Prozessierungsablauf

Die SAR Geophysical Retrieval Toolbox (SGRT)¹ erlaubt die Benützung von Sentinel-1A and Sentinel-1B Rohdaten (Level 1, SAFE Format) als Eingangsdaten, um höherwertige Produkte zu erzeugen, wie zum Beispiel vorprozessierte (Level 2), Parameter und Produkt-Datensätze (Level 3-4) (die Namenskonvention folgt der SGRT Terminologie). SGRT wird innerhalb der Mikrowellen-Fernerkundungs Forschungsgruppe am Geo Departement der TU Wien entwickelt.

Vorprozessierung

Die vorprozessierten Daten werden von den Sentinel-1 Rohdaten mithilfe von Sentinel Application Platform (SNAP) abgeleitet. Der Interferometric Wide (IW) Streifenmodus (cf. Aufnahme Modi) wird hauptsächlich für die Überwachung von Landgebieten benützt und ist daher der meistverwendetste Aufnahmemodus, welcher Daten für die Vorprozessierung der Sentinel-1 Daten an der TU Wien liefert.  Eine Roh-/.SAFE Datei (d.h. ein Verzeichnis) beinhaltet zwei Bilder, eines mit  VV und eines mit VH Polarisation, und Metadaten, welche für die weiteren Prozessierungschritte essentiell sind. Diese Bilder sind in der Streifen-/Sensorgeometrie verfügbar, das heißt das Koordinatensystem ist an den Sensor gebunden (in Flugrichtung (Azimut) und normal zur Flugrichtung (Distanz)), und nicht an die Erde (z.b. durch geographische Länge und Breite). Die folgenden Schritte sind nötig, um diese Rohdaten in eine zuverlässige Darstellung der Rückstreuung und anderer Produkte umzuwandeln:

• Aktualisierung des Positionsvektors in den Metadaten anhand von präzisen Bahndaten.
• Entfernung von thermischem Rauschen (tritt in Regionen mit niederer Rückstreuung auf und wird aufgrund von zufälligen Bewegungen geladener Teilchen verursacht).
• Eliminierung von Randartefakten, welche bei vorhergehenden Prozessierungsschritten erzeugt werden.
• Radiometrische Kalibrierung zur Konvertierung  von einem digitalen Pixelwert in eine kalibrierte Rückstreuung.
• Verwendung von Multi-looking, um Rauschen in SAR Bildern zu reduzieren (e.g. Speckle).
• Auf Anfrage kann eine radiometrische Geländeeinebnung erfolgen. Diese Prozedur korrigiert Layover-Effekte, welche wegen der seitlichen Aufnahmegeomtrie entstehen (ein digitales Geländemodell (DEM) ist ein verpflichtender Basisdatensatz für diese Korrektur).
• Eine Geländekorrektur adjustiert verzerrte Gebiete (aufgrund der seitlichen Aufnahmegeometrie) and reprojiziert die Daten von der Sensorgeometrie in eine georeferenzierte Darstellung/Projektion.
• Im letzten Schritt werden die vorprozessierten Daten in das EQUI7 Gittersystem reprojiziert und gekachelt (cf. Datenspezifikationen und Formate).

Nach dieser Routine und in Abhängigkeit von den gewählten Einstellung, sind folgende Level-2 Produkte verfügbar:

SIG0:

SIG0 entspricht der Rückstreuung von einer Einheitsfläche über Grund. Es ist hauptsächlich in VV und VH Polarisation verfügbar.

GAM0:

GAM0 repräsentiert die radiometrisch geländekorrigierte Rückstreuung von einer Einheitsfläche orthogonal zur Aufnahmerichtung. Die radiometrische Geländekorrektur berücksichtigt und trennt überlappende Pulse (in "Layover" und "Foreshortening" Regionen), welche aufgrung der seitlichen Aufnahmegeometrie entstehen. Dieses Produkt ist von einem minimalen Einfluss des Geländes auf die Rückstreuung gekennzeichnet mit dem Nachteil eines höheren Rechenaufwandes (cf ² für weitere Details). Es ist hauptsächlich in VV und VH Polarisation verfügbar.

PLIA:

PLIA ist die Abkürzung für Projected Local Incidence Angle und ist der Winkel zwischen der Oberflächennormalen und dem einfallenden Strahl  (auch bekannt unter lokaler Einfallswinkel (LIA)),  welcher in die Distanzebene projiziert wird. Die Oberflächennormale wird entweder über das Ellipsoid (vereinfachtes Modell der  Erde) oder über die lokale Nachbarschaft, welche mithilfe eines DEMs ermittelst werden kann, festgelegt.

Folglich stehen für eine Sentinel-1 Aufnahme (genauer, für einen Zeitpunkt) zwei SIG0 Bilder (VV und VH), zwei GAM0 Bilder (VV und VH) und ein PLIA Bild zur Verfügung.

Produkte

SGRT Produkte werden entweder von einem Bild (genauer, ein Zeitstempel) oder von aggregierten vorprozessierten Daten (über ein bestimmte Zeitspanne) abgeleitet.  Es muss bemerkt werden, dass das radiometrisch geländekorrigierte GAM0 eine relativ neue Darstellung der Rückstreuung ist und daher im Moment nur auf der Vorprozessierungsebene verwendet wird. Eine Liste von höherwertigen Produkten wird im folgenden:

• Surface Soil Moisture (SSM): The TU Wien soil moisture retrieval algorithm for Sentinel-1 can be found in ³. SSM shows the soil moisture content of the upper soil layer (in percentage), being an indispensable parameter for agriculture, drought and vegetation monitoring and climate change research.
• Surface Soil Moisture Noise (SSM-NOISE): SSM-NOISE reflects the noise level, or in other words, the reliability of the soil moisture estimation.
• Water (WATER): WATER shows water bodies.
• Wetness (WWS): Wetness is a combined product containing information of SSM and WATER and depicts a classification of water bodies, wet areas and non-wet areas.
• Seasonal RGB Composite (S-COMP): Building upon monthly or seasonal means, these composites convey changes in land cover by setting each band of an RGB image to a mean covering different timespans of a year. This often includes a variation of polarisations for each channel/band. Due to the nature of their visual impression, these composites nicely show the characteristics of the sensor to identify different types of land cover.

Parameters

Parameter products build upon a timestack of preprocessed (SIG0, GAM0, PLIA) data or other higher-level data products  (WWS, SSM) and aim to aggregate a product over time using different statistics. One can specify the temporal interval of aggregation:

• a user defined timespan (temporal flag "T")
• seasonally (temporal flag "S")
• monthly (temporal flag "M")
• daily, i.e. aggregation of a given amount of days (temporal flag "D")

For a detailed description of the product naming convention and concatenation of the herein presented parts see .....  Available statistical measures are given below:

• Minimum ("MIN")
• Maximum ("MAX")
• Mean ("MEN")
• Standard Deviation ("STD")
• Percentiles (5^th, 10^th, 25^th, 50^th (median), 75^th, 90^th, 95^th) ("P05",  "P10", ...)
• Frequency (probability of a certain class within the given time period) ("FRQ")

Examples

Surface soil moisture (SSM)

Sentinel-1 SSM product at 500m spatial resolution over Austria. The depicted acquisition ranges from 02.08.2016 to 10.08.2016. One can identify dry regions in the eastern part and wet regions in the center part. Water bodies, mountains and cities are depicted as white, since a soil moisture retrieval can not be performed for this types of land cover (at the moment). Additionally, forest regions also do not yield a reliable estimate of soil moisture, but have not been masked out due to the lack of a forest mask.

Seasonal composite (S-COMP)

Left: Landsat-8 RGB image of London area, UK. Middle: False colour composite (RGB) of Sentinel-1 backscatter data over London area, UK. Red band shows mean of backscatter (VH) during summer (Jun-Jul-Aug), Blue band shows mean of backscatter (VH) during winter (Dec-Jan-Feb), and Green band shows the ratio of the Red and Blue band (mean_summer/mean_winter). Right: False colour composite (RGB) of Sentinel-1 backscatter data over London area, UK. Red band shows mean of backscatter (VV) during winter (Dec-Jan-Feb), Blue band shows mean of backscatter (VH) during winter (Dec-Jan-Feb), and Green band shows the ratio of the Red and Blue band (mean_summer/mean_winter). This composite highlights the variation of backscatter due to different polarizations. (data composites)

References

¹ Naeimi, Vahid et al. (2016). “Geophysical parameters retrieval from sentinel-1 SAR data: a case study for high performance computing at EODC”. In: Proceedings of the 24th High Performance Computing Symposium. Society for Computer Simulation International, p. 10.

² Small, David (2011). "Flattening gamma: Radiometric terrain correction for SAR imagery". In: IEEE Transactions on Geoscience and Remote Sensing 49.8, pp. 3081-3093.

³Gruber, Alexander et al. (2013). “Potential of Sentinel-1 for high-resolution soil moisture monitoring”. In: Geoscience and Remote Sensing Symposium (IGARSS), 2013 IEEE International. IEEE, pp. 4030–4033.