Uydu verilerini kullanarak buz tipi farklılaşması

Buzul alanını kar (varsa) ve buz kategorilerine göre sınıflandırmak istiyorum, ama en önemlisi: eski buz ve taze buz arasında. Alanında tanımak mümkün olan farklı özelliklere sahiptirler, ancak bunu uydu verileriyle yapabilir misiniz? (tercihen 30 / 15m uzamsal çözünürlüğün Landsat olgusu)

— adamczi
kaynak

Eski ve yeni buzların tarladaki özellikleri nelerdir?

— Aaron

1) Taze kar, eski buzul buzundan çok daha az sıkıştırılır (sıkıştırma ile buz haline gelir). Bu nedenle, bu bir şekilde su tarafından emilen IR yansıması ile bağlanabilir. 2) Ayrıca taze kar neredeyse% 100'e kadar albedo'ya sahiptir, ancak eski kar ~% 40'a kadar düşebilir (tabii ki katı bir sınıflandırma yok). IR'yi kullanmak istiyorum, çünkü True Color kompozisyonu olmasını istediğim kadar kullanışlı değil.

— adamczi

Bu basit bir görüntü sınıflandırma problemi gibi geliyor. Sahada toplanabilen veya görüntülerden pikselleri ustaca seçerek egzersiz verileriyle başlamanız gerekir.

— Aaron

Buraya gitmenin yolunun, tüm spektral bantları kullanan Maksimum Olabilirlik, Rastgele Ormanlar vb. Gibi denetimli bir sınıflandırma algoritması olduğunu düşünüyorum. Bu yöntemlere aşina mısınız? "IR kompozisyonu" ile ne demek istediğinden emin değilim. Sahte renk kompoziti (yani NIR, R, G) gibi kompozit görüntüler oluşturmayı mı kastediyorsunuz? Öyleyse, bu tür ürünlerin uygulamalarında çok sınırlısınız.

— Aaron

@adamczi google-earth-engine üzerinde çalışmayı deneyin. denetimli sınıflandırma algoritmaları ve SAR verileri (yüklemeniz veya google'ın bulutu) kullanılabilir.

— csheth

Yanıtlar:

Bunun için mikrodalga verilerini kullanmanız gerekecek. Optik veriler kesilmez. Hala optikle devam etmek istiyorsanız, bana hangi metodolojiyi takip ettiğinizi söyleyin. Ayrıca çok şey topografya, bölgenizin LULC bağlıdır. Mikrodalga veri sınıflandırmasının kendisi basit değildir, çok sayıda literatüre danışmanız ve size en uygun yöntemi seçmeniz gerekir. Lütfen M.Tech Tezimde izlediğim metodolojiye bakın: http://www.iirs.gov.in/iirs/sites/default/files/StudentThesis/Sanjay_MTech_2013-15.pdf

Lütfen literatürden geçtikten sonra herhangi bir sorunuz olup olmadığını sorun.

— üzerinden kemer yapmak
kaynak

Sentinel-1'in C-Band'ını kullanarak Google-Earth-Engine'de başlamanıza yardımcı olabilecek bir örnek:

var pt = ee.Geometry.Point(96.7868, 29.31409);

// Filter collection around point. Also read up on Sentinel-1's 
// polarization 
var collection = ee.ImageCollection('COPERNICUS/S1_GRD').filterBounds(pt)
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
.select('VV');

// select an appropriate date
var beforesnow = collection.filterDate('2016-11-01', '2016-12-01').mosaic();
var aftersnow = collection.filterDate('2017-02-01', '2017-03-01').mosaic();

// bands for Sentinel-2
var bands = ['B2', 'B3', 'B4'];

// Some Sentinel-2 images for reference
var S2 = ee.ImageCollection('COPERNICUS/S2').filterBounds(pt)
.select(bands);
var S2before = S2.filterDate('2016-10-01', '2016-11-30').mosaic();
var S2after = S2.filterDate('2017-01-01', '2017-02-01').mosaic();

Map.addLayer(S2before, {bands: ['B4', 'B3', 'B2'], min: 300,max: 5000}, 'S2 Before');
Map.addLayer(S2after, {bands: ['B4', 'B3', 'B2'], min:873,max: 12522}, 'S2 After');

Map.centerObject(pt, 13);

// you may change the min, max later when tinkering with the layers tab in // the map
Map.addLayer(beforesnow, {min:-30,max:0}, 'Before snow');
Map.addLayer(aftersnow, {min:-30,max:0}, 'After snow');

//Some information on the Sentinel-1 collection
print('Collection: ', collection);

Görüntüyü, burada belirtilen denetimli sınıflandırma algoritmalarını kullanarak sınıflandırmanız gerekecektir: https://developers.google.com/earth-engine/classification

Sentinel-1 kullanımı hakkında daha fazla bilgi https://developers.google.com/earth-engine/sentinel1

Google Earth Engine ve Glaciers'ta: http://www.geo.uzh.ch/~mzemp/share/scratch/msc/MSc.Thesis_NoahZeltner_UsingGoogleEarthEngineForGlobalGlacierChangeAssessment.pdf

SAR ve buzul bölgelerinde: http://www.sciencedirect.com/science/article/pii/S0034425713001703

— csheth
kaynak