Насколько правильно с научной точки зрения откорректировать продукт отражения земли с панорамированием

Мне нужно знать, является ли научно обоснованным, чтобы плавить / подвергать резкости продукты Landsat 8 для поверхностного отражения с панорамированием этой соответствующей полосы? Подробную информацию о продукте отражающей способности Landsat можно найти здесь . Следует отметить, что для получения этого продукта необходимо отдельно заказать изделие с отражающей поверхностью. Этот продукт содержит только 7 полос (30 м), а не ИК и панорамирование. Итак, еще раз, мой вопрос, является ли правильным объединение 7 полос (30 м) продукта поверхностного отражения с нормальной (не поверхностной отражательной способностью) панорамирующей полосой (15 м). Я хочу использовать это заостренное изображение для сегментации и последующего картирования земного покрова. Поэтому мне нужно знать, существует ли какая-либо общепринятая практика такого типа заточки в научном сообществе со ссылкой, если да, приведите, пожалуйста.

По сути, вопрос здесь заключается в том, что означает «научно обоснованный». Если вы хотите провести спектральное моделирование данных, то, возможно, ответ будет другим, чем если бы вы занялись классификацией / сегментацией изображения. Сглаживание (в зависимости от метода) просто изменит диапазон значений на довольно небольшую величину и не должен выводить значения отражательной способности за пределы возможного.

В общем, это во многом зависит от того, для какого приложения вы собираетесь использовать данные. Кроме того, влияние паншарпинга может также стоить документировать как частичный побочный результат в любом исследовании, которое вы проводите. Результатом может быть то, что он ничего не добавляет, кроме четырехкратного количества пикселей, что означает в четыре раза больше времени обработки, что в некоторых случаях является показателем времени.

Изменить: Моя база данных статей по этой теме невелика, но у меня есть две, где данные pansharpend используются (с разумными результатами) для сегментации изображения:

Shackelford, AK & Davis, CH (2003). Комбинированный нечеткий пиксельный и объектный подход для классификации мультиспектральных данных высокого разрешения по городским районам. IEEE Труды по геонаукам и дистанционному зондированию, 41 (10), 2354–2364. http://doi.org/10.1109/TGRS.2003.815972

Фернандес И., Агилар Ф.Д., Агилар М.А. и Альварес М.Ф. (2014). Влияние источника данных и размера обучения на классификацию непроницаемых поверхностей с использованием VHR спутниковых и аэрофотоснимков с помощью объектно-ориентированного подхода. Журнал IEEE по отдельным темам в прикладных исследованиях Земли и дистанционном зондировании, 7 (12), 4681–4691.

Прежде всего - если вы ДЕЙСТВИТЕЛЬНО не знаете, что делаете и с чем экспериментируете, - вы не сможете правильно преобразовать PAN из DN в коэффициент отражения TOA. Эти данные сделаны исключительно с целью визуального улучшения; и никакая спектральная информация не должна быть получена из этого.

Значения отражательной способности TOA представляют собой масштабирование из 16-битного типа данных, как указано в USGS . Это означает, что вы можете использовать полосу PAN непосредственно в качестве входных данных для многоспектральных данных отражения TOA. Тем более, что большинство - если не все - алгоритмов панхроматики начинаются с некоторой нормализации данных.

Еще одна вещь, которую вы можете сделать - просто успокоить свой разум - это взять два образца данных (уровень 2 и уровень 1); примените к ним резкое панорамирование и проведите спектральную и пространственную оценку обоих результатов.

PS: По поводу темы вашего проекта

В прошлом году я работал над проектом, касающимся оценки эффектов панхарпинга при классификации изображений , где входными данными были спутниковые изображения Quickbird и Landsat 8. Несколько алгоритмов и подходов были протестированы. И результаты были очень интересными. Мы еще не удосужились опубликовать статью, поэтому я не могу раскрыть большинство вещей, которые мы сделали. Но я могу сказать одно: попытаться использовать комбинацию исходных данных (полные полосы) и сегментированных панхроматических изображений. Поскольку большинство экспериментов, проведенных на данных Landsat, показали, что общая точность и коэффициент Каппа снизились по сравнению с классификацией исходных данных.