《Sentinel-2 MSI 用户手册》学习记录

最新推荐文章于 2024-03-28 14:53:07 发布
最新推荐文章于 2024-03-28 14:53:07 发布
阅读量978 收藏 11
点赞数 1
分类专栏： 遥感影像预处理 文章标签： sentinel 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sqwev/article/details/127617835
版权

Sentinel-2 MSI 用户手册学习记录

文章目录

概述

Sentinel-2任务支持高重访频率，可以用于土地覆盖、分类和变化制图，以及准确评估生物量、叶面积指数（LAI）、叶绿素含量（LCC）。SENTINEL-2数据的采集将为以往由遗产任务（如LANDSAT和SPOT）执行的工作提供数据连续性。

Granules and Tiles

MSI产品的基本级别是固定大小的granules，具体取决于产品的等级

  • 对于Level-0、Level-1A、Level-1B：granules是沿着轨道的给定数量的线的子图像，并由检测器分离。它们横跨轨道25公里，沿轨道23公里
  • 对于正射校正产品（Level-1C、Level-2A）：granules颗粒（也称为tiles瓦片）由UTM/WGS84投影中100km×100km平方的正交图像组成。每个光谱带有一个瓦片。

应用

产品类型

在这里插入图片描述
对于Level-1B级，一个颗粒（granule）约覆盖25*23km；对于Level-1C和Level-2A级，一个颗粒为UTM/WGS84投影下100km²的正射影像

UTM（通用横轴墨卡托）系统将地球表面划分为60个区域。每个UTM区域的垂直宽度为经度6°，水平宽度为纬度8°。granule大小约为500 MB。granule可以被图像数据完全或部分覆盖。部分覆盖的granule对应于线束（swath）边缘的granule。
Level-1B产品的granule
Level-1C产品的granule

Level-0

不对用户发布，这里省略

Level-1A

不对用户发布，这里省略

Level-1B

不常用，省略

Level-1C

Level-1C产品由100平方公里的瓦片（UTM/WGS84投影中的正交图像）组成。Level-1C产品是使用数字高程模型（DEM）在地图坐标中投影图像的结果。每像素辐射测量在大气顶部（TOA）反射率中提供，所有参数将其转换为辐射。根据不同光谱带的固有分辨率，以10、20和60 m的恒定地面采样距离（GSD）对1C级产品进行重新采样。在1C级产品中，像素坐标是指像素的左上角。1C级产品还将包括陆地/水、云罩和ECMWF数据（臭氧总柱、水蒸气总柱和平均海平面压力）。

Level-2A

Level-2A产品提供从相关Level-1C产品获得的大气底部（BOA）反射率图像。因此，每个Level-2A产品也由100平方公里的地砖组成（UTM/WGS84投影）。地面段未系统生成2A级产品。用户可以通过Sentinel-2工具箱使用相关的Level-1C产品作为输入来生成Level-2A。

处理级别

Level-0

略

Level-1

Level-1A、Level-1B略、1C级处理使用1B级产品，并应用辐射和几何校正（包括正射校正和空间配准）。1C级处理包括辐射和几何校正，包括在全球参考系统上以亚像素精度进行正射校正和空间配准。

1C级处理分为以下步骤：

  • 瓦片关联：选择与所需图像的足迹相交的预定义瓷砖。
  • 重新采样网格计算：启用本地几何图像到目标几何图像的链接（正交校正）。
  • 使用重采样网格和插值滤波器对正交图像几何图形中的每个光谱带进行重采样。TOA反射率的计算也在该步骤中进行。
  • 遮罩计算：生成云和陆地/水遮罩。
  • 通过JPEG2000算法和GML地理图像编码头对生成的1C级图像进行图像压缩。

Level-2

2A级处理包括应用于TOA（Top Of Atmosphere）1C级正射图像产品的场景分类和大气校正。2A级主要输出是大气底部（BOA）校正后的正射图像反射率乘积。

其他输出包括气溶胶光学厚度（AOT）图、水汽（WV）图和场景分类图（SCM），以及60米分辨率下云和雪概率的质量指标。根据用户选择的所需分辨率（10米、20米或60米），将对2A级输出图像产品进行重新采样并生成所有波段的空间分辨率相等的图像。

  • 10米分辨率的产品包含Band2、3、4和8以及从20米重新采样的AOT图。
  • 20米的产品包含Band2-7、Band8A、11和12以及AOT和WV图。
  • 60m产品包含20m产品的所有成分，另外还有60mBand1和9。卷云波段Band10将被省略，因为它不包含地表信息。

处理器算法是用于执行大气校正（包括卷云校正[R1]）的最先进技术的组合，这些技术与[R2]中描述的场景分类模块一起为哨兵-2环境量身定制。场景分类算法允许检测云、雪和云阴影，并生成分类图，该分类图包括四种不同的云类别（包括卷云），以及六种不同的阴影、云阴影、植被、土壤/沙漠、水和雪类别。该算法基于一系列阈值测试，将Sentinel-2光谱带的大气反射率作为输入。此外，阈值适用于波段比和指数，如NDVI和NDSI。对于这些阈值测试中的每一个，都会关联一个置信水平。它在处理链的末端生成概率云遮罩质量指示器和雪遮罩质量指示符。该算法使用场景特征的反射特性来确定场景中是否存在云。云筛选应用于数据，以检索准确的大气和地表参数，作为以下进一步处理步骤的输入，或作为更高级别处理步骤的宝贵输入。

大气的气溶胶类型和能见度或光学厚度是使用密集暗植被（DDV）算法得出的[R3]。该算法要求场景包含已知反射率行为的参考区域，最好是DDV和水体。该算法以用户定义的可见性（默认值：20 km）开始。如果场景不包含暗植被或土壤像素，则连续迭代2 190 nm波段中的表面反射率阈值，以包括中等亮度参考像素。如果场景不包含参考，也不包含水像素，则使用开始可见性处理场景。

用大气预校正差分吸收（APDA）算法[R4]对陆地上的水汽进行反演，该算法适用于两个Sentinel-2波段（B8a和B9）。波段8a是大气窗口区域中的参考信道。带B9是吸收区中的测量通道。在假设测量通道的表面反射率与参考通道的相同的情况下，通过计算没有水蒸气的大气的辐射度来评估吸收深度。然后，吸收深度是水蒸气柱含量的度量。

使用通过libRadtran（http://www.libradtran.org/doku.php）生成的一组查找表执行大气校正。基线处理是农村/大陆气溶胶类型。根据场景地理位置和气候学，也可以使用其他查找表
在这里插入图片描述

[R1]: Richter, R., Wang, X., Bachmann, M., and Schlaepfer, D., “Correction of cirrus effects in Sentinel-2 type of imagery”, Int. J. Remote Sensing, Vol.32, 2931-2941 (2011).
[R2]: J. Louis, A. Charantonis & B. Berthelot, “Cloud Detection for Sentinel-2”, Proceedings of ESA Living Planet Symposium (2010).
[R3]: Kaufman, Y., Sendra, C. Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery, International Journal of Remote Sensing, Volume 9, Issue 8, 1357-1381 (1988).
[R4]: Schläpfer, D. et al., “Atmospheric precorrected differential absorption technique to retrieve columnar water vapour”, Remote Sens. Environ., Vol. 65, 353366 (1998).

分辨率

分辨率可以分为时间分辨率（单星10天，双星5天）、空间分辨率、辐射分辨率

空间分辨率

10m分辨率
在这里插入图片描述
20m分辨率
在这里插入图片描述
60m分辨率
在这里插入图片描述

辐射分辨率

辐射分辨率是仪器区分光强度或反射率差异的能力。辐射分辨率越大，感测到的图像就越精确。

辐射分辨率通常表示为一个比特数，通常在8到16bit的范围内。MSI仪器的辐射分辨率为12bit，能够在0到4095个潜在光强度值的范围内获取图像。辐射测量精度低于5%（目标3%）。辐射分辨率还取决于探测器的信噪比（SNR）。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

重访和覆盖范围

  • 南纬56°至北纬83°之间的所有大陆陆地表面（包括内陆水域）
  • 距离海岸20公里以内的所有沿海水域
  • 所有面积大于100平方公里的岛屿
  • 所有欧盟岛屿
  • 地中海
  • 所有封闭海域（如里海）。
    在这里插入图片描述
    由于相邻轨道的条带之间存在重叠，在不同的观测条件下，重访频率将增加

命名约定

直接跳到L1C，包括

  • Level-1C_Tile_Metadata_File (Tile Metadata)：XML主要元数据文件（DIMAP强制文件），包含请求的信息级别，并引用描述瓦片的所有产品元素。
  • IMG_DATA：包含使用JPEG2000算法压缩的图像数据文件的文件夹，每个波段一个文件。
  • QI_DATA：包含质量检查的QLQC XML报告、掩码文件和PVI文件的文件夹。
  • Inventory_Metadata.xml：xml：库存元数据文件（必填）
  • manifest.safe：XML safe清单文件（强制）
  • rep-info：包含SAFE Level-0颗粒内提供的XSD模式的文件夹

L1级瓦片图像数据命名约定

S2A_OPER_MSI_L1C_CGS3_20141104T134012_123_15SWC_N11.11

其中：

  • S2A为航天器
  • OPEN为常规操作
  • MSI为仪器
  • L1C为产品等级
  • TL为granule
  • CGS3为产品生长的处理中心

L2A

数据格式

Sentinel2 产品使用SENTINEL-SAFE格式，包括JPEG2000格式的图像数据，质量指示器，辅助数据和元数据。

L2A产品包括：

  • 元数据文件（XML）
  • 预览图像（JPEG2000 with GML geo-location）
  • 瓦片图像，BOA反射率（GML / JPEG2000）
  • datastrip files
  • 辅助数据
  • 辅助数据(GIPPs, set of XML files)

More information on LEVEL-2A format can be found in the SENTINEL-2 Technical Guide.

软件工具

略

定义

辅助数据

  • 地面图像处理参数（GIPP）
  • DEM
  • Global Reference Image(GRI)
  • 欧洲中期天气预报中心（ECMWF）：1C级处理所需的臭氧、地表压力和水汽数据
  • 国际地球自转和参考系统服务（IERS）数据
  • 精确轨道定义数据

TCI
通过单独的在线图像浏览器（OLIB）应用程序，将能够在线访问Sentinel-2图像作为真彩色图像（TCI），OLIB将允许下载TCI图像，以便在终端用户群中进行可视化和/或交付。最终用户产品是一个单一文件，由JPEG2000地理标记语言（GML）和地理参考组成。

司马德君
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
哨兵Sentinel-2卫星资料手册
08-14
详细介绍哨兵Sentinel-2卫星的信息，包括此卫星的应用，参数等信息。
DSen2:Sentinel-2图像的超分辨率
05-16
DSen2 深哨兵2 联系人：Charis Lanaras， 要求 tensorflow-gpu（或tensorflow） 凯拉斯 努比 scikit图像 argparse 意象 matplotlib（可选） GDAL> = 2.2（可选） 训练 请参阅training目录中的详细说明。 在与应用程序相关的Sentinel-2磁贴中使用--resume选项，以优化所提供的网络权重。 使用训练有素的网络 该网络可以直接在下载的Sentinel-2磁贴上使用。 请参阅s2_tiles_supres.py文件中的详细信息。 下面是一个示例： python s2_tiles_supres.py /path/to/S2A_MSIL1C_20161230T074322_N0204_R092_T37NCE_20161230T075722.SAFE/MTD_MSIL1C.xml /path/
Sentinel-2数据详解（L1C，L2A做长时间序列必看）--新版本处理基线
最新发布
m0_59054747的博客
03-28 3326
Sentinel-2数据使用注意事项，TOA和SR的转换方法，批量预处理脚本
Sentinel 2 MSI 波段组合
Q同学的专栏
11-29 293
Sentinel 2 MSI 波段组合
语义分割实践数据集制作—以Sentinel-2 MSI数据为例
Jcb1906824038的博客
02-06 1476
语义分割数据集制作方法—基于labelme标注软件
Sentinel-2 MSI辐射表征和与Landsat-8 OLI的交叉校准
06-04
Sentinel-2上的多光谱仪器（MSI）和Landsat 8上的操作性陆地成像仪（OLI）的近天底观测是在两次同时进行的天底过桥（SNO）期间收集的。 采集了撒哈拉沙漠中空间均匀区域分辨率为10、20和30 m的多光谱图像，用于直接比较MSI和OLI大气顶层（TOA）反射率。 本文介绍了Sentinel-2 MSI和Landsat 8 OLI传感器的8个对应光谱带的初始辐射交叉校准。 以经过良好校准的Landsat 8 OLI作为参考，比较表明，在频谱带调整因子Bi的3％之内，6个MSI谱带与OLI一致。 近红外（NIR）和卷云波段是例外。 它们产生的辐射差异分别约为8％和15％。 交叉校准结果表明，除了卷云带以外，这7个相应谱带的放射线差异与OLI一致，误差在1％或更高。 MSI和OLI对不同土地覆盖的观测结果之间的逐像素匹配表明。 这项初步研究表明，在进行植被监测时，MSI的红边带B8A可用来代替NIR带B08。
哨兵2号（Sentinel-2）介绍、下载、预处理及批处理
热门推荐
GeoSuper的博客
04-17 35万+
哨兵2号是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。分为2A和2B两颗卫星。 第一颗卫星哨兵2号A于2015年6月23日01:52 UTC以“织女星”运载火箭发射升空。 6月29日，在轨运行4天的哨兵-2A卫星，传回了第一景数据，幅宽290km，卫星第一次扫描的范围是从瑞典开始，经过中欧和地中.........
中科星图——Sentinel-2_MSI_L2A数据集
qq_31988139的博客
01-23 2118
哨兵2号（Sentinel-2）卫星是高分辨率多光谱成像卫星，携带一枚多光谱成像仪（MSI），分为2A和2B两颗卫星，其中一颗卫星的重访周期为10天，两颗互补，重访周期为5天，主要用于包括陆地植被、土壤以及水资源、内河水道和沿海区在内的全球陆地观测。Sentinel-2_MSI_L2A数据集中的数据为L2A级产品数据，是经过大气校正的地表反射率产品，包括12个UINT16光谱带，还包含了场景分类产品、气溶胶光学厚度（AOT）、水蒸气及部分云和降雪概率产品，CLM波段是具有云掩码信息的位掩码频段。
新版哨兵数据（Sentinel-2 MSI Sentinel-3 OLCI）批量下载代码
10-16
之前以往用来下载哨兵数据的哥白尼开放...本代码能从新版哥白尼数据空间生态系统批量下载哨兵数据（Sentinel-2 MSI Sentinel-3 OLCI），卫星宫中号——“海研人” 后台回复“哨兵”直接领，别在CSDN上下。拉吉玩意。
sentinel2-cloud-detector:适用于Python的Sentinel-2图像的Sentinel Hub Cloud Detector
05-07
Sentinel Hub的Sentinel-2影像云探测器 注意：s2cloudless掩码现在可以作为Sentinel Hub中的预计算层使用。 查看 和。 s2cloudless Python软件包在Sentinel-2影像中提供了自动的云检测功能。 该分类基于Sentinel ...
sentinel-dashboard-nacos-1.8.1.jar
05-07
实现sentinel和nacos的双向数据绑定，sentinel修改流控规则，nacos也会修改。 注意：groupId: SENTINEL_GROUP 这里指定必须是SENTINEL_GROUP，否则无效
哨兵二号介绍 哥白尼：哨兵2号（Sentinel-2）
11-08
来自于哨兵二号应用分析介绍，传感器和平台分析课程资源学习应用。
ENVI5.3直接打开Sentinel2数据
12-31
ENVI5.3直接打开Sentinel2数据，工具简单方便，欢迎使用，原文链接：https://www.ixxin.cn/2018/12/31/envi53opensentinel2/
sentinel-dashboard-1.8.7.jar
01-26
sentinel-dashboard-1.8.7.jar，github经常打不开，下载了好几天才下载下来，给大家分享下
sentinel 官方文档_sentinel 核心概念
weixin_39530149的博客
12-08 1006
前段时间笔者在团队内部分享了sentinel原理设计与实现，主要讲解了sentinel基础概念和工作原理，工作原理部分大家听了基本都了解了，但是对于sentinel的几个概念及其之间的关系还有挺多同学有点模糊的，趁着这几天比较空，针对sentinel的几个核心概念，做了一些总结，希望能帮助一些sentinel初学者理清这些概念之间的关系。PS：本文主要参考sentinel源码实现和部分官方文档，建...
Sentinel 2 哨兵2号 基本介绍
杨过
04-23 2万+
哨兵2号是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。分为2A和2B两颗卫星。 第一颗卫星哨兵2号A于2015年6月23日01:52 UTC以“织女星”运载火箭发射升空。 6月29日，在轨运行4天的哨兵-2A卫星，传回了第一景数据，幅宽290km，卫星第一次扫描的范围是从瑞典开始，经过中欧和地中海，...
Sentinel-2 波段介绍及其波段组合应用
GISer and Coder
11-03 3万+
Sentinel-2 各波段介绍 波段组合应用 B4 B3 B2 Natural Color 真彩色 健康的植物是绿色的。其次，城市特征经常出现白色和灰色。最后，水是深蓝色的。 B8 B4 B3 Color Infrared 标准假彩色 标准假彩色组合是为了强调健康和不健康的植被。利用近红外(B8)波段，它对叶绿素的反射效果特别好。这就是为什么在标准假彩色图像中，密集的植被是红色的，而城市地区都是白色。 B12 B8 B4 Short-Wave Infrared 短波红外 这种颜色合成显示出各.
关于哨兵sentinel 2所有知识都在这里
m0_57191404的博客
01-09 1万+
目录 Sentinel2介绍 处理工具 光谱特性 大气校正 文件结构及命名 全色锐化 数据下载 Sentinel2介绍 Sentinel 2是高分辨率多光谱成像卫星，搭载多光谱成像仪（MSI），由“双胞胎” Sentinel 2A 和Sentinel 2B 两颗卫星组成，它们的轨道彼此相差180º，覆盖13个工作波段，放置在地球的两端。图像采集时间分辨率是每颗卫星10 天，两颗就是5天。因此，你将在不超过五天的时间段内获得同一区域更新的卫片。卫星拍摄的每幅图像都显示了290公里..
生成代码：sentinel-2与sentinel-1融合
05-11
以下是一些示例代码，演示如何将 Sentinel-2 和 Sentinel-1 数据进行融合： 1. 利用Python的sentinelsat库下载Sentinel-2和Sentinel-1数据： ```python from sentinelsat import SentinelAPI, read_geojson, geojson_to_wkt # 登录sentinelsat账号 api = SentinelAPI('username', 'password', 'https://scihub.copernicus.eu/dhus') # 下载Sentinel-2数据 footprint = geojson_to_wkt(read_geojson('path/to/footprint.geojson')) products = api.query(footprint, platformname='Sentinel-2', cloudcoverpercentage=(0, 30), producttype='S2MSI1C') # 下载Sentinel-1数据 products = api.query(footprint, platformname='Sentinel-1', polarisationmode='VV VH', producttype='GRD', orbitdirection='ASCENDING') ``` 2. 使用Python的gdal库读取和处理Sentinel-1数据： ```python from osgeo import gdal # 读取Sentinel-1数据 s1_vv = gdal.Open('path/to/sentinel1_vv.tif') s1_vh = gdal.Open('path/to/sentinel1_vh.tif') # 将Sentinel-1数据转换为dB单位 s1_vv_db = 10 * np.log10(s1_vv.ReadAsArray()) s1_vh_db = 10 * np.log10(s1_vh.ReadAsArray()) # 对Sentinel-1数据进行滤波和校正 # ... # 将Sentinel-1数据重采样到Sentinel-2的分辨率 # ... # 将Sentinel-1数据和Sentinel-2数据进行融合 # ... ``` 3. 使用Python的scikit-image库将Sentinel-2和Sentinel-1数据进行融合： ```python from skimage import exposure # 将Sentinel-2数据进行拉伸和直方图匹配，使其与Sentinel-1数据的动态范围一致 s2_rgb = exposure.rescale_intensity(s2_rgb, in_range=(0, 0.3), out_range=(0, 1)) s2_rgb_matched = exposure.match_histograms(s2_rgb, s1_vv_db) # 将Sentinel-1数据和Sentinel-2数据进行加权融合 s1_weight = 0.6 s2_weight = 0.4 fused = (s1_weight * s1_vv_db + (1 - s1_weight) * s1_vh_db) * s2_weight + (1 - s2_weight) * s2_rgb_matched ``` 这只是一些示例代码，具体的融合方法和参数需要根据具体的应用场景进行调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值