Manejo de sombras de montaña al clasificar Landsat 8

10

Estoy tratando de clasificar alguna área en el norte de Mongolia usando imágenes de satélite Landsat 8 de 2013. Dado que las grabaciones se hicieron en invierno, el sol está muy bajo en el momento de la adquisición. Por lo tanto, hay sombras muy largas y oscuras de las montañas.

Puedo identificar esta sombra usando un DEM, como se describe en esta pregunta: Cómo quitar efectos topográficos como sombras de la imagen de Landsat

¿Cómo puedo realizar una clasificación supervisada para el área sombreada recortada? ¿Es posible mejorar estas áreas? Intenté algunas proporciones de banda, pero no sé cuál es el mejor para mi tarea.

En esta imagen puede ver que hay algunas áreas con vegetación en las sombras oscuras, pero no es posible clasificarlas.

ejemplo para algunas áreas sombreadas

dan_ke
fuente
2
¿Has convertido esto en reflectancia? ¿Qué método usaste?
Aaron
2
No, no lo hice. Utilicé una pila de capas de la banda 3,4,5 e hice la Clasificación de máxima verosimilitud en ArcGIS. Para una mejor interpretación del área, he usado NDVI y algunas composiciones de colores falsos.
dan_ke
2
Es por eso que la reflectancia en el sensor y la ortorectificación son pasos importantes de preprocesamiento.
Jeffrey Evans
¿Intentó alguna corrección topográfica como C-corrección o Minnaert ?, por favor, si algo como esto puede ayudar. Le proporcionaría más detalles sobre cómo lograr esto.
Paulo Cardoso
2
DN to TOA no eliminará el efecto topográfico. La corrección topográfica (normalización topográfica) minimizará, no eliminará, el efecto de sombra y esto será particularmente crítico en su caso. Recomiendo leer esto para una visión general del problema y posibles enfoques.
Paulo Cardoso

Respuestas:

1

En realidad, no se garantiza que pueda recuperar parte de la información de las áreas sombreadas. Sin embargo, una vez traté con éxito con sombras (en la nube) en una imagen hiperespectral. El objetivo era la simple clasificación de la cobertura del suelo. Esto es lo que hice. No estoy seguro de cómo funcionaría esto con las imágenes de Landsat, pero dado que es muy simple, debería intentarlo.

Una vez que detecté la sombra, simplemente realicé una coincidencia de histograma de las áreas sombreadas con el resto de la imagen. Tenga cuidado ya que al hacer esto asume que la señal espectral en áreas sombreadas y la que está en áreas iluminadas pertenecen más o menos a las mismas clases (~ mismas distribuciones). Aunque este es un método muy simple y simplista, pude clasificar correctamente los píxeles sombreados a costa de algunos pequeños errores de borde sombreado. Tal vez pueda apilar todas las relaciones de banda posibles a la imagen y volver a formalizar todas las características antes de la clasificación, esto podría incluso reducir aún más los efectos de sombra. Probablemente tengas que usar un clasificador robusto entonces.

EDITAR: Además, podría normalizar cada píxel para que tenga la norma de la unidad (mirando cada píxel como un vector espectral). Esto también debería ayudar a eliminar los efectos de sombra.

pixelmitch
fuente
1

Sugeriría lo que Stella dijo a continuación. Simplemente puede clasificarlo como sombra para que no perjudique su precisión. Por supuesto, asegúrese de tener suficientes áreas de interés o áreas de entrenamiento de la sombra para asegurarse de que todo esté clasificado. Si tiene que hacer una presentación, puede comentar que la mayoría de las áreas de sombra son uniformes con la parte del lado cercano de la montaña, lo que significa que si el lado de la montaña que está golpeando el sol refleja las propiedades vegetativas, entonces el otro lado podría bueno si el sol lo golpeara. Espero que esto ayude. He tenido que hacer esto y si no clasificas la sombra o le aplicas correcciones, se clasificará igual que el agua ya que tienen similitudes espectrales.

Jeremy
fuente
0

Sugeriría clasificar las sombras por separado del resto de la imagen. Si puede encontrar una clase de sombra distinta, enmascare los píxeles de "sombra" y luego estírelos y reclasifique (tenga cuidado de cómo se estira). No soy un experto en clasificación de imágenes, pero definitivamente validaría cualquier resultado con otras imágenes.

Stella
fuente