Liệu nó có đúng về mặt khoa học đối với sản phẩm phản xạ pansharpen Landsat với dải pan

Tôi cần biết liệu nó có hợp lệ về mặt khoa học để hợp nhất / pan-sharpen sản phẩm phản xạ bề mặt Landsat 8 với dải pan của dải tương ứng đó không? Chi tiết sản phẩm phản xạ Landsat có thể được tìm thấy ở đây . Cần phải đề cập rằng người ta cần phải đặt hàng riêng sản phẩm phản xạ bề mặt để có được sản phẩm này. Sản phẩm này chỉ chứa 7 băng tần (30m) không phải băng tần IR và Pan. Vì vậy, một lần nữa, câu hỏi của tôi là hợp lệ để hợp nhất 7 dải (30m) sản phẩm phản xạ bề mặt với dải pan bình thường (không phản xạ bề mặt) (15m). Tôi muốn sử dụng hình ảnh pansharpened này để phân đoạn và theo bản đồ che phủ đất. Vì vậy, tôi cần biết rằng có bất kỳ thực hành thành lập nào của loại mài chảo này trong học viện với tham chiếu, nếu có xin vui lòng trích dẫn.

Về cơ bản câu hỏi ở đây là "giá trị khoa học" nghĩa là gì ". Nếu bạn đang tìm cách thực hiện mô hình quang phổ trên dữ liệu, thì câu trả lời có thể khác so với khi bạn đang xem phân loại / phân đoạn hình ảnh. Pansharpening (tùy thuộc vào phương pháp) chỉ đơn giản là sẽ thay đổi phạm vi của các giá trị một lượng khá nhỏ và không nên đặt các giá trị phản xạ của bạn bên ngoài phạm vi khả năng.

Nói chung, nó phụ thuộc rất nhiều vào ứng dụng bạn sẽ sử dụng dữ liệu cho ứng dụng nào. Hơn nữa, tác động của pansharpening cũng có thể đáng được ghi nhận là kết quả phụ một phần trong bất kỳ nghiên cứu nào bạn đang thực hiện. Kết quả có thể là nó không thêm bất cứ thứ gì, ngoại trừ số pixel nhiều gấp bốn lần, nghĩa là thời gian xử lý dài gấp bốn lần, trong một số trường hợp là một showstopper.

Chỉnh sửa: Cơ sở dữ liệu bài viết của tôi về chủ đề này không lớn, nhưng tôi có hai nơi sử dụng dữ liệu pansharpend (với kết quả hợp lý) để phân đoạn hình ảnh:

Shackelford, AK, & Davis, CH (2003). Một cách tiếp cận dựa trên pixel mờ và dựa trên đối tượng để phân loại dữ liệu đa bán cầu có độ phân giải cao trên các khu vực đô thị. Giao dịch của IEEE về khoa học địa lý và viễn thám, 41 (10), 2354ùn2364. http://doi.org/10.1109/TGRS.2003.815972

Fernández, I., Aguilar, FJ, Aguilar, MA, & Álvarez, MF (2014). Ảnh hưởng của nguồn dữ liệu và quy mô đào tạo đối với phân loại diện tích bề mặt không thấm nước bằng cách sử dụng vệ tinh VHR và hình ảnh trên không thông qua phương pháp tiếp cận dựa trên đối tượng. Tạp chí của IEEE về các chủ đề được lựa chọn trong quan sát trái đất ứng dụng và viễn thám, 7 (12), 4681 Ném4691.

Trước hết - trừ khi bạn THỰC SỰ biết những gì bạn đang làm và những gì bạn đang thử nghiệm - bạn không thể chuyển đổi chính xác PAN từ DN sang phản xạ TOA. Dữ liệu này được thực hiện chỉ nhằm mục đích tăng cường thị giác; và không có thông tin phổ được cho là bắt nguồn từ nó.

Các giá trị phản xạ TOA là một thang đo lại từ kiểu dữ liệu 16 bit như USGS đã nêu . Điều đó có nghĩa là bạn có thể sử dụng băng PAN trực tiếp làm đầu vào với dữ liệu phản xạ TOA đa năng. Đặc biệt là vì hầu hết - nếu không phải tất cả - các thuật toán làm sắc nét bắt đầu bằng một số loại chuẩn hóa dữ liệu.

Một điều khác bạn có thể làm - chỉ cần để tâm trí thoải mái - là lấy hai dữ liệu mẫu (cấp 2 & cấp 1); áp dụng mài sắc trên cả hai và thực hiện đánh giá quang phổ và không gian trên cả hai kết quả.

PS: Liên quan đến chủ đề của dự án của bạn

Năm ngoái, tôi đã làm việc trong một dự án liên quan đến Đánh giá hiệu ứng Pan-Sharpening về phân loại hình ảnh , trong đó dữ liệu đầu vào là hình ảnh vệ tinh Quickbird và Landsat 8. Nhiều thuật toán và phương pháp đã được thử nghiệm. Và kết quả rất thú vị. Chúng tôi chưa kịp xuất bản bài báo nên tôi không thể tiết lộ hầu hết những điều chúng tôi đã làm. Nhưng một điều tôi có thể nói là: thử và sử dụng kết hợp dữ liệu gốc (toàn dải) và hình ảnh được làm sắc nét bằng phân đoạn. Vì hầu hết các thí nghiệm được thực hiện trên dữ liệu Landsat cho thấy độ chính xác tổng thể và hệ số Kappa giảm xuống so với việc phân loại dữ liệu gốc.