Treffer: Application of the data cube concept for multi temporal satellite imagery : Sentinel‐1 interferometric coherence for land cover & vegetation mapping

Title:
Application of the data cube concept for multi temporal satellite imagery : Sentinel‐1 interferometric coherence for land cover & vegetation mapping
Authors:
Kristen, Harald
Publication Year:
2020
Collection:
Graz University (UGR): Unipub
Subject Terms:
Fernerkundung, Datenanalyse
Subject Geographic:
Erde, UG:UB:GR
Document Type:
Dissertation master thesis
File Description:
ix, 84 Blätter Zusammenfassungen (2 Blätter); text/html; Illustrationen
Language:
English
Relation:
vignette : https://unipub.uni-graz.at/titlepage/urn/urn:nbn:at:at-ubg:1-150480/128; local:99145328112503331; system:AC15617020
Availability:
https://resolver.obvsg.at/urn:nbn:at:at-ubg:1-150480
Accession Number:
edsbas.281EAE88
Database:
BASE

Weitere Informationen

Die ESA prognostiziert, dass ihr Archiv für Erdbeobachtung (EO) von 23 PB im Jahr 2018 auf mehr als 51 PB im Jahr 2022 anwachsen wird, wobei die Sentinel-Missionen der Haupttreiber sind. Um diese große Datenmenge voll ausnutzen zu können, muss die EO Community die Art und Weise ändern, in der Fernerkundungsbilder verwendet werden. Diese Arbeit zeigt einen neuartigen Ansatz für EO, der in der Lage ist, die spezifischen Herausforderungen der Analyse langer Zeitreihen, mit Hilfe von freier und offener Software, zu bewältigen. Im ersten Teil der Arbeit werden drei Softwarelösungen, welche das Data Cube Konzept implementieren, verglichen. Rasdaman ist die vielversprechendste dieser drei Lösungen und wird daher in der Fallstudie, im Rahmen des ESA SEOM SlnCohMap- Projekts, verwendet. Darin geht es um Klassifikation von Landbedeckung unter mit Sentinel-1-Daten unter Ausnutzung der zeitlichen Entwicklung der interferometrischen Kohärenz. Die vorprozessierten Daten sind in Data Cubes organisiert und in einer leistungsstarken Cloud Infrastruktur gehosted. Für einen schnellen und standardisierten Datenzugriff, sowie einfache Prozessierungsschritte direkt im Data Cube über den OGC standard Web Coverage Processing Service (WCPS) wurde ein Python Modul entwickelt. Darüber hinaus wurde ein Python Modul implementiert, das einen vollständig automatisierten, pixelbasierten Klassifizierungsworkflow bietet. Alle Python-Skripte werden in Jupyter-Notebooks ausgeführt, was eine interaktive Datenanalyse ermöglicht. GIT wird als Versionskontrollsystem verwendet, um den erstellten Code zu dokumentieren und zu veröffentlichen. Mit dem vorgeschlagenen Data Cube Ansatz können EO-Benutzer mit einer höheren Programmiersprache, sehr große Datenmengen in einer Cloud-Infrastruktur verarbeiten und analysieren. Dies gibt ihnen mehr Zeit, sich auf die Entwicklung von Algorithmen zu konzentrieren, anstatt sich mit der Datenvorbereitung zu befassen. ; ESA foresees that its Earth Observation (EO) archive will grow from the 23 PB in 2018 to more than ...