Fundamentalmente, a questão aqui é "o que significa 'cientificamente válido'". Se você está procurando fazer modelagem espectral nos dados, a resposta é possivelmente diferente do que se você estiver olhando para fazer uma classificação / segmentação de imagem. O afiação em profundidade (dependendo do método) simplesmente mudará o intervalo dos valores em uma quantidade bastante pequena e não deve colocar seus valores de refletância fora do campo de possibilidade.
Em suma, depende muito de qual aplicativo você usará os dados. Além disso, também pode valer a pena documentar o impacto da afiação de afiação como resultado parcial em qualquer estudo que você esteja realizando. O resultado pode ser que ele não adicione nada, exceto quatro vezes mais pixels, o que significa um tempo de processamento quatro vezes maior, o que, em alguns casos, é um limitador de exibição.
Edit: Meu banco de dados de artigos sobre este tópico não é enorme, mas eu tenho esses dois onde os dados de pansharpend são usados (com resultados razoáveis) para a segmentação de imagens:
Shackelford, AK; Davis, CH (2003). Uma abordagem combinada baseada em pixel difuso e baseada em objeto para classificação de dados multiespectrais de alta resolução sobre áreas urbanas. Transações IEEE sobre Geociência e Sensoriamento Remoto, 41 (10), 2354-2364. http://doi.org/10.1109/TGRS.2003.815972
Fernández, I., Aguilar, FJ, Aguilar, MA, & Álvarez, MF (2014). Influência da fonte de dados e do tamanho do treinamento na classificação de áreas de superfície impermeáveis usando imagens de satélite e aéreas VHR por meio de uma abordagem baseada em objetos. Jornal do IEEE de tópicos selecionados em observações aplicadas da terra e sensoriamento remoto, 7 (12), 4681–4691.
Primeiro de tudo - a menos que você REALMENTE saiba o que está fazendo e com o que está experimentando - não é possível converter corretamente o PAN de refletância DN para TOA. Esses dados são feitos apenas para fins de aprimoramento visual; e nenhuma informação espectral deve derivar dela.
Os valores de refletância TOA são redimensionados a partir do tipo de dados de 16 bits, conforme declarado pelo USGS . O que significa que você pode usar a banda PAN diretamente como entrada com os dados de refletância TOA multiespectral. Especialmente porque a maioria dos algoritmos de nitidez de pan, se não todos, começa com algum tipo de normalização de dados.
Outra coisa que você pode fazer - apenas para acalmar sua mente - é pegar dois dados de amostra (nível 2 e nível 1); aplique nitidez de pan nos dois e faça avaliações espectrais e espaciais em ambos os resultados.
PS: Sobre o tema do seu projeto
No ano passado, trabalhei em um projeto referente à avaliação dos efeitos de nitidez de pan na classificação de imagens , onde os dados de entrada eram imagens de satélite Quickbird e Landsat 8. Vários algoritmos e abordagens foram testados. E os resultados foram muito interessantes. Ainda não conseguimos publicar o artigo, então não posso divulgar a maioria das coisas que fizemos. Mas uma coisa que posso dizer é: tentar usar uma combinação dos dados originais (faixas completas) e imagens segmentadas e nítidas. Como a maioria dos experimentos realizados com dados do Landsat mostrou que a precisão geral e o coeficiente Kappa caíram em comparação com a classificação dos dados originais.
fonte