Multitemporale Metriken sind eine Standardmethode für die Datentransformation von Zeitreihen. Sie vereinfachen die Analyse der Landoberflächenphänologie, erleichtern die Bodenbedeckungskartierung und die Erkennung von Änderungen. Der metrische Ansatz wurde Mitte der 1980er Jahre entwickelt, um Phänologie-Features aus Zeitreihen des Normalized Difference Vegetation Index (NDVI) zu extrahieren (Badwhar, 1984; Maligreau, 1986). Gleichzeitig wurde von Holben (1986) die Idee vorgeschlagen, NDVI-Zeitreihen zur Extraktion einer spektralen Reflexion zu verwenden, die bestimmten phänologischen Stadien entspricht. Später wurden beide Ansätze von Forschern des Laboratory for Global Remote Sensing Studies an der University of Maryland (DeFries, Hansen und Townsend, 1995) zusammengeführt. In ihrer Arbeit wurden Metriken berechnet, indem spektrale Informationen für bestimmte phänologische Stadien extrahiert wurden, die durch die ndVI-Jahresdynamik definiert wurden. Später wurden die multitemporalen Metriken häufig für die Überwachung der Waldausdehnung und -struktur auf kontinentaler und globaler Ebene mit Hilfe von MODIS (Hansen et al., 2010) und Landsat-Daten (Hansen et al., 2013; Potapov et al., 2012; 2017; 2019;). Der Zweck von Metriken besteht darin, konsistente Eingaben für die jährliche Vegetationskartierung zu erstellen und Erkennungsmodelle zu ändern und die Inkonsistenz der Verfügbarkeit von Clear-Sky-Daten zu überwinden, die typisch für Sensoren mit niedriger Beobachtungsfrequenz ist, wie Landsat. Um die Landsat ARD-Daten herunterzuladen, gehen Sie wie folgt vor: Die Normalisierungszieldaten wurden aus dem Oberflächenreflexionsprodukt MODIS 44C erfasst. Wir verwendeten MODIS-Bänder mit einer ähnlichen Wellenlänge wie die ausgewählten Landsat-Bänder (siehe Tabelle 1). MODIS-Oberflächenreflexion und Helligkeitstemperatur wurden mit den gleichen Koeffizienten wie für die verarbeiteten Landsat-Daten skaliert. Um die räumliche Konsistenz des Reflexionsziel-Datasets zu gewährleisten, haben wir alle 16-tägigen globalen MODIS-Beobachtungsverbunde aus dem Jahr 2000 bis 2011 verwendet.

Um die Auswirkungen von Luftverschmutzung und Oberflächenanisotropie zu reduzieren, wurden in der Zeitreihe nur nah nadir klare und niedrige Aerosolbeobachtungen beibehalten. Aus allen ausgewählten Beobachtungen wurde für jedes Spektralband ein einziges Reflexionskomposit erstellt. Wir berechneten den Normalisierungsziel-Verbundwert als mittlere Reflexion von Beobachtungen mit normalisiertem Differenzvegetationsindex (NDVI) über dem 75% Perzentil. Der U.S. Geological Survey (USGS) hat die Datenqualität und Benutzerfreundlichkeit von Landsat durch die Erstellung von Analysis Ready Data (ARD) für die konterminösen Vereinigten Staaten, Alaska und Hawaii verbessert. Die ARD reduziert die Vorbereitungsarbeiten, die derzeit für die Zeitreihenanalyse erforderlich sind, um Landschaftsveränderungen für Betriebs- und Wissenschaftsnutzer zu verstehen, erheblich. Landsat Collections Um mehrere Kacheln herunterzuladen, verwenden Sie Daten-Download-Code (download_V1.1.pl) Die ESI-Datei für den Az Series EtherCAT-Treiber steht zum Download bereit. Informationen zur Installation und Verbindung der AZ-Serie Multi-Axis finden Sie im Bedienungshandbuch. Verwendung: > perl download_V1.1.pl -Kachel-Listendatei> »Startintervall> »Endintervall> »Ausgabeordner> U.S. Landsat Analysis Ready Data (ARD) werden konsequent auf die höchsten wissenschaftlichen Standards und Verarbeitungsniveaus verarbeitet, die für den direkten Einsatz bei der Überwachung und Bewertung von Querformatänderungen erforderlich sind.

Ein grundlegendes Ziel der ARD ist es, die Datenverarbeitung für Anwendungswissenschaftler, die derzeit große Mengen von Landsat-Szenendaten für die Zeitreihen-Untersuchungsanalyse herunterladen und vorbereiten müssen, deutlich zu reduzieren. Die U.S. Landsat ARD-Produkte stehen bei EarthExplorer oder AppEEARS zum Download bereit. Weitere Informationen zum Zugriff auf die Daten und zu Denkoptionen für Massendownloads finden Sie auf der Landsat Data Access-Webseite. Im zweiten Schritt bestimmen wir die Bildbeobachtungsqualität pro Pixel, d.h. die Wahrscheinlichkeit, dass ein Bildpixel bei klarem Himmel erfasst wird. Das von unserem Team entwickelte GLAD-Qualitätsbewertungsmodell stellt eine Reihe regional angepasster Entscheidungsbäume dar, um die Wahrscheinlichkeit eines Pixels zu kartieren, um Wolken, Wolkenschatten, schweren Dunst und, für Beobachtungen am klaren Himmel, Land, Wasser oder Schnee/Eis darzustellen.