Mit der Image Analyst-Lizenz verfügbar.
Ein Sentinel-1 Level 1 Synthetic Aperture Radar (SAR)-Bild muss verarbeitet werden, bevor es zur Visualisierung oder Analyse verwendet werden kann. Einige Probleme, die dabei behoben werden müssen, sind z. B. das Beseitigen von thermalem Rauschen, das Kalibrieren für einen sinnvollen Rückstreuungswert, das Entfernen von Speckle-Rauschen, das Entfernen von radiometrischen und geometrischen Verzerrungen und das Rendern von Bildern mit einem großen Wertebereich.
Das Toolset "Synthetic Aperture Radar" in der Toolbox "Image Analyst" enthält acht Werkzeuge zum Generieren kalibrierter, geländekorrigierter, analysebereiter Bildverarbeitungsdaten aus Sentinel-1 Ground Range Detected (GRD)-Daten. Die folgenden Werkzeuge werden verwendet, um analysebereite "Sentinel-1 GRD"-Daten zu generieren, wie im folgenden Diagramm dargestellt:
- Orbitdatei herunterladen
- Orbitkorrektur anwenden
- Thermales Rauschen entfernen
- Radiometrische Kalibrierung anwenden
- Radiometrische Terrain-Abplattung anwenden
- Despeckle
- Geometrische Terrainkorrektur anwenden
- SAR-Einheiten konvertieren
Download und Verwendung eines Orbitzustandsvektors
Die Genauigkeit radiometrischer und geometrischer Terrainkorrekturen hängt von den bereitgestellten Orbitzustandsvektoren (Orbit State Vectors, OSVs) ab. Für ein Sentinel-1-Produkt sind drei OSV-Typen verfügbar: vorhergesagter OSV, restituierter OSV und genauer OSV. Vorhergesagte OSVs werden von den "Sentinel-1 Level 1 GRD"- und SLC-Hilfsprodukten bereitgestellt, restituierte OSVs sind über die Europäische Weltraumorganisation (ESA) innerhalb von drei Stunden nach der Bildaufnahme erhältlich, und genaue OSVs sind über die ESA innerhalb von drei Wochen nach der Bildaufnahme erhältlich. Es wird empfohlen, die OSVs auf restituierte oder genaue OSVs zu aktualisieren, sobald sie verfügbar sind.
Das Werkzeug Orbitdatei herunterladen identifiziert und lädt die entsprechende OSV-Datei herunter. Das Werkzeug Orbitkorrektur anwenden verwendet diese heruntergeladene OSV-Datei, um die Metadaten des Sentinel-1-Produkts zu aktualisieren.
Wärmerauschen entfernen
SAR-Bilder werden durch additives thermales Rauschen verzerrt. Thermales Rauschen ist am deutlichsten in Bildern mit geringer Rückstreuungsverteilung, wie z. B. im kreuzpolarisierten Kanal, der durch eine schmalere Rückstreuungsverteilung gekennzeichnet ist.
Aufgrund des Sentinel-1 Terrain Observation with Progressive Scans (TOPS)-Erfassungsmodus variiert das thermale Rauschen in Sentinel-1-Produkten bei einzelnen Teilstreifen-Scans. Thermales Rauschen zeigt sich üblicherweise als scharfer Kontrast zwischen den Teilstreifen-Scans. Das Werkzeug Thermales Rauschen entfernen verwendet Sentinel-1-Produktmetadaten, um thermales Rauschen zu korrigieren.
Radiometrische Kalibrierung
Das Tool Radiometrische Kalibrierung anwenden verwendet die Sentinel-1-Produktmetadaten, um sinnvolle Rückstreuungswerte abzurufen. Die radiometrische Kalibrierung ist der Prozess der Umwandlung von SAR-Produkten aus dem Digitalnummernwert (DN) der Bildpixel in die physikalische Größe der SAR-Rückstreuungsintensität pro Flächeneinheit. Die drei Kalibrierungstypen sind Beta-Nought (
), Sigma-Nought (
) und Gamma-Nought (
). Die für die Kalibrierung verwendete Flächeneinheit bestimmt den Kalibrierungstyp.
Beta-Nought stellt die Radarreflexion pro Flächeneinheit in einer Schrägentfernung dar und ist allgemein als Radar-Helligkeitskoeffizient bekannt.
Sigma-Nought stellt die Radarreflexion pro Flächeneinheit in einer Ebenenentfernung dar. Sigma-Nought ist zwar eine beliebte Option zur Beschreibung von Reflexion, aber Sie sollten sie mit Bedacht verwenden. Die Sigma-Nought-Werte variieren mit dem Einfallswinkel, sodass ein Feature im Nahbereich einen anderen Sigma-Nought-Wert im Fernbereich haben kann. Wenn Sie eine multitemporale Analyse oder Änderungserkennung mit Sigma-Nought durchführen möchten, sollten Sie immer Bilder von einem Sensor und einer Anzeigegeometrie verwenden, um sicherzustellen, dass die Änderungen bei Sigma-Nought auf physikalische Prozesse und nicht auf Artefakte zurückzuführen sind, die aus Unterschieden in der Anzeigegeometrie resultieren.
Gamma-Nought gibt die Radarreflexion pro Flächeneinheit in der im rechten Winkel zur Schrägentfernung stehenden Ebene zurück. Gamma-Nought wird mithilfe des Einfallswinkels bezogen auf das Ellipsoid normalisiert und liefert somit einen entfernungsunabhängigen Messwert. Wenn Sie einzelne Features in einem Bild anhand von Rückstreuungswerten unterscheiden möchten, müssen Sie Gamma-Nought statt Sigma-Nought verwenden. Verwenden Sie Gamma-Nought außerdem, wenn Sie eine multitemporale Analyse oder Änderungserkennung mit SAR-Bildern von verschiedenen Sensoren oder verschiedenen Anzeigegeometrien (aufsteigend oder absteigend) durchführen möchten. Gamma-Nought sollte für diese Art von Anwendungen nur verwendet werden, wenn das Terrain flach ist.
Radiometrische Terrain-Abplattung
Aufgrund der seitlichen Ausrichtung der SAR-Sensoren erscheinen dem Sensor zugewandte Features künstlich heller als vom Sensor abgewandte Features. Das Werkzeug Radiometrische Terrain-Abplattung anwenden korrigiert künstliche radiometrische Werte, die aus der komplexen Topografie und der Anzeigegeometrie des Sensors stammen.
Bei einem Eingabe-DEM und einem Eingabe-Sentinel-1-GRD-Produkt, das auf Beta-Nought kalibriert ist, verwendet das Werkzeug Radiometrische Terrain-Abplattung anwenden den Range-Doppler-Ansatz1, um den beleuchteten Bereich zu berechnen und eine Gamma-Nought-Ausgabe mit Terrain-Abplattung zu erzeugen. Alternativ dazu können Sie eine Sigma-Nought-Ausgabe mit Terrain-Abplattung angeben, die mit dem DEM-basierten lokalen Einfallswinkel normalisiert wird.
Eine optionale Ausgabe ist die simulierte Streuungsfläche. Diese Ausgaben können verwendet werden, um Erkenntnisse darüber zu gewinnen, wie sich das Gelände künstlich auf die kalibrierten Daten ohne Terrain-Abplattung auswirkt.
Eine weitere optionale Ausgabe ist eine geometrische Verzerrungsmaske zum Identifizieren von Pixeln, die von Schatten, Verkürzung, Verlängerung oder Überlagerung betroffen sind. Mit der geometrischen Verzerrungsmaske können Sie die Gamma-Nought- oder Sigma-Nought-Ausgabe mit Terrain-Abplattung basierend auf dem geometrischen Verzerrungstyp maskieren.
Die letzte optionale Ausgabe ist ein geometrisches Verzerrungsraster, das einen Proxy für die Geländeneigung, den Blickwinkel, das Verkürzungsverhältnis und den lokalen Einfallswinkel enthält. Die geometrische Verzerrung stellt Daten bereit, die verwendet werden, um die Terrain-Abplattung durchzuführen und Pixel zu identifizieren, die von geometrischen Verzerrungen betroffen sind.
Eine radiometrische Terrain-Abplattung muss für Anwendungen durchgeführt werden, die ein einzelnes Bild für ein beliebiges Terrain interpretieren, oder für Anwendungen, die mehrere Bilder von verschiedenen Sensoren oder demselben Sensor mit verschiedenen Anzeigegeometrien für ein beliebiges Terrain vergleichen.
Despeckle
SAR-Bilder sind durch verrauschte Anomalien gekennzeichnet, die als Speckle bezeichnet werden. Dieser inhärente Zustand resultiert aus der konstruktiven und destruktiven Interferenz des rückgestreuten Signals. Das Werkzeug Despeckle bietet mehrere Speckle-Filter, um das Signal-Rausch-Verhältnis des SAR-Bildes zu verbessern. Die verfügbaren Speckle-Filter sind Lee2, Erweiterter Lee-Filter3, Optimierter Lee-Filter4, Frost5, Kuan6 und Gamma MAP7. Mit diesen Filtern wird die SpeckleUnterdrückung unter Beibehaltung von Feature-Details anhand von lokalen Pixelstatistiken optimiert. Um die für diese Filter erforderlichen statistischen Eigenschaften beizubehalten, wird empfohlen, vor der geometrischen Terrainkorrektur "Despeckle" anzuwenden, wodurch ein Resampling und eine Neuprojizierung der Daten durchgeführt wird.
Geometrische Terrainkorrektur
Da SAR-Sensoren zur Seite ausgerichtet sind, erscheinen dem Sensor zugewandte Features komprimiert, während vom Sensor abgewandte Features gedehnt erscheinen. Das Werkzeug Geometrische Terrainkorrektur anwenden korrigiert geometrische Verzerrungen, indem es die Pixel an ihre korrekte Geolokalisierung verschiebt.
Das Werkzeug Geometrische Terrainkorrektur anwenden verwendet den Range-Doppler-Ansatz und das Eingabe-DEM, um das Eingabe-SAR-Bild zu orthorektifizieren. Für die meisten Anwendungen wird ein DEM mit einer Auflösung entsprechend den oder höher als die Eingabe-SAR-Daten empfohlen. Für Anwendungen, bei denen kein Terrain vorhanden ist, können Sie das Eingabe-DEM weglassen. Das Werkzeug Geometrische Terrainkorrektur anwenden kann den Range-Doppler-Ansatz und das Geolokalisierungsraster aus den Produktmetadaten verwenden, um das Eingabe-SAR-Bild zu orthorektifizieren.
Konvertierung in Dezibel
Der letzte Schritt zur Vorbereitung analysebereiter Daten ist die Konvertierung der (linearen) Rückstreuungsintensität ohne Einheiten in Dezibel (dB). Das Werkzeug SAR-Einheiten umwandeln wandelt die Intensität der linearen Rückstreuung mithilfe einer einfachen logarithmischen Konvertierung in Dezibel um. Durch die logarithmische Konvertierung wird der Bereich der Rückstreuungsintensitätswerte reduziert und die Bildvisualisierung und -interpretation verbessert.
Referenzen
[1] Small, D. 2011. "Flattening Gamma: Radiometric Terrain Correction for SAR Imagery."IEEE Transactions on Geoscience and Remote Sensing 49, no. 8: 3081–3093. DOI: 10.1109/TGRS.2011.2120616.
[2] J. S. Lee. "Digital Image Enhancement and Noise Filtering by Use of Local Statistics." IEEE Transactions on Pattern Analysis and Machine Intelligence, Bd. PAMI-2, Nr. 2, S. 165–168, März 1980, DOI: 10.1109/TPAMI.1980.4766994.
[3] A. Lopes, R. Touzi und E. Nezry. "Adaptive speckle filters and scene heterogeneity." IEEE Transactions on Geoscience and Remote Sensing, Bd. 28, Nr. 6, S. 992–1000, Nov. 1990, DOI: 10.1109/36.62623.
[4] J. S. Lee and E. Pottier. "Polarimetric radar imaging: from basics to applications." CRC Press, Dez. 2017.
[5] V. S. Frost, J. A. Stiles, K. S. Shanmugan und J. C. Holtzman. "A Model for Radar Images and Its Application to Adaptive Digital Filtering of Multiplicative Noise." IEEE Transactions on Pattern Analysis and Machine Intelligence, Bd. PAMI-4, Nr. 2, S. 157–166, März 1982, DOI: 10.1109/TPAMI.1982.4767223.
[6] D. T. Kuan, A. A. Sawchuk, T. C. Strand und P. Chavel. "Adaptive Noise Smoothing Filter for Images with Signal-Dependent Noise." IEEE Transactions on Pattern Analysis and Machine Intelligence, Bd. PAMI-7, Nr. 2, S. 165-177, März 1985, DOI: 10.1109/TPAMI.1985.4767641.
[7] A. Lopes, E. Nezry, R. Touzi und H. Laur. "Maximum A Posteriori Speckle Filtering And First Order Texture Models In Sar Images." 10th Annual International Symposium on Geoscience and Remote Sensing, 1990, S. 2409–2412, DOI: 10.1109/IGARSS.1990.689026.