Les dernières éruptions du Piton de la Fournaise, vues par SPOT5 (Take5)

=>

Si nous avions su, nous aurions cadré les images différemment !

 

Sur l'île de la Réunion, le volcan du piton de la Fournaise, a connu un été très agité, avec 3 éruptions depuis le mois de mai, et nous en avons manqué une partie.

 

L'ile de la Réunion, dans l’océan Indien, est un peu trop grande pour entrer complètement dans le champ de vue des instruments de SPOT5. Le cadrage de l'image choisi par nos utilisateurs pour l'expérience SPOT5 (Take5) favorise l'ouest de l'île, alors que  le volcan, lui, se trouve à l'est..

 

Ceci dit, nous avons eu de la chance, les nuages nous ont laissé observer une partie de l'éruption qui commencé le 17 mai. ainsi que les deux suivantes. Vous trouverez les images ci-dessous.

 

Une coulée extrêmement brillante est visible sur l'image du 19 mai (on voit même des répliques de cette coulée au sud et au nord, mais je pense que ce sont des artefacts). Le 24 mai, la partie la plus chaude de la coulée a largement diminué, et n'est plus visible quelques jours après, le huit juin.

 

Dans ces images, nous avons utilisé la bande moyen infra-rouge (MIR, 1650 nm) pour le canal rouge, ainsi que le proche infra rouge pour le canal vert, et le rouge pour le canal bleu). Le moyen infra-rouge est sensible à l'émission thermique quand la température devient très élevée.

14 Mai

19 Mai

24 Mai

8 juin

Il y a eu une autre éruption le 31 juillet, mais cette fois ci sous les nuages. La coulée de lave est cependant bien visible sur le flanc Nord du volcan, en comparant les images du 23 juillet et du 7 août.

23 Juillet

07 Août

 

Enfin, une autre éruption a démarré le 24 août, et s'est poursuivie jusqu'ici, comme le montrent les deux images acquises début septembre. L'expérience Take 5 s'est terminée le 15 septembre,avant la fin de l'éruption.

 

22 août

27 août


September 1st

September 6th

 

 

 

Si vous souhaitez analyser les données, et en faire une utilisation plus sérieuse que celle-ci, vous pouvez les télécharger, gratuitement bien sûr, sur le site  http://spot-take5.org/ . L'expérience SPOT5 (Take5) est menée par le CNES, avec une forte participation financière de l'ESA. Elle a pour but de fournir aux utilisateurs des séries d'images similaires à celles de Sentinel-2, avec une répétitivité de 5 jours. L'intérêt de cette répétitivité est manifeste, ici. Les données SPOT5 (Take5) sont produites au CNES par le centre de données THEIA.

 

Certains d'entre vous trouvent peut-être que ces très belles images donnent l'impression que le volcan est plutôt plat ? ? Pour y avoir fait une randonnée, je peux vous dire que c'est faux ! C'est juste l'effet de la correction des effets des pentes que nous avons mise en place dans notre chaîne de traitement MACCS.

 

Article mis à jour le 24 septembre

Que s'est-il passé le 9 juin à Kiev ?

=>

En ce moment, Mireille Huc, du CESBIO, passe beaucoup de temps a essayer d'améliorer la détection des ombres de nuages appliquée aux séries temporelles. Notre méthode MACCS a tendance à oublier beaucoup d'ombres lorsque celles-ci sont partiellement cachées sous le nuage. Nous vous expliquerons dans un prochain article les défauts de la méthode actuelle et comment nous comptons y remédier.

 

En vérifiant nos résultats, nous venons de tomber sur ce cas très particulier, le 9 juin 2015, sur la série temporelle acquise près de Kiev avec SPOT5 (Take5).

 

25 mai

9 juin

14 juin

 

Quicklook de l'image du 9 juin avec nuages entourés en vert et ombres entourées en noir

 

La zone sombre au centre de l'image n'a pas été détectée comme une ombre, comme le montre le quicklook ci-joint, mais c'est normal, le soleil est au Sud-Est, et les nuages au nord de la zone sombre. Ce n'est donc pas une ombre de nuage ! Cela ne ressemble pas non plus à une inondation ou à un feu de forêt. Il n'y avait pas d'éclipse solaire ce jour là...

 

 


En fait un zoom sur l'image SWIR (sensible à l'émission lumineuse par les hautes températures) montre qu'il s'agit d'un nuage de fumée noire, lié à un
incendie situé au nord-est du nuage.  Une petite recherche sur duckduckgo montre qu'il s'agit de l'incendie d'un dépôt de carburant (qui a fait semble t'il quelques victimes).

 

Notre algo multi-temporel de détection des nuages et de mesure des aérosols est un peu perturbé par cet incendie. La baisse de réflectance due au nuage de fumée n'est pas détectée comme une ombre. Résultat, lors du passage suivant, l'augmentation des réflectances est interprêtée comme un nuage. Les aérosols sont aussi assez mal détectés, puisque d'habitude, une augmentation de la quantité d'aérosols entraîne une augmentation de la réflectance, mais dans le cas de cette fumée noire, c'est tout l'inverse qui se produit.

 

 

A dark cloud over Kiev on the 9th of June

=>

These days, Mireille Huc is spending a lot of time to enhance the cloud shadow detection method applied to time series. Our MACCS method tends to forget some shadows when they are partly hidden under the cloud. We will explain in a future article the defects of the present method and how we will mitigate them.

 

When checking our results, we found out a very particular case, on June the 9th in 2015, on the time series acquired near Kiev with SPOT5 (Take5).  The images are shown below :

 

May 25th

June 9th

June 14th

 

Quicklook de l'image du 9 juin avec nuages entourés en vert et ombres entourées en noir

The dark zone in the image center was not classified as a cloud shadow, as shown by the quicklook. Because it is not a cloud shadow, the sun is in the South-East direction, and the shadows are cast to the North-West. It does not look like the footprint of a flooding, or of a forest fire, and there was no solar eclipse on that day...

 


In fact, a close up on the SWIR image, which is sensitive to the thermal emission by high temperatures, shows that it is a black smoke cloud, due to a fire at the North East of the cloud.  Duckduckgo gave us the answer, it was the fire of a fuel depot (which caused some casualties).

 

Our multi-temporal methods pour cloud detection and aerosol estimates is disturbed by this dark cloud. The surface reflectance drops and then increases again, the drop is not detected as a shadow, but the subsequent increase is interpreted as a cloud. The aerosols are also inaccurately estimated, since usually, an increase of the aerosol quantity causes an increase of the reflectance, but here, the aerosol are so absorbing that the reflectance decreases.

 

SPOT5 (Take5) L1C and L2A weekly updated

 

During the summer, the processing of SPOT5 (Take5) started to be updated weekly by THEIA processing Center in CNES. There is now a production lag of only 3 weeks, and the latest date available on the server was acquired on the 12th of August.

 

If you have been using these data, and had interesting preliminary results, or if you did an in-situ campaign, it would be very nice to send us your early results to be added on this blog. You just need to send me only one text page with one or two images, either in French or English, I would translate it.

 

Here is an example of a very interesting time series with the quickest changes I have ever seen. It is due to rice mono culture, in the Shandong region in China. End of May (May the 28th),  the rice is green, end of July (July the 27th), the rice is also green, but meanwhile, it has been cropped and sowed again. With a lower repetitivity, one might miss the images in the middle, and think it is a long lasting crop cycle.

 

Voulez vous nous aider à faire des relevés d'occupation du sol en France ?

Comme vous le savez peut-être, dans le cadre de THEIA, nous avons prévu de réaliser automatiquement des cartes d'occupations du sol annuelles du territoire Français, sur 20 à 25 classes, à partir des données Sentinel-2, dont on commence à voir les premiers exemplaires. Jordi Inglada, du CESBIO, coordonne ce projet. Il en a fait une belle présentation lors du séminaire THEIA-GEOSUD début juin.

 

Mon dernier relevé, une lande à rhododendrons, plateau de Beille, Pyrénées

Pour mener à bien ce projet, il nous faut des relevés de terrain de l'occupation des sols. Si vous êtes capable de faire la différence entre une parcelle de colza et une parcelle de blé, ou entre une parcelle de mais et une parcelle de sorgho, et si vous avez un smartphone Android équipé d'un GPS, vous pouvez nous aider. Un manuel de l'utilisateur et les relevés de 2013, 2014 et 2015 (jusqu'à fin juin) sont disponibles ici : http://tully.ups-tlse.fr/olivier/occ_sol_odk/tree/master. Pour récolter des données, il suffit de télécharger l'application "ODK collect" comme indiqué dans le manuel, et de la configurer.

 

Les données récoltées sont disponibles en ligne pour toute personne ayant un compte et effectuant des relevés. Pour avoir un compte, il suffit de me demander (olivier hagolle, au cesbio, cnes, fr).

 

Comme je l'ai précisé dans un précédent article, non seulement vous nous aiderez et obtiendrez en échange des produits d'occupation des sols de meilleure qualité sur votre région, mais ce sera l'occasion de justifier de belles promenades. C'est aussi un moyen de justifier une pause dans une montée un peu fatigante. N’hésitez pas à profiter de vos prochaines vacances pour nous ramener de bonnes données.

 

Les meilleurs contributeurs de chaque année se verront remettre un beau poster, et, insigne honneur, auront leur nom affiché dans l'ascenseur du CESBIO ;-) .

 

 

 

SAT-IRR: Satellite for Irrigation Scheduling

=>

Suite à l'expérience de pilotage d'irrigation menée au Maroc lors de l'expérience SPOT4-Take5 (Le Page et al, 2014), un outil Web d'aide à la prise de décision d'irrigation est en cours de développement (http://osr-cesbio.ups-tlse.fr/Satirr). L’outil est fonctionnel sur trois tuiles Landsat8 situées à Marrakech au Maroc, Kairouan en Tunisie, Toulouse en France.

 

L'outil s'adresse à des irrigants :  après avoir dessiné sa parcelle sur un fond cartographique, l’utilisateur répond à 4 questions. Il choisit sa culture parmi 7 options actuellement renseignées (maïs, blé, olivier…), son sol parmi les 12 sols type de l’USDA, sa date de semis et son mode d’irrigation (gravitaire, aspersion ou goutte à goutte). Cette initialisation sommaire est suffisante pour lancer le service, mais l’utilisateur pourra modifier à tout moment les contours de sa parcelle ou affiner la paramétrisation s’il connaît bien le sol, les particularités de sa culture, etc.

 

Dans un premier temps le serveur se charge de faire une approximation d’un comportement

satirr_screenshot

Screenshot from SAT-IRR web interface. The four icons allow modifying the plot parameters and contours, input irrigation, and consulting the results as graphs or tables. The graph results show a small Openlayers window with the last NDVI image, the sequence of NDVI thumbnail images, and 4 graphics: The “atmospheric part (rainfall, Reference Evapotranspiration and actual evapotranspiration), the second graph shows the status of the soil water content separated in three layers, the third graph shows the evolution of Basal Crop Coefficient and Fraction Cover, and the last graph is NDVI. The blue square at the right of the graphs are projections for the next month, including the green bars which are irrigation recommendations

moyen de la plante. Pour cela, une climatologie mensuelle est compilée (moyenne multi-annuelle de paramètres météo) puis interpolée au pas de temps journalier, alors que le comportement moyen de la plante est tiré des tables du document FAO-56 « FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements » (Allen et al, 1998). Dans un second temps, les images satellites déjà présentes sur le serveur sont examinées puis les relations entre NDVI et Coefficient Cultural de Base (Basal Crop Coefficient, Kcb) et le pourcentage de la couverture du sol par la végétation (Fraction cover, Fc) sont déterminées à chaque date disponible en faisant une moyenne sur la parcelle.

 

La météo passée est renseignée par les mesures effectuées sur la station synoptique de l’Organisation Mondiale Météorologique la plus proche, et synthétisée quotidiennement sous la forme de l’évapotranspiration de référence (ET0) et de la pluie. Enfin, des prévisions météo sont obtenues grâce à l’API de l’Institut Météorologique Norvégien.

 

Finalement, un bilan hydrique très proche de celui décrit dans la méthode FAO-56 est calculé en combinant ainsi comportement cultural et climatologie type, imagerie satellitaire, mesures et prévisions météo ainsi que projection dans le futur du développement de la culture. Le but étant bien évidemment de proposer une date et dose d’irrigation.

 

En plus de mettre à jour la météo (mesures et prévisions), le serveur vérifiera chaque jour la disponibilité de nouvelles images (uniquement Landsat8 pour le moment). Si une nouvelle image est disponible, elle est téléchargée, corrigée des effets atmosphériques en utilisant les informations fournies par le photomètre du réseau Aeronet le plus proche en utilisant le code SMAC (Rahman & Dedieu, 1994), puis un masque de nuage est créé et le NDVI est calculé. Cette image est stockée alors que le fichier original est jeté pour ne pas encombrer le serveur.

 

L’ensemble paramétrisation/mesures/prévision est stocké sur une base postgres/postgis qui fait le lien avec une interface web. L’utilisateur peut consulter les résultats sous forme de tableaux ou de graphes, et rajouter ses propres irrigations dans une autre interface dédiée.

 

Bien que l’interface soit encore un peu fruste, nous envisageons surtout des développements du côté serveur:

  • Adaptation à Sentinel-2 : à priori le passage à S2 ne devrait pas poser de soucis. Il faudra cependant adapter le calcul des tuiles à télécharger, le code de téléchargement, ainsi que la lecture du format.
  • Utilisation de Sentinel-1: Dans l’état actuel, le bon fonctionnement du bilan hydrique repose sur l’information réelle de l’irrigation que doit fournir l’utilisateur. Nous prévoyons de tester l'utilisation d’images S1 pour déterminer les dates d'irrigation.
  • Accès à des stations agro-météo locales : Dans le cadre du développement du Système d’Information Environnemental au Cesbio, la télémétrie de plusieurs stations météo se met petit à petit en place (par exemple voir http://trema.ucam.ac.ma (Jarlan et al, 2015)), nous comptons rendre ces stations accessibles à travers un service web normalisé du type Sensor Web.
  • Introduction de réseau d’irrigation collective. Les travaux de thèse de Kharrou (2013) et Belaqziz (2013, 2014) ont montré que la télédétection spatiale peut servir à optimiser les tours d’eau sur un secteur irrigué. Nous comptons donc offrir la possibilité d’introduire un ensemble de parcelle pour l’associer à un réseau de distribution et proposer in fine un arrangement optimisé du tour d’eau. Cependant, à l’heure actuelle, cet objectif est plutôt de l’ordre du défi !
  • Nous travaillons actuellement sur une procédure d'estimation du rendement du blé avec la télédétection spatiale (Thèse J. Toumi) et espérons ainsi introduire une estimation précoce du rendement dans cet outil.

Si vous souhaitez essayer l'outil, inscrivez-vous, c'est gratuit. Si les régions de test ne vous conviennent pas, contactez-moi!

Références:

  1. Le Page M., J. Toumi, S. Khabba, O. Hagolle, A. Tavernier, M. Kharrou, S. Er-Raki, M. Huc, M. Kasbani, A. Moutamanni, M. Yousfi, and L. Jarlan, “A Life-Size and Near Real-Time Test of Irrigation Scheduling with a Sentinel-2 Like Time Series (SPOT4-Take5) in Morocco,” Remote Sens., vol. 6, no. 11, pp. 11182–11203, Nov. 2014.
  2. Allen R., L. Pereira, D. Raes, and M. Smith, FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements, no. 56. FAO, 1998, pp. 273–282.
  3. Rahman H. and G. Dedieu, “SMAC: a simplified method for the atmospheric correction of satellite measurements in the solar spectrum,” Int. J. Remote Sens., vol. 15, no. 1, pp. 123–143, 1994.
  4. Kharrou M.H., M. Le Page, A. Chehbouni, V. Simonneaux, S. Er-Raki, L. Jarlan, L. Ouzine, S. Khabba, and A. Chehbouni, “Assessment of Equity and Adequacy of Water Delivery in Irrigation Systems Using Remote Sensing-Based Indicators in Semi-Arid Region, Morocco,” Water Resour. Manag., vol. 27, no. 13, pp. 4697–4714, Sep. 2013.
  5. Belaqziz S., S. Mangiarotti, M. Le Page, S. Khabba, S. Er-Raki, T. Agouti, L. Drapeau, M. H. Kharrou, M. El Adnani, and L. Jarlan, “Irrigation scheduling of a classical gravity network based on the Covariance Matrix Adaptation – Evolutionary Strategy algorithm,” Comput. Electron. Agric., vol. 102, pp. 64–72, Mar. 2014.
  6. Belaqziz S., S. Khabba, S. Er-Raki, L. Jarlan, M. Le Page, M. H. Kharrou, M. El Adnani, and A. Chehbouni, “A new irrigation priority index based on remote sensing data for assessing the networks irrigation scheduling,” Agric. Water Manag., vol. 119, pp. 1–9, Mar. 2013.
  7. Jarlan L., S. Khabba, S. Er-raki, M. Le Page et al, “Remote sensing of water resources in semi-arid Mediterranean basins: The Joint International Laboratory TREMA,” Int. J. Remote Sens., vol. (under review), 2015.

SAT-IRR: Satellite for Irrigation Scheduling

=>

Following the irrigation scheduling experiment in Morocco during the SPOT4-Take5 experiment (Le Page et al, 2014), a Web tool owing to help the irrigation decision making is under development (http://osr-cesbio.ups-tlse.fr/Satirr). The tool is functional on three Landsat8 tiles: Marrakech in Morocco, Kairouan in Tunisia, Toulouse, France.

 

As the tool is addressing irrigators, the idea is to set an irrigated plot of the simplest and fastest possible way. After drawing his plot on a base map, the user answers to 4 questions. He chose his culture among 7 options currently parameterized (corn, wheat, olive ...), its soil among the 12 USDA typical soils, the sowing date and irrigation method (flooding, sprinkler or drip). This rough initialization is adequate launch the service although, at any time, the user can change the plot contours or refine parameterization if he knows the soils, the peculiarities of its crop, etc.

satirr_screenshot

Screenshot from SAT-IRR web interface. The four icons allow modifying the plot parameters and contours, input irrigation, and consulting the results as graphs or tables. The graph results show a small Openlayers window with the last NDVI image, the sequence of NDVI thumbnail images, and 4 graphics: The “atmospheric part (rainfall, Reference Evapotranspiration and actual evapotranspiration), the second graph shows the status of the soil water content separated in three layers, the third graph shows the evolution of Basal Crop Coefficient and Fraction Cover, and the last graph is NDVI. The blue square at the right of the graphs are projections for the next month, including the green bars which are irrigation recommendations

Initially the server makes an approximation of an average behavior of the plant. For this, a monthly climatology is compiled (multi-annual average of weather parameters) and then interpolated to daily values, while the average behavior of the plant is extracted from FAO-56 Tables "FAO Irrigation and Drainage No. 56 : Guidelines for Computing Crop Water Requirements" (Allen et al, 1998). In a second step, the satellite images already on the server are examined and the relationship between NDVI and Basal Crop coefficient (Kcb) and percent of ground covered by vegetation (Fraction cover, Fc) are determined at each date by averaging on the plot.
Past weather is populated by measurements on the nearest synoptic station of the World Meteorological Organization and synthesized in the form of daily reference evapotranspiration (ET0) and rainfall. Forecasts are obtained by the API of the Norwegian Meteorological Institute.
Finally, a water balance very close to the one described in the FAO-56 is calculated by combining typical crop behavior and climate, satellite imagery, weather data and forecasts and projection into the future of crop development. The goal is to propose a date and dose of irrigation.

 

In addition to updating the weather (measures and forecasts), the server will check every day for the availability of new images (only Landsat8 for the time being). If there is availability, the tile is downloaded, it is then corrected for atmospheric effects using the information provided by the nearest photometer from the Aeronet network using the SMAC code (Rahman & Dedieu, 1994), then a cloud mask is created and NDVI is calculated. This image is stored as the original file is discarded to not overload the server.
All parameterization / measures / prediction are stored in a postgres / postgis database that links with a web client interface. The user can view the results in tables or graphs, and add its own irrigation in another dedicated interface.
While the interface is still a little rough, we are essentially considering developments on the server side:

  • Adaptation to Sentinel-2: the transition to S2 should not be a hassle. However, it will be necessary to adjust the calculation of the tiles to download, the download code and format reading.
  • Use of Sentinel-1: In the current state, the well-performance of water balance is based on the actual information of irrigation provided by the user. We plan to test the use of S1 images to determine the irrigation dates.
  • Access to local agro-weather stations: As part of the development of the Environmental Information System in Cesbio, telemetry of several weather stations has been settled up (eg, see http://trema.ucam.ac .ma) (Jarlan et al, 2015), we have to make these stations accessible through a standardized web service like Sensor Web.
  • Introduction of collective irrigation network. The PhD work of Kharrou (2013) and Belaqziz (2013, 2014) have shown that remote sensing can be used to optimize water rotations of an irrigated command. We plan to offer the possibility of introducing a set of plots to associate it with a distribution network and ultimately offer an optimized arrangement of the water rotation. However, at present, this goal is more into the order of a challenge!
  • We are currently working on a procedure to introduce wheat yield using remote sensing data (J. Toumi PhD Thesis) and further expect to input an early wheat yield prediction into the tool.

If you want to try it out, be my guest, it's free. If you want to try it out on other regions, please contact me!

 

References:

  1. Le Page M., J. Toumi, S. Khabba, O. Hagolle, A. Tavernier, M. Kharrou, S. Er-Raki, M. Huc, M. Kasbani, A. Moutamanni, M. Yousfi, and L. Jarlan, “A Life-Size and Near Real-Time Test of Irrigation Scheduling with a Sentinel-2 Like Time Series (SPOT4-Take5) in Morocco,” Remote Sens., vol. 6, no. 11, pp. 11182–11203, Nov. 2014.
  2. Allen R., L. Pereira, D. Raes, and M. Smith, FAO Irrigation and Drainage n°56: Guidelines for Computing Crop Water Requirements, no. 56. FAO, 1998, pp. 273–282.
  3. Rahman H. and G. Dedieu, “SMAC: a simplified method for the atmospheric correction of satellite measurements in the solar spectrum,” Int. J. Remote Sens., vol. 15, no. 1, pp. 123–143, 1994.
  4. Kharrou M.H., M. Le Page, A. Chehbouni, V. Simonneaux, S. Er-Raki, L. Jarlan, L. Ouzine, S. Khabba, and A. Chehbouni, “Assessment of Equity and Adequacy of Water Delivery in Irrigation Systems Using Remote Sensing-Based Indicators in Semi-Arid Region, Morocco,” Water Resour. Manag., vol. 27, no. 13, pp. 4697–4714, Sep. 2013.
  5. Belaqziz S., S. Mangiarotti, M. Le Page, S. Khabba, S. Er-Raki, T. Agouti, L. Drapeau, M. H. Kharrou, M. El Adnani, and L. Jarlan, “Irrigation scheduling of a classical gravity network based on the Covariance Matrix Adaptation – Evolutionary Strategy algorithm,” Comput. Electron. Agric., vol. 102, pp. 64–72, Mar. 2014.
  6. Belaqziz S., S. Khabba, S. Er-Raki, L. Jarlan, M. Le Page, M. H. Kharrou, M. El Adnani, and A. Chehbouni, “A new irrigation priority index based on remote sensing data for assessing the networks irrigation scheduling,” Agric. Water Manag., vol. 119, pp. 1–9, Mar. 2013.
  7. Jarlan L., S. Khabba, S. Er-raki, M. Le Page et al, “Remote sensing of water resources in semi-arid Mediterranean basins: The Joint International Laboratory TREMA,” Int. J. Remote Sens., vol. (under review), 2015.

Take5 goes to the movies

=>

How to go from 1 image every 5 days to 24 images per second ?

It was possible, thanks to CNES funding, thanks to an imaginative producer, Gérard Dedieu (who does not smoke cigars yet), thanks to a talented film director and scenarist, Thierry Gentet (the only film director who understands space mechanics), and thanks to his team, Mira Production, who are even able to shoot beautiful images in our  ... splendid CESBIO offices, and thanks to a series of promising actors and actresses Anne Jacquin, Valérie Demarez, Virginie Lafon, Valery Gond, Jean-Pierre Dedieu, and another one, the last one, who cannot say a full sentence before the 5th take.

 

We hope this little film will help you understand or explain the possibilites and opportunities offered by multi-temporal images at a high resolution, and that it will give you ideas to use the new SPOT5 (Take5) data.

 

Take5 fait du cinéma

=>

Comment passer d'une image tous les 5 jours à 24 images par secondes ?

C'est possible, grâce au soutien financier du CNES, grâce à un producteur plein d'idées, Gérard Dedieu (qui ne fume pas encore le cigare), grâce à un scénariste-réalisateur de talent (Thierry Gentet), le seul réalisateur de cinéma qui comprend la mécanique spatiale,  et grâce à son équipe (Mira Production) qui sait même mettre en valeur les ... magnifiques bureaux du CESBIO, et enfin grâce à une brochette d'actrices et d'acteurs de premier rôle, enfin dont c'était souvent le premier rôle : Anne Jacquin, Valérie Demarez, Virginie Lafon, Valery Gond, Jean-Pierre Dedieu et un autre, le dernier, qui n'arrive pas à faire une phrase complète avant la 5e prise.

 

Nous espérons que ce film vous aidera à comprendre ou à expliquer les intérêts et enjeux de l'imagerie multi-temporelle à haute résolution.

 

 

 

 

Slides from the second SPOT (Take 5) Workshop

Voici les présentations des Journées SPOT4 (Take5) du 18 et 19 novembre 2014.  Cette réunion a réuni une centaine de personnes au CNES pour faire un bilan des acquisitions et des produits distribués, prendre connaissance des travaux et résultats des utilisateurs et obtenir un retour d'expérience.
J'en profite pour remercier chaleureusement les deux organisatrices, Sylvia Sylvander et Danielle Barrère, du CNES (DCT/ME/OT), ainsi que les 23 orateurs qui nous ont proposé de brillantes présentations.

 

Here are the presentations from SPOT4 (Take5) users day on November 18th and 19th 2014. Around 100 people attended this meeting at CNES, which aimed at making an assessment of the acquisitions and products, show the users studies and results and obtain their feedback.
I would like to thank a lot the organisers, Sylvia Sylvander and Danielle Barrère from CNES, and the 23 speakers, who gave us amazing talks.

The table below gives access to all the slides.

 

S. Sylvander CNES Introduction
S. Sylvander CNES Preparation and progress of SPOT4 (Take5) experiment
O.Hagolle CESBIO/CNES SPOT4 (Take5) validation, users feedback and lessons learned
M.Kadiri CESBIO Definition, test evaluation of a monthly composite product for Sentinel-2 based on SPOT4 (Take5) data
M.Claverie U. Maryland / NASA An update on the LANDSAT8/Sentinel-2 merged reflectance product project
M.Le Page CESBIO SAT-IRR : Satellite for irrigation scheduling
V.Simonneaux CESBIO Water budget monitoring of irrigated perimeters in semi-arid areas using high resolution NDVI image time series
O.Arino ESA ESA Studies: Agriculture, Forest, Wetland, Costal Water. Preparing for Sentinel-2
M.El-Hajj TETIS/IRSTEA Estimation of soil moisture using radar and optical images over Grassland areas
J.Inglada CESBIO Automatic land-cover map production of
agricultural areas using supervised classification of SPOT4(Take5) and Landsat-8 image time series
S.Valero CESBIO Real-time crop mask production using high-spatial-temporal resolution image times series
D.Morin CESBIO Estimation of biophysical variables and cartography of irrigated surfaces with high temporal and spatial resolution images
W.Li INRA Avignon Deriving ECVs GAI and FAPAR from SPOT4 and LANDSAT8 sensors: evaluation of the consistency and comparison with ground measurements
A.Roumiguié Dynafor/EI-Purpan Forage production monitoring
C.Jacqueminet EVS-ISTHME, U. Saint-Etienne
Discrimination of herbaceous habitats using multitemporal Spot and Landsat images (Massif central – France)
V.Gond CIRAD Phenological monitoring of tropical forest ecosystems in the North of Congo
A.Verhegghen JRC Assessing Forest Degradation in the tropics using Time Series of Fine Spatial Resolution Imagery
M.Szulkin CEFE-CNRS Inferring blue tit reproductive phenology using SPOT4 imagery
S.Sylvander / O.Arino ESA SPOT5(Take5) Operations in 2015
J.P.Dedieu LTHE / CNRS Snow cover monitoring in the French Alps physical properties of surface snow, snow cover dynamics impact on vegetation
A.Facello IRPI-CNR (Italy) Snow Water Equivalent and Slope Movements from Satellite Data: potential of space-borne observations with high spatial and temporal sampling. Case study: Tena Valley (Central Pyrenees, Spain)
S.Cerisier GIP Loire-Estuaire Remote sensing data with high repetitivity : a contribution to coastal and estuarine processes knowledge
V.Lafon Geo-Transfert / EPOC, U. Bordeaux
SPOT4 (Take5) Experiment: simulation of Sentinel-2 time-series to monitor the maximum turbidity zone of tidal estuaries