем навигации и данных дистанционного зондирования Земли (ДЗЗ) (Бычков и др., 2009).

Построение и использование систем точного земледелия требует большого количества регулярно обновляемых данных ДЗЗ (Щербаков, 2008). Данные для использования в системах точного земледелия должны обладать высоким пространственным разрешением из-за небольшого размера исследуемых объектов, высоким временным разрешением для мониторинга состояния земель и иметь каналы в диапазонах пригодных для изучения состояния почвы и биомассы (напрямую или с помощью различных вегетационных индексов).

Получение данных возможно с помощью коммерческих поставщиков или в открытых источниках научных миссий. В первом случае данные могут быть заказаны с большого числа гражданских спутников, с заданным уровнем обработки и в необходимой проекции. При самостоятельном сборе и подготовке данных увеличивается экономическая эффективность системы, что в некоторых случаях может иметь решающее значение.

В данной работе рассматриваются основные открытые источники данных ДЗЗ и необходимые процедуры автоматизированной обработки для их использования в системах точного земледелия.

Существует несколько глобальных научных программ наблюдения за Землей, предоставляющих открытый доступ к своим данным. Это европейская программа Copernicus со спутниками Sentinel 1-3, американские миссии Landsat с доступом к данным с аппаратов Landsat 1-8 и Terra со спутником EOS AM-1.

Целям работы соответствуют только действующие пассивные оптико-электронные системы космических аппаратов Sentinel-2, Landsat-7, Landsat-8 и EOS AM-1.

В таблице 1 описаны характеристики рассматриваемых открытых источников.

Данные предоставляются в открытых форматах. Но не все форматы полностью свободны от патентов (JPEG2000). Работа с TIFF-растрами поддерживается всем современным ГИС программным обеспечением. В то время как форматы HDF и JPEG2000 менее распространены и для работы с ними может потребоваться конвертация, импорт во внутренний формат (ERDAS Imagine) или обновление библиотек нижнего уровня (GDAL в QGIS). Для конвертации и перепроецирования HDF-растров NASA предоставляет бесплатный инструмент с режимом работы через командную строку — HDF-EOS To GIS Conversion Tool (HEG).

Таблица 1. Отдача готового тайла по векторной карте

Космический аппарат Сенсор Продукты Пространственное разрешение Временное разрешение Временной охват Формат Провайдер
EOS AM-1 MODIS MOD13Q1 250 м 16 дней 18.02.2000 – н. в. hdf LP DAAC Data Pool, Amazon Web Services (MOD09GQ)
MOD09GQ 1 день 24.02.2000 – н. в.
ASTER AST_L1T 15 м 16 дней 04.03.2000 – н. в.
Landsat 7 ETM+ L1TP, L1GT, L1GS 30 (15) м 16 дней 01.04.1999 – н. в. tif Google Cloud Platform, Amazon Web Services
Landsat 8 OLI+ TIRS L1TP, L1GT, L1GS 30 (15) м 16 дней 01.07.2013 – н. в. tif Google Cloud Platform, Amazon Web Services
Sentinel 2 MSI L1C, L2A 10 м 5 дней 30.07.2015 – н. в. jp2 Google Cloud Platform, Amazon Web Services, Copernicus Open Access Hub (API)

Все провайдеры предоставляют доступ к данным по протоколу HTTP, что обеспечивает простоту и удобство встраивания в информационные системы. Для доступа к некоторым источникам требуется бесплатная регистрация.

Пространственное разрешение снимков с аппаратов Landsat может быть увеличено до 15 метров с помощью панхроматического слияния c PAN каналом. В некоторых приложениях, например при расчете вегетационных индексов, панхроматическое слияние может быть использовано для увеличения количества пространственной информации (Johnson, 2014).

Для описания степени обработки данных ДЗЗ существует общепринятая модель, описанная в NASA во время работы над программой Earth Observing System (EOS) (Parkinson et al., 2006). В этой модели все процедуры радиометрической и геометрической коррекции распределяются по нескольким уровням, от необработанных "сырых" данных с сенсора на уровне 0, до скорректированных и ортотрансформированных снимков в заданной проекции на уровнях 3-4. На практике различные поставщики данных часто отходят от этой модели и используют свои уровни.

Данные ДЗЗ из различных источников должны быть приведены к единому высокому уровню обработки. Для этого может потребоваться пересчёт значений снимков к альбедо земной поверхности (Surface Reflectance, SR) (Погосян, 1962) с выполнением атмосферной коррекции, определение областей покрытых облаками и поиск теней от них.

В таблице 2 показана степень обработки данных каждого рассматриваемого источника.

Таблице 2. Степень обработки исходных данных

Сенсор Продукт Тип данных Атмосферная
коррекция
Маска
облачности
Маска тени
облаков
MODIS MOD13Q1 VI не требуется есть в VI Quality канале
MOD09GQ SR есть в QC канале
ETM+ L1TP, L1GT, L1GS DN DOS
FLAASH
6S
есть в QA канале FMask
OLI + TIRS L1TP, L1GT, L1GS DN
MSI L1C, L2A TOA DOS
FLAASH
6S
S2AC
в L1C есть маска облаков
Scene Classification Map (SCM)
Quality Indicators (QI)
ASTER AST_L1T At-sensor radiance DOS
FLAASH
6S
ACCAA
NACMA
NACMA

Данные с аппаратов Landsat 7 и 8 предоставляются в виде цифровых значений сенсора (Digital Number, DN) с выполненной радиометрической коррекцией (устранение искажений сенсора на основе регулярных рекалибровок) и геометрической коррекцией (устранение искажений перспективы и неровностей рельефа на основе наземных станций GCP и цифровой модели рельефа DEM) (Young et al., 2017). Данные второго уровня в виде альбедо земной поверхности с коррекцией на угол солнца и влияние атмосферы доступны только по запросу, но могут быть рассчитаны по формулам на основе метаданных из снимков (Ibid.) и с применением любого подходящего алгоритма атмосферной коррекции.

Для данных ASTER уровня "L1T" требуется конвертация к отражающей способности атмосферы (предоставляется скрипт на языках Python или R) (Krehbiel, 2017) и выполнение атмосферной коррекции.

Существует несколько "простых" способов коррекции влияния атмосферы, не требующих дополнительной информации о состоянии атмосферы в момент съёмки. Например, методы эмпирической линии (Empirical Line) (Karpouzli, Malthus, 2010) и различные варианты вычитания темной области (Dark Object Subtraction, DOS) (Chavez, 1996). Выбор конкретного метода зависит от типа прикладных задач и предполагаемого содержания сцен.

После коррекции до отражающей способностью поверхности данные с различных сенсоров можно рассматривать как схожие (Stevena, 2003), но остаются различия, вызванные отличиями диапазонов каналов съёмочных систем. В задачах расчёта вегетационных индексов есть методы коррекции значений расчётов различных съёмочных систем (Yao et al., 2013).

Данные спутников Sentinel-2 предоставляются с уровнем обработки "L1C" в виде альбедо на верхней границе атмосферы (Top-Of-Atmosphere Reflectance, TOA) с выполненной радиометрической и геометрической коррекцией. Обработка уровня "L2A" возможна с помощью бесплатного ПО SEN2COR. Утилита позволяет выполнить атмосферную коррекцию на основе модели переноса излучения LIBRADTRAN, получить маски различных типов облаков и каналы оценки качества.

Продукты c сенсора MODIS имеют высокий уровень обработки и предоставляются сразу в виде отражательной способности поверхности с коррекцией влияния атмосферы, дополнительная обработка не требуется (Vermote et al., 2008).

Следующий этап подготовки данных — исключение областей покрытых облаками. К снимкам с аппаратов Landsat 7 и Landast 8 в метаданных приложен специальный канал оценки качества с маской облаков. Для данных Sentinel-2 маска облаков автоматически создаётся при обработке в SEN2COR. С данным от сенсора ASTER маска облаков не предоставляется, но существует несколько алгоритмов её создания: "классический" алгоритм ACCAA (Lang et al., 1999) и его улучшенная версия NACMA (Hulley, 2008). Продукт MOD09GQ содержит маску облачности в специальном канале, данные MOD13Q1 содержат значение индекса NDVI на основе наблюдений за 16 дней и не нуждаются в коррекциях.

Организация спутникового мониторинга сельскохозяйственных угодий сопряжена с получением вегетационных индексов, характеризующих развитие растений с учетом локальных особенностей контура пашни. Использование открытых источников мультиспектральных спутниковых данных позволяет обеспечивать системы точного земледелия актуальными данными ДЗЗ с пространственным разрешением до 10 метров и частотой в 1-16 дней.

Открытые источники снижают стоимость поддержания систем спутникового мониторинга, но увеличивают сложность разработки. Итоговое решение о выборе типа источников следует принимать индивидуально для каждого проекта.

Для удобства конечных товаропроизводителей, в продуктах КБ Панорама: GIS WebServer AGRO, «Панорама АГРО», «АРМ агронома» реализованы функции спутникового мониторинга за счет получения геопривязанных значений вегетационных индексов, карт зонирования и дифференцированного внесения удобрений с помощью внешнего сервиса Geosys.

Список литературы

  1. Бычков И. В., Луковников Н. Г., Луковников А. Н., Нефедьев Л. В., Ружников Г. М. Внедрение навигационных систем GPS/ГЛОНАСС и геоинформационных технологий в задачах точного земледелия // ГИАБ. 2009. №12. C. 135-140.
  2. Щербаков С. И. Основные этапы реализации системы точного земледелия в современном сельском хозяйстве // Вестник ФГОУ ВО МГАУ. 2008. №4. C. 56-59.
  3. Johnson, B. Effects of Pansharpening on Vegetation Indices. ISPRS Int. J. Geo-Inf. 3 (2014). p. 507-522.
  4. Parkinson, C. L., Ward, A., King (Eds.) M. D. Earth Science Reference Handbook – A Guide to NASA's Earth Science Program and Earth Observing Satellite Missions, National Aeronautics and Space Administration Washington, D. C. (2006).
  5. Погосян Х.П. Воздушная оболочка Земли. – Ленинград: Гидрометеорологическое издательство, 1962. 294 с.
  6. Young, N.E., Anderson, R.S., Chignell, S.M., Vorster, A.G., Lawrence, R., Evangelista, P.H. A survival guide to Landsat preprocessing. Ecology. 98 4 (2017). p. 920-932.
  7. Krehbiel, C. (2017). How to Convert ASTER L1T Radiance to Top of Atmosphere Reflectance. –https://lpdaac.usgs.gov/user_resources/e_learning/how_convert_aster_l1t_radiance_top_atmosphere_reflectance.
  8. Karpouzli, E., Malthus, T. The empirical line method for the atmospheric correction of IKONOS imagery, International Journal of Remote Sensing. 24:5 (2010). p. 1143-1150.
  9. Chavez, Jr, Pat. Image-Based Atmospheric Corrections - Revisited and Improved. Photogrammetric Engineering and Remote Sensing. 62 (1996). p. 1025-1036.
  10. Stevena, M. D., Malthusb, T. J., Baretc, F., Xud, H., Choppinge, M.J. (2003). Intercalibration of vegetation indices from different sensor systems.
  11. Yao, X., Yao, X., Jia, W., Tian, Y., Ni, J., Cao, W., Zhu, Y. Comparison and Intercalibration of Vegetation Indices from Different Sensors for Monitoring Above-Ground Plant Nitrogen Uptake in Winter Wheat. Sensors. 13 (2013). p. 3109-3130.
  12. Vermote, E., Kotchenova, S.Y., Ray, J.P. MODIS Surface Reflectance User's Guide. Version 1. p. 1-40. (2008).
  13. Lang, H. and Welch, R. Algorithm Theoretical Basis Document for ASTER Digital Elevation Models (Standart Product AST14). Version 3. ATDB-AST-08, NASA Jet Proplusion Laboratory. Pasadena (1999).
  14. Hulley, G. A new methodology for cloud detection and classification with ASTER data. Geophysical research letters. 35(1) (2008). L16812. p. 1-6.