AROSICS

AROSICS - "Automated and Robust Open-Source Image Co-Registration Software."

AROSICS  ist ein Python-Paket zur automatischen Subpixel-Ko-Registrierung von zwei Satellitenbild-Datensätzen, basierend auf einem Image-Matching-Ansatz, der im Frequenzbereich arbeitet, kombiniert mit einem mehrstufigen Workflow zur effektiven, automatischen Filterung von Fehldetektionen.

Der Algorithmus erkennt und korrigiert sowohl lokale als auch globale Fehlregistrierungen zwischen zwei Eingabebildern im Subpixelbereich, die in Satellitenbildern häufig vorkommen. Er ist robust gegenüber typischen Störfaktoren, die bei multisensoralen/multitemporalen Bildern auftreten. Bewölkte Bildbereiche werden automatisch von den implementierten Ausreißer-Detektionsalgorithmen ignoriert. Zusätzlich können auch benutzerdefinierte Masken bereitgestellt werden, um bestimmte Bildbereiche von der Erstellung von Verknüpfungspunkten auszuschließen. Der Bildüberlappungsbereich wird automatisch erkannt. AROSICS unterstützt eine breite Palette von Eingabedatenformaten und kann von der Kommandozeile (ohne Python-Erfahrung) oder als normales Python-Paket verwendet werden.

Kontakt: Daniel Scheffler 

Ensemble Correlation

Visual Analytics approach for the correlation-based comparison of two ensemble time series.

Git:to be done

GeoMultiSens

GeoMultiSens supports the holistic processing and analysis of optical remote sensing data from different archives.

Spatial and spectral homogenization of satellite remote sensing data. 

Kontakt: Dr. Daniel Eggert, Daniel Scheffler

HYSOMA

HYSOMA (Hyperspectral SOil MApper) ist eine Software-Schnittstelle, die derzeit am Deutschen GeoForschungsZentrum GFZ entwickelt wird. Es ist eine experimentelle Plattform für Bodenkartierungsanwendungen von hyperspektralen Bildern, die eine einfache Implementierung in den hyperspektralen und nicht-hyperspektralen Communities ermöglicht (Verteilung unter der idl-virtual machine) und die Auswahl mehrerer Algorithmen für jeden Bodenparameter bietet. Die Hauptmotivation für die Entwicklung von HYSOMA ist es, Experten und Nicht-Experten eine Reihe von Werkzeugen zur Verfügung zu stellen, die für Bodenanwendungen genutzt werden können. Die Algorithmen konzentrieren sich auf die vollautomatische Erstellung von semiquantitativen Bodenkarten für wichtige Bodenparameter wie Bodenfeuchte, organischer Kohlenstoff und Bodenmineralien (Eisenoxide, Tonminerale, Karbonate). Zusätzliche Werkzeuge zur Bodenanalyse wurden implementiert, um z.B. die Ableitung quantitativer Karten auf Basis von in-situ-Datensätzen zu ermöglichen.

Kontakt: Dr. Sabine Chabrillat

LocalPLSR

The local PLSR methodology: Quantification of soil parameters e.g. organic carbon, in field soil samples using spectrally similar soil samples from a large scale soil spectral database. For this purpose, Laboratory spectra measured from the field soil samples are required and compared with the laboratory spectra from the soil spectral database. The most similar soil samples from the soil spectral database are then used to train a separate PLSR model for each field sample. Each model is applied to the respective field sample to quantify the soil parameter. The localPLSR thus represents an alternative to the conventional quantification (in the chemical laboratory) of spectrally active soil parameters. For this purpose, laboratory spectra of the field samples need to be measured with laboratory spectrometers.

contact: Kathrin Ward 

PyRQA

PyRQA conducts recurrence analysis in a massively parallel manner using the OpenCL framework. It is designed to efficiently process time series consisting of hundreds of thousands of data points.

Pip: https://pypi.org/project/PyRQA

Kontakt: Dr. Mike Sips

SEVA

SEVA supports users in training classification models, assessing the classifier's errors, and exploring the classification results.

Kontakt: Dr. Daniel Eggert

SICOR

SICOR is the Sensor Independent atmospheric CORrection of optical Earth Observation (EO) data from both multispectral and hyperspectral instruments. Currently, SICOR can be applied to Sentinel-2 and EnMAP data but the implementation of additional space- and airborne sensors is under development. As a unique feature for the processing of hyperspectral data, SICOR incorporates a three phases of water retrieval based on Optimal Estimation (OE) including the calculation of retrieval uncertainties. The atmospheric modeling in case of hyperspectral data is based on the MODTRAN radiative transfer code whereas the atmospheric correction of multispectral data relies on the MOMO code. The MODTRAN trademark is being used with the express permission of the owner, Spectral Sciences, Inc. 

Kontakt: Niklas Bohn

Slivisu

Visual Analytics approach for assessing the quality of simulation models with sparse and imprecise observation data.

Git: https://gitext.gfz-potsdam.de/sec15pub/slivisu

Kontakt: Dr. Daniel Eggert 

SpecHomo

Spektrale Homogenisierung von multispektralen Satellitendaten.

SpecHomo  ist ein Python-Paket zur spektralen Homogenisierung von multispektralen Satellitendaten, d.h. zur Transformation der spektralen Information eines Sensors in die spektralen Eigenschaften eines anderen Sensors. Dies vereinfacht Arbeitsabläufe, erhöht die Zuverlässigkeit der anschließend abgeleiteten Multisensor-Produkte und kann auch die Erzeugung neuer Produkte ermöglichen, die mit den ursprünglichen spektralen Kanalpositionen nicht möglich sind.

Kontakt: Daniel Scheffler

SPECTATION

Hervorgegangen aus dem DBU-geförderten Projekt "Monitoring in der Döberitzer Heide: Vegetation und Fernerkundung", stellt SPECTATION in seinem derzeitigen Entwicklungsstand eine umfangreiche Datensammlung als Referenz zur Kalibrierung hyperspektraler Verfahren, insbesondere mit Bezug zu heutigen datenintensiven maschinellen Lernsystem, dar. SPECTATION hält multitemporale, spektral kontinuierliche Reflexionswerte (350-2500 nm) vor und verknüpft diese mit Informationen von Artabundanzen, strukturellen Bestandsmerkmalen und abiotischen Standortfaktoren in natürlichen Vegetationsbeständen des Offenlandes.

Kontakt: Dr. Carsten Neumann

zurück nach oben zum Hauptinhalt