Набор классов для предобработки и выделения водных объектов на спутниковых изображениях Landsat-8 и Sentinel-2
Набор инструментов позволяет автоматизированно осуществить:
- предобработку данных, в том числе расчет отражательной способности, атмосферную коррекцию, маскировку облаков;
- расчет вегетационных индексов;
- выделение водных объектов на изображении.
- otbApplication (обязательный) - python API для инструментов Orfeo ToolBox (https://www.orfeo-toolbox.org/packages/nightly/latest/CookBook-6.7/PythonAPI.html)
- python-fmask (опциональный) - инструмент для выделения облаков на изображениях Landsat и Sentinel-2 (http://www.pythonfmask.org/en/latest/)
- s2cloudless (опциональный) - инструмент для выделения облаков на изображениях Sentinel-2 (https://github.com/sentinel-hub/sentinel2-cloud-detector)
- SREMPyLandsat (опциональный) - инструмент для атмосферной коррекции изображений Landsat методом SREM (https://github.com/eduard-kazakov/SREMPy-landsat)
- L8_ANGLES (опциональный) - angles util by USGS - вспомогательный инструмент для атмосферной коррекции методом SREM (https://www.usgs.gov/land-resources/nli/landsat/solar-illumination-and-sensor-viewing-angle-coefficient-files)
- sen2cor (опциональный) - инструмент ESA для подготовки продукта Sentinel-2 уровня 2A, если он недоступен для скачивания (https://step.esa.int/main/third-party-plugins-2/sen2cor/)
- LandsatBasicUtils (встроенный) - инструмент для первичной калибровки изображений Landsat (https://github.com/eduard-kazakov/LandsatBasicUtils)
Класс предназначен для предобработки "сырых" спутниковых изображений.
При инициализации класса передаются все параметры, отражающие необходимость подготовки каждого найденного в исходной папке типа данных, а также параметры атмосферной коррекции и пространственного разрешения (для изображений Sentinel-2).
Результатом применения обобщающей функции prepare_datasets является создание в выходной директории папки для каждого типа данных (landsat, sentinel2), в которой будут находиться изображения, обработанные в соответствии с заданными параметрами и именованные таким образом, чтобы использоваться далее для расчета индексов.
from DataPreparatorClass import DataPreparator
a=DataPreparator('/home/user/input_folder',
landsat_cloud_fmask=True,
landsat_correction_method='dos',
sentinel2_resolution=20,
sentinel2_cloud='native_2A_level')
a.prepare_datasets('/home/user/output_folder')Класс предназначен для автоматического расчета вегетационных индексов.
Источник исходных изображений не имеет значения - при инициализации класса происходит просмотр переданной папки на наличие суффиксов-определителей диапазона в названии каждого файла (grn, red, nir, mir, swir). Доступные для расчета индексы: NDVI, NDWI, MNDWI, WRI, AWEI.
from IndicesCalculatorClass import IndicesCalculator
a=IndicesCalculator('/home/user/input_folder')
#Для сохранения всех индексов в виде изображений
a.save_indices('/home/user/output_folder')
#Для получения индекса в виде матрицы значений
NDVI=a.get_NDVI_as_array()Класс предназначен для сегментации изображений и последующей классификации сегментов.
При инициализации класса передается список путей к изображениям на основе которых предполагается сегментация с последующей классификацией. По умолчанию индекс изображения из списка, на основе которого будет производиться сегментация - 0. Остальные изображения используются для присвоения объектам, полученным в результате сегментации, статистических метрик, для последующей классификации.
В классе реализованы три функции:
- get_segmentation_with_base_image - сохраняет шейп-файл с результатом сегментации по базовому изображению, размер скользящего окна по умолчанию 500px.
- get_segmentation_with_zonal_statistics - сохраняет шейп-файл с результатом сегментации по базовому изображению, размер скользящего окна по умолчанию 500px. Для каждого объекта дополнительно рассчитываются метрики (по умолчанию - mean, доступные - max, min, stdev) возможно использование нескольких метрик одновременно.
- get_classified_segmentation - сохраняет растр и шейп-файл или только шейп-файл в зависимости от параметра mode='vector', ‘raster’. В возвращенном шейп-файле появляется дополнительное поле для каждого объекта (class) с результатом классификации по методу к-средних на основе полей, переданных функции.
from WatershesBasedClassifierClass import WatershesBasedClassifier
images_collection=['/home/user/indices/NDVI.tif',
'/home/user/indices/NDWI.tif',
'/home/user/indices/band_5.tif',]
a=WatershesBasedClassifier(images_collection, base_image_index=1)
a.get_classified_segmentation('class.tif', mode='raster', window_size=400, statistical_indicators=['mean', 'min', 'max'])Обобщающий класс, предназначенный для осуществления полной цепочки обработки от "сырых" изображений до получения маски воды.
При инициализации класса передаются все параметры, требуемые для клаасса DataPreparator и флаг о необходимости подготовки каждого типа данных (landsat=True, sentinel2=True).
Полная обработка данных посредством данного класса заключается в последовательном вызове функций (или игнорировании вызова в случае если какой либо этап был проделан ранее):
- prepare_dataset - полная подготовка набора данных в том числе обрезка по границам области интереса (должна находиться в рамках обеих сцен разных типов данных), выделение зон покрытых облачностью nodata value.
- calculate_indices - расчет многоспектральных индексов на основе подготовленных предыдущей функцией данных.
- classify_dataset - произведение сегментации и классификации основанной на выделенных объектах для каждого типа
a=ClassificationProcessor('/home/user/input_folder', '/home/user/output_folder',
sentinel2=True, landsat=True,
landsat_correction_method='dos',
landsat_cloud_fmask=True,
sentinel2_cloud='s2cloudless')
a.prepare_dataset(outputBounds=[609684.7559, 6639270.6362, 634680.5438, 6658914.9030], outputBoundsSRS='EPSG:32635')
a.calculate_indices(sentinel2=True, landsat=True)
a.classify_dataset(sentinel2=True, landsat=True)