Ny algoritme kombinerer kvalitet og kvantitet i satellitbilleder

Ved at bruge en ny algoritme, Forskere fra University of Illinois har muligvis fundet løsningen på et ældgammelt dilemma, der plager satellitbilleder - om de skal ofre høj rumlig opløsning med henblik på at generere billeder oftere, eller omvendt. Holdets nye værktøj eliminerer denne afvejning ved at fusionere højopløsnings- og højfrekvente satellitdata til ét integreret produkt, og kan generere 30 meter daglige kontinuerlige billeder helt tilbage til år 2000.

Overvågning af landbruget, byudvikling, miljøkvalitet og økonomisk udvikling er blot nogle få måder, folk gør brug af satellitdata på. Den nye algoritme er generisk nok til brug i stort set enhver applikation.

I landbrugsapplikationer, billeddannelse ved en opløsning på 10 til 30 meter er afgørende for, at landmænd kan se hurtige og subtile ændringer i afgrødeforhold på markniveau, der påvirker udbyttet, såsom afgrødestress og forstyrrelse efter ekstreme vejrhændelser. Eksisterende data har enten utilstrækkelig rumlig opløsning eller lav frekvens, sagde forskerne. Landmænd har normalt brug for information med både høj opløsning og næsten realtidsforekomst.

"Vi kæmpede for at finde offentlige satellitdata, der har både høj rumlig opløsning og høj frekvens i vores egen forskning - det eksisterede simpelthen ikke, " sagde naturressourcer og miljøvidenskab professor og studie medforfatter Kaiyu Guan. "Så vi tog initiativet til at producere det selv."

Guan, en Blue Waters-professor ved National Center for Supercomputing Applications i Illinois, gik sammen med professor Jian Peng og kandidatstuderende Yunan Luo fra datalogi for at udvikle en algoritme, der fusionerer satellitbilleder fra flere kilder til kontinuerlige, daglige billeder i høj opløsning. Forskerne beskriver deres metodologi og resultater i tidsskriftet Remote Sensing of Environment.

"Vi indtog først alle de tilgængelige satellitdatasæt i Blue Waters, National Science Foundations supercomputer i lederskabsklassen. Med et klik på en knap for at køre vores algoritme, det, der automatisk kommer ud, er daglige billeder i høj opløsning, der er tilgængelige til alle mulige videnskabelige applikationer, " sagde Guan.

Tidligere forskere har udviklet metoder til at fusionere højopløselige rumlige og tidsmæssige data, men disse kom med begrænsninger. Næsten alle algoritmerne manglede automatisering og kunne ikke samtidigt håndtere manglende pixels og tidsmæssig fusion. Disse ulemper førte til kortsigtede og lokaliserede applikationer.

For at overvinde begrænsningerne ved tidligere metoder, teamet designede algoritmen til automatisk at integrere information fra eksisterende data. Dette kompenserer for manglende information som følge af skydækning eller datahuller. Den nye algoritme kan skabe billeder uden manglende pixels, for ethvert websted eller område, ved at udnytte tidsserieinformation og relationer til nabopixels.

Ud over daglig dataindsamling i høj opløsning næsten i realtid, teamet forestiller sig at bygge langsigtet dagligt, billeder i kontinental skala til forskellige applikationer. "Den type højkvalitets satellitdata, der kræves for at køre denne algoritme, er blevet indsamlet siden 2000, hvilket betyder, at vi dagligt kan generere billeder i 30 meter opløsning for ethvert sted på denne planet, der går tilbage i tiden, " sagde Guan.

"Dette kan bruges til at studere ændringer i landbrugets produktivitet, økosystem og polar is dynamik siden 2000 i meget højere detaljer end tidligere muligt, " sagde Peng. "Vores tilgang kan revolutionere brugen af ​​satellitdata."

Forskerne har allerede med succes fusioneret overfladereflektansdata i Champaign County, Syg., og genererede daglige tidsserier for vækstsæsonen 2017 ved 30 meters opløsning.

En video af disse overfladereflektansdata:

"Selvom andre har investeret i lignende teknologi, de kunne ikke gå tilbage i tiden, som vi kan, " sagde Guan. "Datakilderne til vores algoritmer bruger de mest stringente data fra NASA eller Den Europæiske Rumorganisation og producerer daglige fusionsdata, der er klar til forskning og praktiske anvendelser," sagde Guan.

"At generere denne slags data kræver betydelige computerressourcer, gør tilgængeligheden vanskelig, " sagde Peng. "Vi ønsker at dele outputtet med det bredere videnskabelige samfund, og vi arbejder på at finde en måde at gøre det muligt på."