Search

Fernerkundungszeitreihen beschreiben die Erfassung von zeitlich gleichmäßig verteilten Fernerkundungsdaten in einem festgelegten Zeitraum entweder global oder für ein vordefiniertes Gebiet. Für die Überwachung der Landwirtschaft, die Erkennung von Veränderungen der Phänologie oder für das Umwelt-Monitoring werden nahezu tägliche Daten mit hoher räumlicher Auflösung benötigt. Bei vielen verschiedenen fernerkundlichen Anwendungen hängt die Genauigkeit von der dichte und der Verlässlichkeit der fernerkundlichen Datenreihe ab. Die verschiedenen Fernerkundungssatellitenkonstellationen sind immer noch nicht in der Lage, fast täglich oder täglich Bilder mit hoher räumlicher Auflösung zu liefern, um die Bedürfnisse der oben erwähnten Fernerkundungsanwendungen zu erfüllen. Einschränkungen bei den Sensoren, hohe Entwicklungskosten, hohe Betriebskosten der Satelliten und das Vorhandensein von Wolken, die die Sicht auf das Beobachtungsgebiet blockieren, sind einige der Gründe, die es sehr schwierig machen, fast tägliche oder tägliche optische Fernerkundungsdaten mit hoher räumlicher Auflösung zu erhalten. Mit Entwicklungen bei den optischen Sensorsystemen und gut geplanten Fernerkundungssatellitenkonstellationen kann dieser Zustand verbessert werden, doch ist dies mit Kosten verbunden. Selbst dann wird das Problem nicht vollständig gelöst sein, so dass der wachsende Bedarf an zeitlich und räumlich hochauflösenden Daten nicht vollständig gedeckt werden kann. Da der Datenerfassungsprozess sich auf Satelliten stützt, die physische Systeme sind, können diese aus verschiedenen Gründen unvorhersehbar ausfallen und einen vollständigen Verlust der Beobachtung für einen bestimmten Zeitraum verursachen, wodurch eine Lücke in der Zeitreihe entsteht. Um den langfristigen Trend der phänologischen Veränderungen aufgrund der sich schnell ändernden Umweltbedingungen zu beobachten, sind die Fernerkundungsdaten aus der gegenwärtig nicht ausreichend. Hierzu werden auch Daten aus der Vergangenheit benötigt. Eine bessere Alternativlösung für dieses Problem kann die Erstellung von Fernerkundungszeitreihen durch die Fusion von Daten mehrerer Fernerkundungssatelliten mit unterschiedlichen räumlichen und zeitlichen Auflösungen sein. Dieser Ansatz soll effektiv und effizient sein. Bei dieser Methode kann ein zeitlich und räumlich hoch aufgelöstes Bild von einem Satelliten, wie Sentinel-2 mit einem zeitlich und räumlich niedrig aufgelösten Bild von einem Satelliten, wie Sentinel-3 fusioniert werden, um synthetische Daten mit hoher zeitlicher und räumlicher Auflösung zu erzeugen. Die Erzeugung von Fernerkundungszeitreihen durch Datenfusionsmethoden kann sowohl auf die gegenwärtig erfassten Satellitenbilder als auch auf die in der Vergangenheit von den Satelliten aufgenommenen Bilder angewandt werden. Dies wird die dringend benötigten zeitlich und räumlich hochauflösenden Bilder für Fernerkundungsanwendungen liefern. Dieser vereinfachte Ansatz ist kosteneffektiv und bietet den Forschern die Möglichkeit, aus der begrenzten Datenquelle, die ihnen zur Verfügung steht, die für ihre Anwendung benötigten Daten selbst zu generieren. Ein effizienter Datenfusionsansatz in Kombination mit einer gut geplanten Satellitenkonstellation kann ein Lösungsansatz sein, um eine nahezu tägliche Zeitreihen von Fernerkundungsdaten lückenlos gewährleistet. Ziel dieser Forschungsarbeit ist die Entwicklung eines effizienten Datenfusionsansatzes, um dichte Fernerkundungszeitreihen zu erhalten., Remote sensing time series is the collection or acquisition of remote sensing data in a fixed equally spaced time period over a particular area or for the whole world. Near daily high spatial resolution data is very much needed for remote sensing applications such as agriculture monitoring, phenology change detection, environmental monitoring and so on. Remote sensing applications can produce better and accurate results if they are provided with dense and accurate time series of data. The current remote sensing satellite architecture is still not capable of providing near daily or daily high spatial resolution images to fulfill the needs of the above mentioned remote sensing applications. Limitations in sensors, high development, operational costs of satellites and presence of clouds blocking the area of observation are some of the reasons that makes near daily or daily high spatial resolution optical remote sensing data highly challenging to achieve. With developments in the optical sensor systems and well planned remote sensing satellite constellations, this condition can be improved but it comes at a cost. Even then the issue will not be completely resolved and thus the growing need for high temporal and high spatial resolution data cannot be fulfilled entirely. Because the data collection process relies on satellites which are physical system, these can fail unpredictably due to various reasons and cause a complete loss of observation for a given period of time making a gap in the time series. Moreover, to observe the long term trend in phenology change due to rapidly changing environmental conditions, the remote sensing data from the present is not just sufficient, the data from the past is also important. A better alternative solution for this issue can be the generation of remote sensing time series by fusing data from multiple remote sensing satellite which has different spatial and temporal resolutions. This approach will be effective and efficient. In this method a high temporal low spatial resolution image from a satellite such as Sentinel-2 can be fused with a low temporal and high spatial resolution image from a satellite such as the Sentinel-3 to generate a synthetic high temporal high spatial resolution data. Remote sensing time series generation by data fusion methods can be applied to the satellite images captured currently as well as the images captured by the satellites in the past. This will provide the much needed high temporal and high spatial resolution images for remote sensing applications. This approach with its simplistic nature is cost effective and provides the researchers the means to generate the data needed for their application on their own from the limited source of data available to them. An efficient data fusion approach in combination with a well planned satellite constellation can offer a solution which will ensure near daily time series of remote sensing data with out any gap. The aim of this research work is to develop an efficient data fusion approaches to achieve dense remote sensing time series.