A comparison of radiometric normalization methods when filling cloud gaps in Landsat imagery

Abstract

Mapping persistently cloudy tropical landscapes with optical satellite imagery usually requires assembling the clear imagery from several dates. This study compares methods for normalizing image data when filling cloud gaps in Landsat imagery with imagery from other dates. Over a complex tropical island landscape, namely St. Kitts and Nevis and the island of St. Eustatius, all of the methods tested reduce interdate image differences for ETM+ bands 1-5 and 7, NDVI, and band 4:5 ratio. Regression tree normalization reduces the interdate differences more consistently than linear regression or histogram matching. Normalizing ETM+ images with regression trees can produce more seamless imagery than linear normalization, histogram matching, or image-based atmospheric correction via dark object subtraction. More seamless imagery enhances visual interpretation and helps reveal the distributions of forest formations in these landscapes. Decision tree classification of cloud-filled Landsat imagery can accurately map land cover and detailed forest formations. Decision tree classification accuracy is not highly dependent on the method used to make the cloud-filled imagery, however, at least as long as (i) classification model training data reflect class spectral variability, and (ii) ancillary spatial data that relate to the distributions of classes are used in the classification. Cloud-filled imagery is also known as cloud-cleared imagery.

Les couvertures terrestres sont difficiles à cartographier à l'aide d'imagerie satellite à haute résolution lorsqu'il s'agit de paysages perpétuellement couverts de nuages. Cette étude compare les différentes méthodes utilisées pour normaliser les données d'images afin de remplir les trouées de nuages dans les images de Landsat avec des images d'autres dates. En balayant un paysage complexe d'une île tropicale, toutes les méthodes vérifiées réduisent les différences d'images entre les dates pour ce qui est des bandes 1 à 5, et 7 ETM+, de l'IVDN et du rapport de bandes 4:5. Pour ces bandes et indices, la normalisation de l'arbre de régression réduit ces différences plus que la régression linéaire, l'appariement d'histogrammes. Par conséquent, la normalisation d'images ETM+ à l'aide d'arbres de régression peut produire des images plus homogènes. Ce genre d'images facilite l'interprétation visuelle et aide à révéler la distribution des formations de forêts dans ces paysages. La classification basée sur un arbre de décision des images remplies de nuages de Landsat peut dresser avec précision la carte de la couverture terrestre et les formations de forêts en détail. La précision de la classification basée sur un arbre de décision dépend peu de la méthode utilisée pour obtenir les images remplies de nuages, cependant, du moins tant que (i) les données d'apprentissage du modèle de classification reflètent la variabilité spectrale de la classe et tant que (ii) les données spatiales auxiliaires liées aux distributions des classes sont utilisées dans la classification. On parle parfois de la notion d'enlèvement des nuages en imagerie de zones couvertes de nuages.