SpecHomo

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

SpecHomo bietet verschiedene maschinelle Lernverfahren für die Vorhersage der spektralen Informationen des Zielsensors. Bisher sind multivariate lineare Regression, multivariate quadratische Regression und Random Forest Regression implementiert. Um einen einfachen Vergleich mit dem einfachsten Homogenisierungsansatz zu ermöglichen, ist auch eine lineare spektrale Interpolation implementiert. Das Paket SpecHomo wurde im Rahmen des GeoMultiSens Projekts entwickelt. Der zugrunde liegende Algorithmus wurde in Scheffler et al. 2020 veröffentlicht.

Zielgruppe

SpecHomo richtet sich an eine Nutzergruppe mit Fernerkundungsexpertise, die daran interessiert sind, auswertbare Daten zu erzeugen oder Zeitreihenanalysen durchzuführen. Das Paket ist über den Python package index oder conda-forge frei verfügbar.

Funktionen

Im Gegensatz zu bisherigen spektralen Homogenisierungstechniken ermöglicht SpecHomo nicht nur die Anwendung einer globalen (bandweisen) Transformation mit denselben Vorhersagekoeffizienten für alle Grauwerte eines Spektralbandes. Es unterscheidet auch zwischen einzelnen spektralen Merkmalen verschiedener Landbedeckungstypen, indem es speziell trainierte Vorhersagekoeffizienten für verschiedene Spektralcluster verwendet. Dies erhöht die Genauigkeit der vorhergesagten spektralen Informationen.

Darüber hinaus kann SpecHomo nicht nur zur Homogenisierung bereits ähnlicher Spektraldefinitionen verwendet werden - es ermöglicht auch die Vorhersage einseitig fehlender Banden wie z.B. der roten Randbanden, die in Landsat-8-Daten nicht vorhanden sind.

Satellitendaten (Oberflächenreflexion), die von folgenden Sensoren erfasst wurden, können als Quell- oder Zielsensor verwendet werden:

  • Landsat-5 TM
  • Landsat-7 ETM+
  • Landsat-8 OLI
  • Sentinel-2A MSI<7Li>
  • Sentinel-2B MSI<7li>
  • RapidEye-5 MSI
  • SPOT-4
  • SPOT-5

Das Repository enthält bereits trainierte Klassifikatoren, bietet aber auch die Möglichkeit, eigene Klassifikatoren zu erstellen, z. B. für bestimmte geografische Regionen.

Kontakt


Daniel Scheffler
Doktorand
M. Sc. Daniel Scheffler
Fernerkundung und Geoinformatik
Telegrafenberg
Gebäude A 17, Raum 20.11
14473 Potsdam
+49 331 288-1198
Zum Profil

Steckbrief

Links:

GitLab

GitHub Mirror

Documentation

Zenodo

Algorithm paper

Lizenz:

Apache 2.0

Release:

Version 0.9.3 on 16 Dec 2020

Programmiersprache:

Python

Keywords:

#spectral homogenization #satellite image homogenization #sensor fusion #remote sensing #red edge prediction #machine learning #time series analysis #analysis ready data

DOI:

10.5281/zenodo.3678713

Hauptbeitragende Organisationen:

Helmholtz-Zentrum Potsdam GFZ Deutsches GeoForschungsZentrum

Finanzierung:

Bundesministerium für Bildung und Forschung