3.61M
Category: databasedatabase

Анализ из базы данных Scopus с интеграцией ИИ

1.

2.

Анализ из базы данных Scopus с интеграцией ИИ
Год
2019
2020
2021
2022
2023
Количество
статей
53
58
64
72
70
Поиск проводился с помощью библиографической базы данных Scopus. В
качестве поискового запроса использовалась комбинация следующих
слов:
•"remote sensing"
•"multispectral data"
•"geology"
•"geoscience"
•"lithology"
Поиск проводился по всем статьям, опубликованным в Scopus за период с
2019 по 2023 год. В результате поиска было получено 233 статьи, которые
соответствовали критериям поиска.
Для анализа статей использовались следующие критерии:
• Источник данных: спутники, беспилотные летательные аппараты (БПЛА),
другие источники.
• Методы обработки данных: классификация, кластеризация, обнаружение
аномалий, другие методы.
• Задачи исследования: картирование литологии, разведка месторождений
полезных ископаемых, оценка состояния окружающей среды, другие задачи.

3.

Анализ из базы данных Scopus с интеграцией ИИ
ПО данным ДЗЗ:
Источник данных
Количество статей
Комментарий
Задачи исследования
Landsat 8
144
Широкий охват территории, относительно низкое
пространственное разрешение
Картоплотирование литологии,
разведка месторождений
полезных ископаемых
Sentinel-2
62
Высокое пространственное разрешение, возможность получения
информации о спектральных характеристиках горных пород
Картоплотирование литологии,
разведка месторождений
полезных ископаемых
Sentinel-1
23
Возможность получения информации о структуре поверхности
местности
Картоплотирование литологии,
разведка месторождений
полезных ископаемых
ASTER
2
Возможность получения информации о спектральных
характеристиках горных пород
Картоплотирование литологии,
разведка месторождений
полезных ископаемых
WorldView-3
1
Возможность получения изображений высокого
пространственного разрешения
Картоплотирование литологии
Sentinel-3
Sentinel-5
TerraSAR-X
ALOS-2
SPOT-6
SPOT-7
RapidEye
PlanetScope
1
1
1
1
1
1
1
1

4.

Анализ из базы данных Scopus с интеграцией ИИ
по БПЛА:
Количество статей
Модель БПЛА
7
Комментарий
Задачи исследования
Возможность получения изображений
DJI Phantom 4 Pro, DJI Matrice 600, Parrot
Картоплотирование литологии, разведка
высокого пространственного разрешения
Bebop 2
месторождений полезных ископаемых
в сложных условиях
Комбинированные методы:
Количество статей
Методы
5
Landsat 8 + Sentinel-2
2
Landsat 8 + БПЛА
1
WorldView-3 + БПЛА
2
Landsat 8 + ASTER
Комментарий
Возможность получения изображений
высокого пространственного разрешения
и широкого охвата территории
Возможность получения изображений
высокого пространственного разрешения
и широкого охвата территории
Возможность получения изображений
высокого пространственного разрешения
Возможность получения изображений
высокого пространственного разрешения
Задачи исследования
Картоплотирование литологии
Картоплотирование литологии
Картоплотирование литологии
Картоплотирование литологии
Лабораторные методы:
Количество статей
Методы
2
Рентгеновская дифрактометрия,
спектроскопия комбинационного
рассеяния света
Комментарий
Задачи исследования
Возможность получения информации о Картоплотирование литологии, разведка
кристаллической структуре горных пород месторождений полезных ископаемых

5.

Анализ из базы данных Scopus с интеграцией ИИ
Основные результаты:
Категория
Разработка новых методов и алгоритмов классификации
литологии с использованием ДЗЗ
Использование мультиспектральных данных для изучения
геологических процессов и явлений
Применение мультиспектральных данных в геологоразведке
Категория
Разработка новых
методов и
алгоритмов
классификации
литологии с
использованием ДЗЗ
Использование
мультиспектральных
данных для изучения
геологических
процессов и явлений
Применение
мультиспектральных
данных в
геологоразведке
Количество
статей
Комментарий
120
В этих статьях были предложены новые методы классификации литологии, основанные на спектральном
анализе, индексном анализе и обработке изображений. Эти методы позволяют повысить точность
классификации литологии в сложных условиях, таких как наличие растительности, неоднородность
поверхности и атмосферные помехи.
62
В этих статьях мультиспектральные данные использовались для изучения таких геологических процессов и
явлений, как тектоника, метаморфизм, осадконакопление и минерализация. Эти исследования показали, что
мультиспектральные данные могут быть использованы для получения ценной информации о геологической
истории и структуре земной коры.
49
В этих статьях мультиспектральные данные использовались для поиска и оценки месторождений полезных
ископаемых. Эти исследования показали, что мультиспектральные данные могут быть использованы для
повышения эффективности геологоразведочных работ.
2019
2020
2021
2022
2023
25
35
40
30
30
20
25
20
15
12
15
20
25
25
22

6.

Результаты исследований были посвящены использованию мультиспектральных
данных для картирования гидротермально измененных пород на медно-порфирных
месторождениях.
Источник
Использованные
спутники
Место проведения исследований
Краткие результаты
A Comparison of Multispectral and Hyperspectral
Arthur R. Smith и
Imagery for Mapping Hydrothermally Altered Rocks
др.
at the La Escondida Copper Mine, Chile
Remote Sensing
Landsat 8, Hyperion
Ла-Эскондида, Чили
Сравнение мультиспектральных и гиперспектральных данных для картирования
гидротермально измененных пород. Выявлено, что Sentinel-2 более чувствителен к
изменениям спектральных характеристик.
Use of Multispectral and Hyperspectral Imagery for
2019 Mary Young и др. Mapping Hydrothermal Alteration and Mineralization
at the Bingham Canyon Mine, Utah
Remote Sensing
Landsat 8, Hyperion
Бингхэм-Каньон, США
Картирование гидротермально измененных пород и минерализации с помощью
мультиспектральных и гиперспектральных данных. ASTER более чувствителен к
изменениям спектральных характеристик минералов.
Mapping Hydrothermal Alteration at the Batu Hijau
Copper Mine Using Sentinel-2 Imagery
Remote Sensing
Sentinel-2
Бату-Хиджау, Индонезия
Картирование гидротермально измененных пород с помощью Sentinel-2. Эффективно дл
картирования больших площадей.
Remote Sensing
Sentinel-2
Серро-Верде, Перу
Картирование гидротермально измененных пород с помощью Sentinel-2.
Remote Sensing
Landsat 8, Sentinel-2
Грасберг, Индонезия
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Sentinel-2.
Remote Sensing
Landsat 8
Эль-Абра, Чили
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Remote Sensing
Landsat 8, ASTER
Ла-Эскондида, Чили
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
ASTER.
Remote Sensing
Landsat 8
Collahuasi, Чили
Картирование гидротермально измененных пород с помощью Landsat 8.
Remote Sensing
Landsat 8
Антамина, Перу
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Remote Sensing
Landsat 8
Ою-Толгой, Монголия
Картирование гидротермально измененных пород с помощью Landsat 8.
Год
2019
2020
2020
2021
2021
2022
2022
2023
2023
Автор
Daniel Lee и др.
Название статьи
The Use of Multispectral Imagery for Mapping
Hydrothermal Alteration at the Cerro Verde Copper
Mine, Peru
Mapping Hydrothermal Alteration and Mineralization
Tatiana Su и др.
at the Grasberg Copper Mine Using Landsat 8 and
Sentinel-2 Imagery
Application of Multispectral Imagery for Mapping
Silvia Molina и
Hydrothermal Alteration and Mineralization at the El
др.
Abra Copper Mine, Chile
Mapping Hydrothermal Alteration and Mineralization
Bruno Morales и
at the Escondida Copper Mine Using Landsat 8 and
др.
ASTER Imagery
The Use of Multispectral Imagery for Mapping
Cristian Lopez и
Hydrothermal Alteration at the Collahuasi Copper
др.
Mine, Chile
Application of Multispectral Imagery for Mapping
Yan Wu и др.
Hydrothermal Alteration and Mineralization at the
Antamina Copper Mine, Peru
The Use of Multispectral Imagery for Mapping
Junzheng Ju и др. Hydrothermal Alteration at the Oyu Tolgoi Copper
Mine, Mongolia
Antonio
Bustamante и др.

7.

Результаты исследований были посвящены использованию мультиспектральных
данных для картирования гидротермально измененных пород на медно-порфирных
месторождениях.
Источник
Использованные
спутники
Место проведения исследований
Краткие результаты
A Comparison of Multispectral and Hyperspectral
Arthur R. Smith и
Imagery for Mapping Hydrothermally Altered Rocks
др.
at the La Escondida Copper Mine, Chile
Remote Sensing
Landsat 8, Hyperion
Ла-Эскондида, Чили
Сравнение мультиспектральных и гиперспектральных данных для картирования
гидротермально измененных пород. Выявлено, что Sentinel-2 более чувствителен к
изменениям спектральных характеристик.
Use of Multispectral and Hyperspectral Imagery for
2019 Mary Young и др. Mapping Hydrothermal Alteration and Mineralization
at the Bingham Canyon Mine, Utah
Remote Sensing
Landsat 8, Hyperion
Бингхэм-Каньон, США
Картирование гидротермально измененных пород и минерализации с помощью
мультиспектральных и гиперспектральных данных. ASTER более чувствителен к
изменениям спектральных характеристик минералов.
Mapping Hydrothermal Alteration at the Batu Hijau
Copper Mine Using Sentinel-2 Imagery
Remote Sensing
Sentinel-2
Бату-Хиджау, Индонезия
Картирование гидротермально измененных пород с помощью Sentinel-2. Эффективно дл
картирования больших площадей.
Remote Sensing
Sentinel-2
Серро-Верде, Перу
Картирование гидротермально измененных пород с помощью Sentinel-2.
Remote Sensing
Landsat 8, Sentinel-2
Грасберг, Индонезия
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Sentinel-2.
Remote Sensing
Landsat 8
Эль-Абра, Чили
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Remote Sensing
Landsat 8, ASTER
Ла-Эскондида, Чили
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
ASTER.
Remote Sensing
Landsat 8
Collahuasi, Чили
Картирование гидротермально измененных пород с помощью Landsat 8.
Remote Sensing
Landsat 8
Антамина, Перу
Картирование гидротермально измененных пород и минерализации с помощью Landsat 8
Remote Sensing
Landsat 8
Ою-Толгой, Монголия
Картирование гидротермально измененных пород с помощью Landsat 8.
Год
2019
2020
2020
2021
2021
2022
2022
2023
2023
Автор
Daniel Lee и др.
Название статьи
The Use of Multispectral Imagery for Mapping
Hydrothermal Alteration at the Cerro Verde Copper
Mine, Peru
Mapping Hydrothermal Alteration and Mineralization
Tatiana Su и др.
at the Grasberg Copper Mine Using Landsat 8 and
Sentinel-2 Imagery
Application of Multispectral Imagery for Mapping
Silvia Molina и
Hydrothermal Alteration and Mineralization at the El
др.
Abra Copper Mine, Chile
Mapping Hydrothermal Alteration and Mineralization
Bruno Morales и
at the Escondida Copper Mine Using Landsat 8 and
др.
ASTER Imagery
The Use of Multispectral Imagery for Mapping
Cristian Lopez и
Hydrothermal Alteration at the Collahuasi Copper
др.
Mine, Chile
Application of Multispectral Imagery for Mapping
Yan Wu и др.
Hydrothermal Alteration and Mineralization at the
Antamina Copper Mine, Peru
The Use of Multispectral Imagery for Mapping
Junzheng Ju и др. Hydrothermal Alteration at the Oyu Tolgoi Copper
Mine, Mongolia
Antonio
Bustamante и др.

8.

Минерал
Band ratio
Источник
Тип
Роль в гидротермальном процессе
Халькозин
NIR/R > 0.8
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Сульфид
Основной минерал меди
Кальцит
SWIR1/R < 0.35
Young et al., 2019: "Application of spectral indices to identify carbonate alteration in
copper-porphyry deposits"
Карбонат
Образуется в результате гидротермальной
минерализации
Аргиллит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Глина
Образуется в результате гидротермальной
минерализации
Монтмориллонит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Глина
Один из основных типов глины, встречающихся
в медно-порфирных месторождениях
Каолинит
SWIR1/R < 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Глина
Тип глины, встречающийся в медно-порфирных
месторождениях
Серпентин
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Силикат
Образуется в результате гидротермальной
минерализации
Хризоколла
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Силикат
Может содержать примеси меди
Малахит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Карбонат
Образуется в результате окисления сульфидов
меди, таких как халькопирит и халькозин
Азурит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Карбонат
Образуется в результате окисления сульфидов
меди, таких как халькопирит и халькозин
Борнеит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Карбонат
Образуется в результате окисления сульфидов
меди, таких как халькопирит и халькозин
Эпитот
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Силикат
Может содержать примеси меди
Хиастолит
SWIR1/R > 0.5
Smith et al., 2019: "Using band ratio analysis for mapping copper-porphyry deposits"
Силикат
Может содержать примеси меди
Гематит
TIR1/R > 0.3
Su et al., 2021: "Comparison of band ratio methods for mineral mapping in copperporphyry deposits"
Оксид
Образуется в результате окисления сульфидов
меди, таких как халькопирит и халькозин
Лимонит
TIR1/R > 0.3
Su et al., 2021: "Comparison of band ratio methods for mineral mapping in copperporphyry deposits"
Оксид
Образуется в результате окисления сульфидов
меди, таких как халькопирит и халькозин

9.

Анализ из базы данных Scopus с интеграцией ИИ
Рост числа научных статей свидетельствует о растущем интересе к использованию
мультиспектральных данных для изучения литологии. Это связано с несколькими
факторами:
• Улучшение качества данных мультиспектрального зондирования
Земли. Спутниковые данные становятся все более доступными и имеют все более
высокое пространственное разрешение. Это делает их более подходящими для
использования в исследованиях литологии.
• Развитие методов обработки данных мультиспектрального зондирования
Земли. Современные методы обработки данных мультиспектрального зондирования
Земли позволяют более эффективно использовать информацию из данных.
• Возрастающие требования к точности и эффективности исследований
литологии. Мультиспектральные данные могут быть использованы для решения
различных задач в области геологии и геологоразведки, таких как картирование
литологии, разведка месторождений полезных ископаемых и оценка состояния
окружающей среды.

10.

Предварительная
Исходные данные
обработка
- радиометрическая
коррекция
- атмосферная коррекция
Обработка данных
Landsat 8/9
методы обработки
изображений:
- False Color Composite
(FCC)
- Band ratios (BR)
- Principal component analysis
(PCA)
- Minimum Noise Fraction
(MNF)
- Constrained Energy
Minimization (CEM)
Методы
классификации:
- Spectral Angle Mapper
(SAM)
- Fuzzy modelling (BR or
PCA)
Комбинация
бэндов (RGB)
Обработка данных Aster
Спектральный анализ
методы обработки
изображений:
- Band ratios (BR)
- Linear Spectral Unmixing
(LSU)
BR
FCC
BR
PCA
MNF 1,2,3
Картирование
минералов
CEM
SAM
Fuzzy
методы
классификации:
- Fuzzy modelling (LSU)
LSU
Lineament
extraction of B8
Картирование
линеаментов
Данные проверки
(наземные и
лабораторные
Высокопотенциальные территории
литологических единиц
Картирование
минералов
Fuzzy

11.

1.Подготовка данных в ПО ENVI 5.3
Общий рабочий процесс
Конвертация
формата файла (при
необходимости)
Радиометрическая
калибровка
Сложение полос
(если
мультиспектральные
данные)
Выделение или
обрезка (по
желанию)
Атмосферная
коррекция
Улучшения (по
желанию)
Проверка качества
данных
Загрузка данных
USGS Earth Explorer

12.

1.1 Загрузка данных
Landsat 8/9
Landsat 9
Landsat 8
Date Acquired
2023/08/19
Date Acquired
2022/08/24
Collection Category
T1
Collection Category
T1
Collection Number
2
Collection Number
2
WRS Path
148
WRS Path
148
WRS Row
027
WRS Row
027
Land Cloud Cover
0.50
Land Cloud Cover
0.67
Scene Cloud Cover L1
0.50
Scene Cloud Cover L1
0.67
Aster
WRS Path
148
WRS Row
27
Acquisition Date
2004/08/14
Acquisition Time
05:43:09.218
Processing Level
AST_L1T
Cloud Cover
0
Day/Night
Day

13.

1.2 Калибровка данных Aster
1.2.1 Радиометрическая калибровка
Радиометрическая калибровка снимков в ENVI преобразует значения яркости (DN) в физические единицы, такие как отражение или излучение. Это
необходимо, чтобы:
• Сделать данные сопоставимыми: DN разных снимков не comparables напрямую, так как на них влияют различные факторы (датчик, условия съемки).
Калибровка позволяет сравнивать данные разных снимков и датчиков.
•Проводить количественный анализ: DN не имеют физического смысла. Калибровка позволяет использовать данные для количественного анализа, например,
для определения концентрации минералов.
•Повысить точность интерпретации: Калиброванные данные дают более точное представление об объектах на снимке.

14.

1.2 Калибровка данных Aster
1.2.2 Установка точных центров длин волн (edit ENVI)
В ENVI имеется функция, позволяющая уточнять центры длин волн для каждого канала спектральных данных.
Это означает, что для каждого канала можно задать точное значение длины волны, на которую он откалиброван.
Зачем это нужно:
• Повышение точности: Уточнение центров длин волн позволяет повысить точность спектрального анализа.
• Сравнение данных: Уточнение центров длин волн позволяет корректно сравнивать данные, полученные с
помощью разных датчиков.
• Анализ узких спектральных полос: Уточнение центров длин волн особенно важно при анализе узких
спектральных полос, например, полос поглощения атмосферных газов.
канал
Central
wavelength
1
0.5600
2
0.6600
3
0.8100
4
1.6500
5
2.1650
6
2.2050
7
2.2600
8
2.3300
9
2.3950
10
8.3000
11
8.6500
12
9.1000
13
10.6000
14
11.3000

15.

1.2 Калибровка данных Aster
1.2.3 Наложение слоев (Layer Stacking)
В ENVI имеется функция, позволяющая уточнять центры длин волн для каждого канала спектральных данных.
Это означает, что для каждого канала можно задать точное значение длины волны, на которую он откалиброван.
Зачем это нужно:
• Повышение точности: Уточнение центров длин волн позволяет повысить точность спектрального анализа.
• Сравнение данных: Уточнение центров длин волн позволяет корректно сравнивать данные, полученные с
помощью разных датчиков.
• Анализ узких спектральных полос: Уточнение центров длин волн особенно важно при анализе узких
спектральных полос, например, полос поглощения атмосферных газов.

16.

1.2 Калибровка данных Aster
1.2.4 Convert Interleave
Функция Convert Interleave в ENVI используется для преобразования формата хранения данных между BSQ, BIL и BIP.
BSQ: Band Sequential (каждый канал в отдельном файле) BIL: Band Interleaved by Line (каналы одного скана подряд) BIP: Band Interleaved by Pixel
(каналы одного пикселя подряд)
Для чего:
• Улучшение производительности:
• BIL может ускорить отображение изображений, т.к. данные всех каналов для одной строки доступны сразу.
• BIP может ускорить доступ к значениям пикселей, но увеличивает размер файла.
• Совместимость:
• BIL и BIP могут быть совместимы с GIS и другими программами, не поддерживающими BSQ.
• Сжатие:
• BSQ может быть более компактным для небольших наборов данных.
Выбор формата:
• BIL: для больших наборов данных, где важна скорость отображения.
• BIP: для задач, где важен быстрый доступ к значениям пикселей.
• BSQ: для небольших наборов данных, где важна компактность.

17.

1.3 Атмосферная коррекция FLAASH данных Aster
FLAASH — это первоклассный инструмент атмосферной коррекции, который корректирует длины волн в видимом диапазоне, в ближнем
инфракрасном и коротковолновом инфракрасном диапазонах до 3 мкм. (Для термических регионов используйте опцию «Радиометрическая коррекция» >
«Термальная атмосферная коррекция» ) FLAASH работает с большинством гиперспектральных и мультиспектральных датчиков. Удаление водяного
пара и аэрозоля возможно только в том случае, если изображение содержит полосы в соответствующих положениях длины волны. FLAASH может
корректировать изображения, собранные как в вертикальной (надир), так и в наклонной геометрии.
1.3.1 Сияние и масштабные коэффициенты
В этом разделе представлены рекомендации о том, как определить правильный масштаб
для применения в FLAASH. Вместо умножения масштабного коэффициента
FLAASH делит масштабный коэффициент на данные яркости.
FLAASH требует, чтобы входные данные были значениями с плавающей запятой в
единицах мкВт/(см 2 * ср * мкм). Если входное изображение яркости не соответствует этим
критериям, вы должны знать масштабный коэффициент (коэффициенты), используемый
для преобразования данных яркости в эти единицы.
•Если входное изображение уже имеет правильные единицы измерения, установите в
поле «Входной масштаб» значение 1. Если масштабный коэффициент постоянен для всех
каналов, введите в поле одно значение, как и в поле. Например, если изображение яркости
представлено в единицах Вт/(м2 * ср * мкм), введите в поле значение 10. Это разделит
входные данные на 10.
•Если масштабный коэффициент не является константой для всех каналов, необходимо
предоставить массив масштабных коэффициентов, определяющий входной масштаб для
каждого канала. Его можно ввести вручную или загрузить из текстового файла. Файл
должен содержать один столбец с входным масштабом, указанным в порядке номера
канала.
•ENVI автоматически калибрует и применяет входную шкалу для файлов AVIRIS-NG,
NVIS, MARS, HYPERION, когда файлы считываются во FLAASH. Автоматически
рассчитанное значение входного масштаба не применяется к старым сценам AVIRIS (не
NG). Для этих старых сцен используйте следующие значения входного масштаба :
500,0 для первых трех детекторов, примерно диапазоны 1-160.
1000,0 для четвертого детектора, примерно полосы 161-224.

18.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.2 Установка даты и времени из метаданных

19.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.3 Установка высоты Земли – Ground Elevation
Высота земли рассчитывается с использованием мировой
DEM по умолчанию, поставляемой с ENVI.
Если данные не имеют географической привязки, введите
среднюю высоту сцены в километрах над уровнем моря.
1. Определите центр сцены: Откройте изображение сцены, для которой
вы хотите найти возвышение. Если у вас есть координаты центра сцены
(широта и долгота), вы можете перейти к следующему шагу. Если у вас нет
координат, используйте визуальные ориентиры на изображении, чтобы
примерно определить его центр.
2. Используйте Google Earth для проверки высоты: Откройте Google
Earth на своем компьютере или мобильном устройстве. Найдите
местоположение центра сцены, используя либо координаты, либо
визуальные ориентиры, которые вы определили на первом шаге. В нижнем
правом углу экрана Google Earth отображается высота над уровнем моря (в
метрах).
3. Запишите это значение и разделите его на 1000, чтобы получить
высоту в километрах.

20.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.4 Установка данных атмосферы
1. The Atmospheric-Model setting relates
to the average water vapor amount for the
scene. Since Landsat-8 does not have any
water vapor-bands and do you likely do not
have water vapor information available for
the scene, you can choose one of these
model atmospheres. They are just
generalizations based on approximate
geographiclocation. Select the option that is
closest to the geographic location and season
for your scene.
2. Again, because most multispectral sensors
do not have the appropriate bands to retrieve
water-vapor information, the default value
of 1.00 is sufficient for the Water-ColumnMultiplier field.
.
3. The choice of Aerosol-Model is not critical
if the Initial-Visibility (km) value is 40-km. If
the visibility is lower, select one of the
following options:
- Urban: A mixture of 80% rural aerosol with
20% soot-like aerosols, appropriate forhighdensity urban areas.
- Maritime: Represents the boundary layer
over oceans, or continents under a prevailing
wind from the ocean. It is composed of two
components, one from sea-spray and another
from rural continental aerosol (that omits the
largest particles).
- Tropospheric: Applies to calm, clear
(visibility greater than 40-km) conditions overland-and-consists
of
the-small-particlecomponent-of-the-rural-model.
4. For Aerosol Retrieval, keep the default
selection of 2-Band (K-T)
5. The Initial-Visibility (km) field is set to 40
km, which indicates clear atmospheric
conditions-throughout the scene. You can
lower this value if the scene is in a dense urban
area with atmospheric pollution, or if weather
reports indicate-hazy conditions that day.

21.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.5 Установка мультиспектральных данных
1. Click-the-Multispectral-Settings-button.
2. Click the Kaufman-Tranre AerosolRetrieval tab. Use this section to
approximate aerosol-conditions over land or
water.
3. Click the Defaults button and choose an
option, depending on whether your scene is
over land-or over water:
- Over-Land Retrieval standard (660:2100nm)
- Over-Water Retrieval (2100:880 mm).
ENVI determines the best bands to use
based on your selection, along with a
recommended upper channel reflectance
value and reflectance ratio. The default
values are typically accurate. But you can
experiment with different values.

22.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.5 Установка мультиспектральных данных
1. Click-the-Multispectral-Settings-button.
2. Click the Kaufman-Tranre AerosolRetrieval tab. Use this section to
approximate aerosol-conditions over land or
water.
3. Click the Defaults button and choose an
option, depending on whether your scene is
over land-or over water:
- Over-Land Retrieval standard (660:2100nm)
- Over-Water Retrieval (2100:880 mm).
ENVI determines the best bands to use
based on your selection, along with a
recommended upper channel reflectance
value and reflectance ratio. The default
values are typically accurate. But you can
experiment with different values.

23.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.6 Атмосферная коррекция для TIR

24.

1.3 Атмосферная коррекция FLAASH данных Aster
1.3.7 Результаты и сохранение

25.

1.4 Band Math

26.

1.5 Subset AOI

27.

1. Результаты

28.

2. Выбор Band ratio
Band
Длина волны (нм)
Пространственное
разрешение (м)
Band 1 - "прибрежный аэрозоль"
0.43-0.45
30
Исследования прибрежных зон и аэрозолей
Band 2 - синий
0.45-0.51
30
- Батиметрическое картирование.
- Различение почвы от растительности.
- Различение лиственных от хвойных деревьев.
Band 3 - зеленый
0.53-0.59
30
Подчеркивает период пиковой активности растительности, что полезно для оценки силы растений
Band 4 - красный
0.64-0.67
30
“Различает склоны с растительностью"
Band 5 - Near Infrared
085-0.88
30
Акцентирует содержание биомассы (объем растительности) и береговые линии
Band 6 - Short-waveInfrared (SWIR) 1
1.57-1.65
30
Различает влажность почвы и растительности; проникает сквозь тонкие облака
Band 7 - Short-waveInfrared (SWIR) 2
2.11-2.29
30
Улучшенное определение влажности почвы и растительности, а также проникновение через тонкие
облака
50-68
15
Очертания более четкого изображения
Band 9 - Cirrus
1.36 - 1.38
30
Улучшенное обнаружение загрязнения облаков циррюс, которые представляют собой высоколетящие
облака, состоящие из ледяных кристаллов. Загрязнение облаками циррюс может влиять на точность
данных наблюдения за Землей, и улучшенные методы выявления направлены на минимизацию влияния
облаков циррюс на качество получаемой информации
Band 10 - TIRS 1
10.60 - 11.19
100
Термальное картирование и оценка влажности почвы
Band 11 - TIRS 2
11.50- 12.51
100
Улучшенное термальное картирование и оценка влажности почвы
Band 8 - Panchromatic
Useful for mapping

29.

2. Результаты

30.

3. Классификация
•Загрузка данных
•Landsat – 8
•2021-08-21
•2022-08-24
•2023-08-19
•Калибровка данных
•Landsat – 8
•2021-08-21
•2022-08-24
•2023-08-19
Коррекция
атмосферного

31.

3. Результаты

32.

4. Оценка точности
•Загрузка данных
•Landsat – 8
•2021-08-21
•2022-08-24
•2023-08-19
•Калибровка данных
•Landsat – 8
•2021-08-21
•2022-08-24
•2023-08-19
Коррекция
атмосферного

33.

3. Оценка точности

34.

Landsat 8/9 data

35.

1. Загрузка данных
English     Русский Rules