Ниже — практическая поэтапная последовательность фотограмметрической обработки и радиометрической нормализации мультидатных аэрофотоснимков для получения сопоставимых ортофотопланов $ориентировананаанализизмененияпосевов$. Для каждой стадии я указываю цель, рекомендуемые методы/алгоритмы и заметки по контролю качества.

1) Подготовка и сбор метаданных $обязательныйшаг$

Что собрать: тип камеры/сенсора, калибровочные коэффициенты $gain/offset$, матрица камеры/фокусное расстояние, профиль объективa $радиальная/тангенциальнаядисторсия$, EXIF $ISO,выдержка,диафрагма$, GPS/IMU, высота полёта, угол съёмки, время/датa, погодные условия.Желательно: снимки эталонных рефлекторов $белые/серые/чёрныепластины$ в начале/конце/на полях, измерения атмосферных условий $аэрозоль,водянойпар$ и наземные ГПС/GCP.QC: проверьте целостность EXIF и доступность калибровочных данных.

2) Предварительная радиометрическая обработка $науровнеисходныхснимков$

Цели: убрать аппаратные артефакты и привести записи в линейный масштаб.Шаги и методы:
Конвертация RAW → линейные DNs $есликамерывыдаютRAW$.Удаление темнового тока/чёрного уровня и коррекция плоскостной неоднородности $flat-field$.Коррекция виньетирования $vignetting$ и исправление пиксельной чувствительности.Применение профиля объектива для устранения дисторсии $частичновыполняетсявфотограмметрическомПО$.Инструменты: встроенные утилиты камер, OpenCV/RawTherapee, специализированные функции в Agisoft/Pix4D.

3) Преобразование DN → ат-сенсорная радиance и дальше → отражательная способность $reflectance$

Если есть калибровочные коэффициенты сенсора: DN → радиance = $DN-offset$ * gain / exposure_time; затем применение коэффициентов для преобразования в at-sensor reflectance $расчётчерезсолнечнуюдистанцию/солнечныйзенитныйугол$.При наличии рефлекторных панелей — Empirical Line Method $ELM$: аппроксимировать линейную зависимость DN↔рефлектанс по контрольным панелям $оченьнадёжно$.Если нет панелей — относительная калибровка по данным сенсора $еслидоступныabsolutecalibrationcoeffs$ или переход в «ат-сенсорную отражательность» с использованием EXIF/солнечных углов.QC: сравнить рассчитанные рефлектансы по панелям/опорным объектам, сохранить в процентах или 0–1.

4) Атмосферная коррекция $приведениекповерхностнойотражательнойспособности$

Цель: убрать влияние атмосферы $аэрозоль,рассеяние$ — важно при снимках в разные даты и при анализе вектора изменений.Методы:
Простые: Dark Object Subtraction $DOS$ — быстрый, но грубый.Полные: модель 6S/SMARTS $Py6S$, MODTRAN/ATCOR — точнее при наличии атмосферных параметров.Для водных/прибрежных: ACOLITE.Инструменты: Py6S, ATCOR, Orfeo ToolBox, SNAP + Py6S.QC: проверить эффекты на нулевых объектах $тени,глубокиеводы$; оценить стабильность коэффициентов между датами.

5) Топографическая и BRDF-коррекция $призначительномрельефеилиразномуглесъёмки$

Топографическая коррекция: C-коррекция, Minnaert — уменьшает влияние ориентации склонов на отражение.BRDF $рассеивающая/анизотропнаяотражательнаяспособность$: если даты съёмки имеют разные солнечно-видовые геометрии и требуется точная многодатная сравнимость — применить полукернельные модели $Ross-Li$ либо эмпирические BRDF-коррекции.Примечание: для равнинных полей топографическая/BRDF-коррекция иногда можно опустить, но BRDF сильно влияет при разном часовом освещении.

6) Фотограмметрическая $геометрическая$ обработка — построение ортофотопланов

Шаги:
Исправление дисторсии объектива $еслиневыполненоранее$.Выделение сопоставимых точек $tiepoints$, bundle adjustment $структураподвижению$.Использование GCP для точной геопривязки $RTK/PPK-позицииполезны$.Генерация плотного облака точек → DSM/DEM $илиимпортлокальногоDEM$.Орторектификация и ресэмплинг в выбранную целевую ОС $CRS$ и разрешение.Экспорт ортоизображений по датам $сохранятьвединыхразмерах/разрешении/CRS$.Инструменты: Agisoft Metashape, Pix4D, OpenDroneMap, RealityCapture.QC: проверка ошибок геопривязки по GCP $RMS$, совпадение контрольных точек, визуальный контроль швов.

7) Мозаика внутри одной даты $локальнаяобработка$

Если ортоштуки нескольких полётов/сегментов — собрать однородную мозаику:
Использовать seamlines, feathering/feather-blending, но избегать «подгонки тонов» в этом шаге, если вы ещё не сделали радиометрическую нормализацию между датами.Предпочтительно склеивать после приведения к surface reflectance, чтобы избежать искусственных градиентов.QC: проверка медианы/границ швов, отсутствие яркостных скачков.

8) Мультидата радиометрическая нормализация $приведениевсехдаткединомуреференсу$

Выбрать эталонную дату $референс$ с наиболее качественной атмосферой/солнечными условиями.Методы нормализации:
Empirical Line / Absolute $еслиимеютсярефлекторныепанелинавсехдатах$ — лучший вариант.Pseudo-Invariant Features $PIF$: выбрать неизменные объекты $асфальт,крыши,дорожныеполосы,бетон$ и подогнать по линейной регрессии $per-bandlineargain+offset$.Histogram matching $глобальный$ — простой, но может исказить спектральные отношения; лучше применять для RGB-визуализации, не для анализа индексов.Multivariate methods: IR-MAD $IterativelyReweightedMultivariateAlterationDetection$ — автоматическая сценно-независимая нормализация, хорошо работает для многополосных наборов.Radiometric cross-calibration с учётом спектральных различий сенсоров: если разные датчики — попытаться скорректировать спектральную несовместимость через спектральную согласование $используяСПРсенсораиспектрыцелей$ или через статистическое обучение.Процедура PIF/ELM $частоиспользуемая$:
Извлечь PIF точки/пластины по всем датам $ручнойвыборилиавтоматическийотбор$.Для каждой даты и каждой полосы провести линейную регрессию значений на эталонные значения референса → получить коэффициенты a $gain$ и b $offset$.Применить трансформацию reflectance'ов: R_norm = a * R_date + b.QC: построить scatterplots $референсvsнормализованнаядата$ по PIF, вычислить RMSE, проверить NDVI/вегетационные индексы на контрольных полосах.

9) Дополнительные согласования: спектральная несовместимость, разрешение и геометрическая резекция

Если используются разные сенсоры с различными спектральными ОПФ:
Попробовать компенсировать разницу с помощью спектральной трансформации $регрессиямеждуиндексами,спектральноесвертование$ или использовать индексы, менее чувствительные к спектральному сдвигу.Приведение разрешения: ресэмплинг к единому пиксельному шагу $например,бильнеар/кубическаясвёртка$. Для анализа вегетации сохраните высокое разрешение, но будьте последовательны.Выравнивание геометрии: точное сопоставление краёв полей по всем датам — важная предпосылка.

10) Проверка качества многодатного набора и финальная подготовка

Визуальные и статистические тесты:
Карты разницы NDVI между соседними датами по известным неизменным площадям $должныбытьнулевыми$.Гистограммы/boxplot по PIF, по полям.Тесты на артефакты швов, “цветовые” контрасты и остаточные полосы.Сохранить выходы в стандартизованном формате $GeoTIFF,отражательность0–1или$, единая CRS, единый битовый формат $float32илиuint16смасштабом$.

11) Получение наборов для анализа посевов

На выходе: серия ортофотопланов, приведённых к surface reflectance, геометрически соотнесённых и одного разрешения.Сгенерируйте карты вегетационных индексов $NDVI,EVI,SAVIит.д.$ из нормализованных ортофотопланов.Сделайте временные профили по полям, статистику изменений, классификацию/сегментацию посевов.

Практические рекомендации и замечания

Снимать с одинаковыми/близкими параметрами полёта $высота,перекрытие$ и в аналогичные часы дня $солнечныйзенит$ — это минимизирует BRDF/освещённость.По возможности используйте эталонные рефлектансы на площадке при каждом пролёте — это самый надёжный путь к абсолютной сопоставимости.Для быстрого рабочего процесса: относительная нормализация PIF + IR-MAD даёт хороший компромисс точности/затрат, если нет панелей.Помните о физических ограничениях: если спектральные характеристики сенсоров существенно различаются, даже тщательная радиометрическая нормализация не устранит полностью отличие в спектральных откликах; тогда нужно учитывать это при интерпретации изменений $используйтеиндексыиметоды,устойчивыектакомусмещению$.Инструменты: Agisoft/Pix4D/ODM — фотограмметрия; Py6S/6S/ATCOR/SNAP/Orfeo — атмосферная коррекция; R $RStoolbox$, Python $rasterio,numpy,scikit-image$ — для PIF/IR-MAD/histogram matching и автоматизации.

Короткая сводка последовательности $длябыстройориентировки$

Сбор метаданных + GCP + панелей. 2. RAW → линейные DNs, коррекция виньетирования/flat-field. 3. DN → радиance → at-sensor reflectance $илиELMпопанелям$. 4. Атмосферная коррекция → surface reflectance $6S/DOS$. 5. Топограф./BRDF-коррекция $принеобходимости$. 6. Фотограмметрия: tie points → bundle adjustment → DSM/DEM → орторектификация. 7. Мозаика по дате $послеприведениякотражательнойспособности$. 8. Мультидата радиометрическая нормализация $ELM/PIF/IR-MAD$. 9. QC и экспорт единообразных ортофотопланов и индексов.

Если хотите, могу:

предложить конкретный рабочий pipeline с командами/скриптами $например,Py6S+Agisoft+RStoolbox$,помочь подобрать PIF-объекты и настроить регрессию для ваших снимков,или оценить ваши метаданные/примеры снимков и предложить детальную пошаговую инструкцию под вашу ситуацию.