Como lidar com sombras da montanha ao classificar o Landsat 8


10

Estou tentando classificar alguma área no norte da Mongólia usando imagens de satélite Landsat 8 de 2013. Desde que as gravações foram feitas no inverno, o sol está muito baixo no momento da aquisição. Portanto, há sombras muito longas e escuras das montanhas.

Consigo identificar essa sombra usando um DEM, conforme descrito nesta pergunta: Como remover efeitos topográficos como sombras da imagem do Landsat

Como posso executar uma classificação supervisionada para a área sombreada cortada? É possível melhorar essas áreas? Tentei algumas proporções de banda, mas não sei qual é a melhor para minha tarefa.

Nesta imagem, você pode ver que existem algumas áreas vegetadas nas sombras escuras, mas não é possível classificá-las.

exemplo para algumas áreas sombreadas


2
Você converteu isso em refletância? Qual método você usou?
Aaron

2
Não, eu não fiz. Usei uma pilha de camadas da banda 3,4,5 e fiz a Classificação de máxima verossimilhança no ArcGIS. Para melhor interpretação da área, usei NDVI e algumas composições de cores falsas.
22414 dan_ke

2
É por isso que a refletância no sensor e a ortorretificação são etapas importantes do pré-processamento.
Jeffrey Evans

Você tentou qualquer correção topográfica como C-correção ou Minnaert ?, Por favor, se algo como isso pode ajudar. Eu forneceria mais detalhes sobre como conseguir isso.
Paulo Cardoso

2
DN para TOA não removerá o efeito topográfico. A correção topográfica (normalização topográfica) minimizará, não eliminará, o efeito de sombra e isso será particularmente crítico no seu caso. Eu recomendo a leitura deste para uma visão geral do problema e as possíveis abordagens.
Paulo Cardoso

Respostas:


1

Na verdade, não é concedido que você possa recuperar algumas informações das áreas sombreadas. No entanto, uma vez eu lidei com sucesso com sombras (nuvens) em uma imagem hiperespectral. O objetivo era simples classificação da cobertura do solo. Aqui está o que eu fiz. Não tenho certeza de como isso funcionaria com as imagens do Landsat, mas como é muito simples, você deve tentar.

Depois de detectar a sombra, simplesmente executei um histograma correspondente das áreas sombreadas ao restante da imagem. Tenha cuidado, pois, ao fazer isso, você assume que o sinal espectral nas áreas sombreadas e o sinal nas áreas iluminadas pertencem mais ou menos às mesmas classes (~ mesmas distribuições). Embora este seja um método muito simples e simplista, consegui classificar corretamente os pixels sombreados à custa de alguns pequenos erros de borda da sombra. Talvez você possa empilhar todas as proporções de banda possíveis para a imagem e renormalizar todos os recursos antes da classificação, isso pode reduzir ainda mais os efeitos de sombra. Você provavelmente precisará usar um classificador robusto.

EDIT: Além disso, você pode normalizar cada pixel para ter uma norma de unidade (olhando cada pixel como um vetor espectral). Isso também deve ajudar na remoção de efeitos de sombra.


1

Eu sugeriria o que Stella disse abaixo. Você pode simplesmente classificá-lo como sombra para não prejudicar sua precisão. Obviamente, verifique se você tem áreas de interesse suficientes ou áreas de treinamento da sombra para garantir que tudo esteja classificado. Se você tiver que fazer uma apresentação, pode comentar que a maioria das áreas de sombra é uniforme com a parte lateral próxima da montanha, o que significa que se o lado da montanha que o sol está batendo estiver refletindo propriedades vegetativas, o outro lado será bem, se o sol estivesse atingindo. Espero que isto ajude. Eu tive que fazer isso e se você não classificar a sombra ou aplicar correções a ela, ela será classificada da mesma forma que a água, pois elas têm semelhanças espectrais.


0

Eu sugeriria classificar as sombras separadamente do resto da imagem. Se você puder encontrar uma classe de sombra distinta, oculte os pixels da "sombra", estique-os e reclassifique-os (tenha cuidado ao esticar). Não sou especialista em classificação de imagens, mas definitivamente validaria qualquer resultado com outras imagens.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.