Мультиспектральные изображения приборов КМСС-2 (Метеор-М №2-2 и Метеор-М №2-4) имеют пространственное разрешение 60 метров в надире и интервал повторения наблюдений около 3 дней, что позволяет использовать данные этих спутниковых систем для решения задач оперативного мониторинга и дистанционной оценки растительного покрова. В частности, в ИКИ РАН в оперативном режиме формируются доступные в интерфейсах семейства Вега продукты оперативной интерполяции дистанционных характеристик состояния растительности России по данным КМСС-2, включая КСЯ и вегетационные индексы с ежедневным временным разрешением, впервые на основе этих данных для территории России создан продукт индекса листовой поверхности LAI. Продолжают развиваться методы предварительной обработки данных приборов серии КМСС, направленные на распознавание облачности, теней, водных объектов и снежного покрова.
Для этих целей в работе были использованы данные спутниковой системы Sentinel-2 (MSI), обладающей схожим интервалом повторения наблюдений. Помимо близких к КМСС-2 спектральных каналов, в состав стандартных продуктов MSI уровня L2A входит продукт Scene Classification Land (SCL), содержащий результат классификации сцены с разделением на классы чистой поверхности, водной поверхности, теней, облачности, снега и других. В настоящей работе использовались пары «синхронных» мультиспектральных изображений MSI – КМСС-2, полученные на одну территорию за один день с разницей локального времени съемки не более 3 часов. Данные MSI переводились в географическую проекцию и загрублялись до разрешения КМСС методом билинейной интерполяции в зеленом, красном и ИК каналах и методом majority для тематического изображения SCL. Ранее в ИКИ РАН был разработан метод многофакторной коррекции данных, позволяющий локально-адаптивно приводить целевое изображение в конкретном спектральном канале к эталону, полученному на основе данных другой спутниковой системы, который был использован для приведения распределений яркости в канальных изображениях КМСС-2 к соответствующему распределению MSI.
Разработанный в настоящем исследовании метод можно представить в виде следующих этапов:
- оценка качества тематического слоя SCL на основе соответствующего мультиспектрального изображения Sentinel-2 и метода случайных лесов;
- оценка возможности приведения мультиспектральных изображений КМСС-2 к изображениям MSI на основе метрик абсолютных различий и корреляции приведённых гистограмм
- использование обученной на данных MSI модели Random Forest с целью классификации изображения КМСС с получением выбранных из SCL тематических классов.
Точность переноса модели и классификации может также оцениваться на основе текстурных признаков и методов глубокого обучения. Полученные с необходимой точностью маски целевых классов будут использоваться в задачах связанных с предварительной обработкой данных КМСС-2 и в целях тематического картографирования территории, мониторинга растительного покрова и оценки состояния растительности