多时相Landsat数据变化检测：频率、预处理、算法和应用四方面的检测外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

多时相Landsat数据变化检测：频率、预处理、算法和应用四方面的检测

原作者：Zhe Zhu 翻译：潘皓宇

摘要：2008年所有Landsat图像数据访问的开放彻底改变了使用Landsat数据的途径。许多基于Landsat时间序列的新颖变化检测算法逐渐被开发出来。我们对基于Landsat时间序列的变化检测研究的四个重要方面进行了全面综述，包括频率，预处理，算法和应用。我们观察到最近研究的趋势是Landsat时间序列使用的频率越来越高。我们在回顾了一系列图像预处理步骤，包括大气校正，云和云阴影检测，以及复合/融合/度量技术后，将所有变化检测算法分为六类，包括阈值，差分，分割，轨迹分类，统计边界和回归。在每个类别中，分析了频率，变化指数，单变量/多变量，在线/离线，突变/渐变，子像素/像素/空间等6种不同算法的主要特点。此外，一些广泛使用的变化检测算法也被讨论。最后，我们通过将这些应用程序分为两类，即变化目标和变化媒介检测，审核了多种的变更检测用途。

1.介绍

2017国际摄影测量和遥感协会（ISPRS）。由Elsevier BV出版公司保留所有权利Landsat数据已被用于研究地球表面由于其悠久的历史和相对较高的空间分辨率而几十年来如何变化（Kennedy等，2014）。然而，长期以来，Landsat数据很少已被用于时间序列分析，因此需要高成本（Loveland和Dwyer，2012），并需要大型存储和高性能计算能力（Hansen和Loveland，2012）。历史上，使用Landsat数据的变化检测主要基于比较两个不同时间的图像 - 双时间方法（Singh，1989）。尽管双时态方法在数学上简单并且不需要存储大量的数据，但与时间序列方法相比，它能够更全面地了解地球表面动力学的复杂性，这种方法的用处不大（Coppin et al。， 2004）。近几十年来，数据存储成本急剧下降，计算能力大幅增加，为Landsat数据的时间序列分析奠定了基础。 2008年，整个Landsat档案的自由开放访问进一步彻底改变了Landsat数据的使用方式（Woodcock，2008; Wulder等，2012）。许多研究使用Landsat时间序列，其中大部分研究集中于变化检测（Banskota等，2014）。

最近，随着Landsat全球归档整合（LGAC）倡议，在美国地质调查局（USGS）地球资源观测和科学（EROS）中心的档案中增加了320多万幅Landsat图像（Wulder等， 2016）。这使得Landsat数据可以进行时间序列分析，这些数据以前由Landsat时间序列密度不足的地方所确定。虽然Landsat 7上的扫描线相关器（SLC）对Landsat数据的使用有很大影响，但它对时间序列分析的影响有限。基本上，我们可以将那些SLC关闭的区域看作是云或云阴影，并将剩余的时间序列分析用于每个像素（Zhu and Woodcock，2014a，2014b）。 2013年Landsat 8的发布填补了Landsat 5的长期角色，与之前的Landsat 卫星相比，Landsat 8正以更高的信噪比（Schott et al。，2014）收集更多图像（Roy et al。，2014）所有这些因素都使得Landsat数据的时间序列分析成为遥感界最重要的研究课题之一。

遥感变化检测是识别不同时间图像差异的过程（Singh，1989）。 在这个过程中，由太阳角度差异和植被物候变化引起的季节差异通常被视为变化检测中噪声的主要来源，需要通过选择基于某些去调味方法校正的同一季节的图像来避免。 在这篇评论中，我们只关注探测非季节性变化的研究。 尽管利用遥感数据在变化检测中已经存在大量的升级评论，但其中大多数仅仅评论了使用两个图像日期的方法（Singh，1989; Coppin等人，2004; Lu等人，2004）。最近 ，一些评论讨论了基于卫星数据时间序列的变化检测算法，但它们要么只集中于探测森林变化（Banskota et al。，2014; Thonfeld et al。，2015），要么不是Landsat特定的数据（Boriah，2010; Thonfeld 等），2015）。

根据Scopus的文献检索，Scopus是同行评议文献中最大的摘要和引文数据库，Landsat档案馆开放后，有关“变化检测”，“Landsat”和“时间序列”的出版物数量大幅增加2008年免费接入，而且该年的增长尤为明显（图1）。这表明利用Landsat时间序列进行变化检测已成为遥感领域的一个更重要的领域。表1列出了该领域前15名最相关的期刊，最多的作者和主要研究机构。请注意，withinScopus内的搜索总共提供了254篇文章，但其中一些文章不是基于Landsat时间序列的更改检测，或是晚于本评价的提交日期发布（在此评论中将它们排除在外）。此外，我们还发现了一些实际上利用Landsat时间序列检测到变化的技术，但未包含在Scopus中（我们在本评论中添加了这些技术）。在本文中，我们对2000年至2016年间发布的使用Landsat时间序列进行变化检测的共102个粒子的四个重要方面进行了全面综述，包括频率，预处理，算法和应用。

2.频数分析

用于变化检测的Landsat时间序列的频率在近几年已经大幅增加。一颗Land-sat卫星不到16天就访问同一地点，这意味着它可以每年为特定地点收集22-23张图片（不考虑重叠区域）。两个Landsat卫星在同一地点每年最多可以提供45-46个图像。在使用Landsat时间序列进行变化检测的102篇文章中，其中89篇包含计算每年使用的图像数量的信息（图2）。对于Landsat时间序列多频率的研究，我们用最高频率来表示研究。如果研究仅提供了多个路径/行的Landsat图像总数，我们使用平均频率（跨多条路径/行）来表示研究的频率。根据图2的统计数据，很少有在2008年之前看到每年使用一幅以上Landsat影像的文章;事实上，其中许多人每两年使用一幅Landsat影像（每年0.5幅影像）或四年（0.25图像每年）。 2008年之后，故事完全改变了。我们不仅看到了更多的文章（图1），而且还观察到每篇文章中每年使用的Landsat图像数量大幅增加（图2）。研究每年使用一台Landsat成像仪或每年使用20-30张图像（图2A）。由于大多数时间系列研究仅对制作年度或半年变化地图感兴趣，他们倾向于选择在同一季节获得的多幅图像（部分阴天图像），并且相同的叶黄素产生无云合成图像作为它们的输入（“圆圈“在图2）。在这种情况下，由太阳角度差异和植被物候变化引起的季节差异被最小化，并且数据量显着减少。还有一些研究将Landsat数据与MODIS数据相融合，并且能够每16天（每年22幅图像）预测Landsatimage用于检测森林变化（Hilker等，2009）（图1中的三角形 2A）。 2012年以后，每年使用的Landsat图像的平均数量大约为10（图2中的“虚线”） - 与2008年相比又有大幅增长。2012年，使用所有可用Landsat图像的新方法出现在文献中“在图2中）。这些方法可以对时间序列内年度季节变化进行建模，并且每8天快速检测一次变化（Zhu et al。，2012）。请注意，还有一些方法使用统计度量标准，如百分位数和坡度作为输入改变检测（图2中的菱形）。最近的研究显示，Landsat时间序列使用的频率越高。使用更频繁的Landsat时间序列提供了以更快的速度检测变化的可能性。密集的Landsat时间序列也提供了捕获年内季节变化的可能性，并且这些信息对于提高变化检测精度非常有帮助。

3.预处理

在应用Land-sat时间序列的不同变化检测算法之前，我们需要执行一系列图像预处理步骤，包括大气修正，云和云层阴影检测以及复合/融合/度量。为确保时间序列符合要求，大多数变化检测算法仅选择1级地形校正（L1T）Landsat图像作为其输入。据报道，L1T Landsat图像具有较高的测量精度（超过99％的数据RMSE小于30米; http：//landsat.usgs.gov/geometry.php），并且几何校正通常被认为是必要的L1T Landsat图像包含在变化检测中（Zhu和Woodcock，2014a）。此外，2016年，USGS EROS中心开始将Landsat归档为正式的分层数据收集结构，确保Landsat Level-1产品提供已知数据质量（层1，层2和实时）的一致存档，支持时间序列分析和数据“堆叠”。最高可用数据质量Landsat图像（lt;12 m RMSE的图像间图像容差; https：//landsat.usgs.gov/landsat-collec-tions）被放入第1层，被认为最适合用于时间序列分析。

3.1大气校正

为了减少来自大气的影响，在检测变化之前，大气校正是常见的预处理步骤。一般来说，有两类大气改正方法：（1）相对标准化（Schroeder等，2006）和绝对改正（Chaacute;vez，1996; Song和Woodcock，2003）。相对标准化包括根据多日期图像的假不变特征之间的关系来调整Landsat时间序列的辐射测量参考图像（Song et al。，2001）。绝对修正可以进一步分为两类：基于经验和基于物理的方法。 Dark-Object Subtraction（DOS）方法是基于图像中最暗值估计路径辐射率的经验广泛的方法（Song和Woodcock，2003）。 DOS相对简单，但它不考虑大气影响中像素与像素之间的差异。基于物理的方法，如大气层/地形校正（ATCOR; Richter，1997），模式解析大气TRANsmission（MODTRAN; Berk等，1998）和太阳光谱中的卫星信号（6S） （Vermote et al。，1997）能够考虑大气异质性，但需要很多复杂的步骤和手工操作，使得它们难以处理大量的Landsat时间序列。然而，Landsat生态系统干扰自适应处理系统LEDAPS）软件（Masek et al。，2006）采用了6S代码，已经对地球4号到7号全自动化进行了大气校正。最近，Vermote等人（2016）为Landsat 8（L8SR）开发了一种改进的大气改正算法，该算法在特设的Landsats 5-7 LEDAPS产品上有所改进。 2012年，LEDAPS产生的Landsat 4-7地表反射产物由USGS EROS中心提供。 2014年晚些时候，L8SR产生的临时Landsat 8表面反射率产品也由USGS EROS中心提供。 Landsat地表反射率的自由分布极大地增加了基于LEDAPS和L8SR的地表反射率产品在Land-sat时间序列（图3中的“虚线”）变化检测中的使用。

3.2云和云阴影检测

云层及其阴影的存在使Landsat数据的使用变得复杂，使得在检测到变化之前将这两个项目的检测结果作为一个可行的步骤。 长期以来，像素级的云和云阴影检测仅存在粗空间分辨率传感器，如先进甚高分辨率辐射计（AVHRR）和中分辨率成像辐射计（MODIS）（Ackerman等，1998; Derrien等，1993 ; Saundersand Kriebel，1988）。 虽然Landsat一直在收集十二月的数据，但几乎没有任何可以在像素级提供云和云遮罩的运算算法。 自动配合的云覆盖评估（ACCA）系统（爱尔兰，2000;爱尔兰等，2006）很适合估算每个Landsat图像云层覆盖率的百分比，但它不能为每个Landsatpixel提供云和云阴影蒙板。

自2008年整个Landsat档案免费以来，已经基于单一日期的Landsat图像开发了许多云和云影子检测算法（Braaten等，2015; Huang等，2010b; Oreopoulos等，2011; Potapov等，2011; Roy等，2010; Scaramuzza等，2012; Qiu等，2017; Vermote等，2016; Vermote和Saleous，2007; Zhu和Woodcock，2014b，2012）。 大多数算法都是针对ThematicMapper TM和Enhanced Thematic Mapper Plus（ETM ）而设计的，并且仅为运营地成像仪（OLI）/热红外传感器（TIRS）设计了一些算法（Scaramuzza等，2012; Vermote等 2016; Zhu等，2015a）和多光谱扫描仪（MSS）（Braaten等，2015）。 尽管所有算法都是为了相同的目的而开发的，但识别云及其阴影的机制却非常不同。 通常，我们将算法分为两类：基于物理规则和基于机器学习的算法。

基于物理规则的算法根据物理特性来检测云及其阴影（Braaten等，2015; Huang等，2010b; Oreopoulos等，2011; Qiu等，2017; Vermote等，2016; Vermote和Saleous，2007年; Zhu和Woodcock，2014年b，2012年）.Vermote和Saleous（2007年）提出了一种云和云阴影检测算法，用于将地球卫星数据作为LEDAPS软件的内部产品之一。这种算法需要其他辅助数据，如美国国家环境预测中心（NCEP）的表面温度，以生成用于检测云的表面温度参考层。后来，Vermote等人（2016）针对L8SR框架内的Landsat 8数据提出了云和云阴影检测算法，该算法利用了一些新闻频段（例如卷积带和新蓝带）的优势。 Huang等人（2010b）提出了一种基于温度检测云的算法，该算法通过DEM进行归一化并预先分类出自信的森林像素，并根据太阳敏感器的几何结构检测云阴影。 Oreopoulos等人。 （2011）修改了原来为MODIS开发的云检测算法（Luo et al。，2008），并将算法应用于Landsatdata。该算法与ACCA算法相媲美，而不使用热敏带。朱和Woodcock（2012）和朱等人。 （2015b）基于L

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24917]，资料为PDF文档或Word文档，PDF文档可免费转换为Word