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

New papers using SPOT4 (Take5) data

Here are two new papers that used SPOT4 (Take5), data to monitor irrigation, both in Morocco. The second one in the list below had already been described in this blog :

Please remember that we are preparing a special issue on SPOT4 (Take5) in remote sensing journal, deadline is February 28th.

 

Voici deux nouveaux papiers utilisant SPOT4 (Take5) pour suivre l'irrigation au Maroc. Les résultats du second article avaient déjà été décrits dans ce blog.

N'oubliez pas que nous préparons un numéro special du journal remote sensing sur SPOT4 (Take5). La date limite pour soumette un papier est le 28 février.

 

Les bienfaits du travail dominical

Loin de moi l'idée de vouloir donner des leçons ou de faire des reproches, mais bon, il faut le signaler, j'ai des collègues qui ne travaillent pas le week-end ou pendant les vacances. Et pour justifier cela, les prétextes les raisons sont nombreuses : la famille, les courses, la haie à tailler, la besoin de se détendre pour évacuer le stress de la semaine, un bon repas avec les amis, faire du sport...

 

Sans me vanter, je dispose de la solution à une bonne partie de ces problèmes :

  • une justification pour reporter les courses et la taille de la haie à un autre jour (c'est pour le travail, je suis obligé)
  • un moyen de faire du sport et de se détendre
  • l'occasion de réunir des amis et/ou la famille, et de leur apprendre à travailler pour vous le week-end

 

Allez, je vous explique :

Lande à genêts

Pelouse-Estive (au premier plan)

Culture ligneuse (vigne)

- grâce au beau temps de cet automne, et grâce à l'application ODK* Collect qui fonctionne sur tous les téléphones sous Android, et qu'on télécharge sur Google Play, j'ai eu le plaisir de travailler les deux derniers week-ends. Plus précisément, j'ai travaillé à récolter des échantillons d'occupation des sols.

 

Il y a quinze jours, le week-end fut consacré à collecter des échantillons de landes de montagne, et à faire une belle randonnée : tous les types de landes étaient représentés : landes de fougères, bruyères, genêts, rhododendrons, myrtilles ou genévriers) dans les Pyrénées Ariégeoises.

Le week-end suivant m'a permis d'échantillonner la végétation méditerranéenne et sa transition vers la végétation de montagne dans le Fenouillèdes, dans le piémont de l'est des Pyrénées, sur un bel itinéraire à vélo, Le vélo se prête très bien au relevé d'échantillons, et vous donne un prétexte pour vous arrêter tous les kilomètres dans les cols un peu trop difficiles. J'ai tendance à relever beaucoup plus de points en montée qu'en descente...

 

Les données sont disponibles sur un site de l'application ODK dès la fin de la randonnée, elles seront ensuite insérées dans la base de données PostGIS du labo (Merci à Jérôme Cros) et finalement, j'espère, utilisées pour l'apprentissage ou la validation de cartes d'occupation des sols.

Prairie semée, luzerne

 

Comme j'ai beaucoup travaillé, ce sont quelques 2000 points qui ont été relevés en 18 mois, et sont à votre disposition.

 

Les débuts d'une base de données Européenne de l'occupation du sol

Si vous souhaitez comme moi vous adonner au travail dominical, voire même au travail pendant la semaine, n’hésitez pas ! Multiplier les utilisateurs serait un bon moyen de faire avancer notre projet de créer une carte d'occupation des sols annuelle sur la France, avec Sentinel-2 et Landsat 8, à partir de l'an prochain. Les meilleurs contributeurs seront récompensés par des cartes d'occupation des sols plus précises sur leur lieux de travail. Pour le moment, je n'ai converti que deux utilisateurs du CESBIO à ce mode de travail dominical, mais j'espère que ces belles photos, prises depuis le portable avec l'application ODK, vous motiveront.

 

SI vous souhaitez regarder les données acquises et même tester l'application, vous pouvez utiliser le site suivant, j'ai créé un compte pour les visiteurs, "invite", et le mot de passe se compose du nom du compte suivi du nom de mon laboratoire, sans aucun espace ou majuscule. Mais je préfèrerais que vous me demandiez un compte, afin que les relevés soient identifiés (il se peut qu'un releveur de terrain fasse toujours les mêmes erreurs (confondre l'Est et l'Ouest par exemple...). Les derniers relevés vont se ranger dans le formulaire OS V2.3. J'avais écrit un manuel de l'utilisateur, qui est toujours disponible ici, et Google diffuse aussi un manuel de l'utilisateur.

* ODK : Open Data Kit

Premier article utilisant SPOT4 (Take5). SPOT4 (Take5) first article.

As far as I know, here is the first published paper that used SPOT4 (Take5) data (together with SAR data from Terra SAR-X and Cosmo SkyMed X band SAR data). Please remember that we are preparing a special issue on SPOT4 (Take5) in remote sensing journal, deadline is February 28th.

 

A ma connaissance, voici le premier papier utilisant des données SPOT4 (Take5) publié dans une revue à comité de lecture. Le papier utilise aussi des données radar bande -X issues de TerraSAR-X.et COSMO Sky-med. N'oubliez pas que nous préparons un numéro special du journal remote sensing sur SPOT4 (Take5). La date limite pour soumette un papier est le 28 février.

 

Hajj, M.E.; Baghdadi, N.; Belaud, G.; Zribi, M.; Cheviron, B.; Courault, D.; Hagolle, O.; Charron, F. Irrigated Grassland Monitoring Using a Time Series of TerraSAR-X and COSMO-SkyMed X-Band SAR Data. Remote Sensing 2014, 6, 10002-10032.

SPOT4 (Take5) communications at the Sentinel-2 Symposium

The second "Sentinel-2 for science" symposium , organised by ESA, took place in italy late may 2014. More than 400 future Sentinel-2 users participated, which is a record for a conference organised by ESA at ESA premises. Compared to the first Sentinel-2 users workshop, it turns out that most of the talks were based on time series of images, while this proportion was less than a third for the first users symposium (other talks were about spectral indexes, mono date model inversions, which is good science but is not specifically tailored for Sentinel-2). This shows that the Sentinel-2 users community state of preparation did a lot of progress during the two last years.

 

To this respect, it seems that the SPOT4(Take5) experiment has helped a lot, as at least 15 of the 55 talks (and a lot of posters) of the symposium were largely based on the data set. That was exactly the purpose of the experiment and I am quite please to see it succeeded. The data are still available there, and there are still a lot of things to do.

 

Here are the links to the 15 talks that use SPOT4 (Take5) data (I may have forgotten one of two, if so please tell me ! I have not found the links to the posters, if someone found them, please tell me !).  You may also access the whole program here (some talks, although not based on SPOT4 (Take5), were also very stimulating ;-) )

 

Ground Segment


MUSCATE : An Operational Tool for Atmospheric Corrections And Monthly Composites Sentinel-2

Marc Leroy1, Olivier Hagolle2, Mireille Huc2, Mohammed Kadiri2, Gérard Dedieu2, Joëlle Donadieu1, Philippe Pacholczyk1, Céline L'Helguen1, Selma Cherchali1

1: CNES, France; 2: CESBIO


Pre-processing


Lessons learned from the SPOT4 (Take5) experiment : simulations of Sentinel-2 time series on 45 large sites

Olivier Hagolle1,3, Mireille Huc1,2, Mohamed Kadiri1,2, Dominique Clesse4, Sylvia Sylvander3, Marc Leroy3, Martin Claverie5, Gérard Dedieu1,3

1: CESBIO Umr 5126 CNRS-CNES-IRD-UPS, Toulouse, France; 2: CNRS,France; 3: CNES, France; 4: CAP GEMINI, France; 5: NASA/GSFC, USA

Eric Vermote1, Martin Claverie1,2, Jeffrey Masek3, Inbal Becker-Reshef2, Chris Justice2

1: NASA/GSFC Code 619; 2: University of Maryland, Dept of Geographical Sciences; 3: NASA/GSFC Code 618


Restoration of Missing Data due to Clouds on Optical Satellite Imagery Using Neural Networks

Nataliia Kussul, Sergii Skakun, Ruslan Basarab

Space Research Institute NASU-SSAU, Ukraine


Agriculture


Agronomy and hydrology with Sentinel-2 type time series: Towards spatial characterization of crop productivity and its impacts on water and nutrient cycle at the catchment scale

Sylvain Ferrant1,2, Simon Gascoin2,3, Amanda Veloso2, Martin Claverie4, Gérard Dedieu1,2, Valerie Demarez2,5, Eric Ceschia2,5, Patrick Durand6, Jean-luc Probst3,7, Vincent Bustillo2,5

1: CNES, France; 2: CESBIO, France; 3: CNRS, France; 4: University of Maryland; 5: University of Toulouse; 6: INRA, France; 7: ECOLAB, France

Based on Formosat-2 rather than SPOT4 (Take5), but these data are similar and produced with the same methods.


Crop mapping in complex landscape by multi-source data mining and remote sensing for food security

Elodie Vintrou1, Valentine Lebourgeois2, Agnès Bégué2, Dino Ienco3, Maguelonne Teisseire3, Pierre Todoroff1, Fidiniaina Ramahandry Andriandrahona4

1: CIRAD UR AIDA, Station Ligne Paradis, 7 chemin de l’Irat, 97410 Saint Pierre, La Réunion; 2: CIRAD UMR TETIS, Maison de la Télédétection, 500 rue J.F. Breton, Montpellier, France; 3: IRSTEA UMR TETIS, Maison de la Télédétection, 500 rue J.F. Breton, Montpellier, France; 4: FOFIFA, Station Régionale de Recherche FOFIFA Tsivatrinikamo ANTSIRABE 110, Madagascar


Sentinel-2 Agriculture project: Preparing Sentinel-2 exploitation for agriculture monitoring

Defourny Pierre1, Bontemps Sophie1, Cara Cosmin4, Dedieu Gérard2, Guzzonato Eric3, Hagolle Olivier2, Inglada Jordi2, Rabaute Thierry3, Savinaud Mickael3, Sepulcre Guadalupe1, Valero Silvia2, Koetz Benjamin5

1: UCLouvain, Belgium; 2: CESBIO, France; 3: CS-Systèmes d’Information, France; 4: CS-Systèmes d’Information, Romania; 5: ESA, ESRIN, Italy


Crop Identification and acreage estimate using a combination of Spot4-Take5 & Landsat 8.  A preparatory study for Sentinel 2

N. Knox1,2, L.T. Tsoeleng1, C. Adjorlolo1,2, T. Newby3

1: South African National Space Agency (SANSA), South Africa; 2: University of KwaZulu-Natal (UKZN), South Africa; 3: National Earth Observation and Space Secretariat (NEOSS), c/o SIIU - CSIR, South Africa.


Multisource EO Data for the optimal agricultural drainage water management in semi-arid area of Doukkala (Western MOROCCO): Potential of Sentinel-2 Type Observation

Kamal Labbassi1, Nadia Akdim1, Silvia Maria Alfieri2,3, Massimo Menenti2

1: Chouaib Doukkaly University, Morocco; 2: Delft University of Technology, Netherlands; 3: Institute for Mediterranean Agricultural and Forest Systems, Italy


Forests


Potential of Sentinel 2 constellation to provide near real time forest disturbance mapping over cloudy areas in Gabon

Christophe Sannier, Louis-Vincent Fichet

SIRS, France


Assessing Forest Degradation from Selective Logging using Time Series of Fine Spatial Resolution Imagery in Republic of Congo

Astrid Verhegghen, Baudouin Desclée, Hugh Eva, Frédéric Achard

Joint Research Centre of the European Commission, Italy


Potential benefits that Sentinel-2 data could bring to characterise and monitor forestry, simulated through SPOT 4 Take5 data

Colette Meyer1, Hervé Yesou1, Stephen Clandillon1, Henri Giraud1, Jérôme Maxant1, Paul de Fraipont1, Arnaud Selle2

1: SERTIT, France; 2: CNES, France


 

Coastal and inland waters


Mapping estuarine turbidity using high and medium resolution time series imagery Virginie Lafon1, Arthur Robinet1, Tatiana Donnay2, David Doxaran2, Bertrand Lubac3, Eric Maneux1, Aldo Sottolichio3, Olivier Hagolle4, Alexandra Coynel3

1: GEO-Transfert, ADERA, Université de Bordeaux, France; 2: Laboratoire d'Océanographie de Villefranche, UMR 7093 - CNRS / UPMC, France; 3: UMR EPOC, Université de Bordeaux-CNRS, France; 4: CESBIO, CNRS,UPS, CNES, IRD, France


CoastColour Spot 4 Take 5

Carsten Brockmann1, Ruescas Ana1, Pinnock Simon2

1: Brockmann Consult GmbH, Germany; 2: ESA ESRIN, Italy


Sentinel-2 Time Series for GlobWetland II to map Threats in Wetlands

Kathrin Weise1, Marc Paganini2, Max Tobaschus1,3, Martin Faber1,3

1: Jena-Optronik GmbH, Germany; 2: European Space Agency, Italy; 3: Friedrich Schiller University Jena, Germnay

Une nouvelle application hydrologique pour les séries temporelles ?

Le débit des rivières naturelles est une donnée de base en hydrologie qui reste pourtant difficile à obtenir dans de nombreuses régions pour des raisons pratiques, politiques, etc.. Dans la revue Proceeding of the National Academy of Sciences, Gleason et Smith (2014) présentent une nouvelle méthode qui permet de calculer les débits d'une rivière seulement à partir d'images satellites à haute-résolution (e.g. Landsat). Continuer à lire

Land cover maps quickly obtained using SPOT4 (Take5) data for the Sudmipy site

=>

At CESBIO, we are developing land cover map production techniques, for high resolution image time series, similar to those which will soon be provided by Venµs and Sentinel-2. As soon as the SPOT4 (Take5) data were available over our study area (Sudmipy site in South West France), we decided to assess our processing chains on those data sets. The first results were quickly presented during Take5 user's meeting which was held last October.

1. Experiments

In this post we describe the work carried out in order to produce these first land cover classifications with the SPOT4 (Take5) Sudmipy images (East and West areas) and we compare the results obtained over the common region to these two areas.

 

Prior to the work presented here, we organized a field data collection campaign which was synchronous to the satellite acquisitions. These data are needed to train the classifier training and validate the classification. The field work was conducted in 3 study areas (figure 1) which were visited 6 times between February and September 2013, and corresponded to a total of 2000 agricultural plots. This allowed to monitor the cultural cycle of Winter crops, Summer crops and their irrigation attribute, grasslands, forests and bulit-up areas. The final nomenclature consists in 16 land cover classes.

 

The goal was to assess the results of a classification using limited field data in terms of quantity but also in terms of spatial spread. We wanted also to check whether the East and West SPOT4 (Take5) tracks could be merged. To this end, we used the field data collected on the common area of the two tracks (in pink on the figure) and 5 level 2A images for each track acquired with a one day shift.

 

OUEST EST
2013-02-16
2013-02-21
2013-03-03
2013-04-17
2013-06-06
2013-02-17
2013-02-22
2013-03-04
2013-04-13
2013-06-07
2. Results

The first results of supervised SVM classification (using the ORFEO Toolbox) can be considered as very ipromising, since they allow to obtain more than 90% of correctly classified pixels for both the East and the West tracks and since the continuity between the two swaths is excellent. Some confusions can be observed between bare soils or mineral surfaces and Summer crops, but these errors should be reduced by using LANDSAT 8 images acquired during the Summer, when Summer crops will develop.

Merging of the land cover maps obtained on the East and West Sudmipy tracks (the cloudy areas were cropped out). The comparison against the ground truth (the black dots on the map to the South-West of Toulouse) results in a kappa coefficient of 0.89 for the West and 0.92 on the East.

 

West EAST

This zoom compares the results obtained on the common area of the two tracks (West to the left and East to the right). The two classifications were obtained independently, using the same method and the same training data, but with images acquired at different dates and with different viewing angles. The main errors are maize plots labeled as bare soil, which is not surprising, since this crop was just emerging when the last image was acquired. There are also confusions between wheat and barley, but even on the field, one has to be a specialist to tell them apart.


3. Feedback and retrospective

After performing these experiments, we were very satisfied with the operationnality of our tools. Given the data volume to be processed (about 10 GB of images) we could have expected very long computation times or a limitation in terms of memory limits of the software used (after all, we are just scientists in a lab!). You will not be surprised to know that our processing chains are based on Orfeo Toolbox. More precisely, the core of the chain uses the applications provided with OTB for supervised training and image classification. One just have to build a multi-channel image were each channel is a classification feature (reflectances, NDVI, etc.) and provide a vector data (a shapefile, for instance) containing the training (and validation) data. Then, a command line for the training (see the end of this post) and another one for the classification (idem) are enough.

Computation times are very interesting: several minutes for the training and several tens of minutes for the classification. One big advantage of OTB applications is that they automatically use all the available processors automatically (our server has 24 cores, but any off the shelf PC has between 4 and 12 cores nowadays!).

We are going to continue using these data, since we have other field data which are better spread over the area. This should allow us to obtain even better results. We will also use the Summer LANDSAT 8 images in order to avoid the above-mentioned errors on Summer crops.

4. Command line examples

We start by building a multi-channel image with the SPOT4 (Take5) data, not accounting for the cloud masks in this example :

otbcli_ConcatenateImages -il SPOT4_HRVIR_XS_20130217_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130222_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130304_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130413_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130607_N1_TUILE_CSudmipyE.TIF -out
otbConcatImg_Spot4_Take5_5dat2013.tif

We compute the statistics of the images in order to normalize the features :

otbcli_ComputeImagesStatistics -il otbConcatImg_Spot4_Take5_5dat2013.tif -out
EstimateImageStatistics_Take5_5dat2013.xml

We train a SVM with an RBF (Gaussian) kernel :

otbcli_TrainSVMImagesClassifier -io.il otbConcatImg_Spot4_Take5_5dat2013.tif
-io.vd DT2013_Take5_CNES_1002_Erod_Perm_Dissolve16cl.shp -sample.vfn "Class"
-io.imstat EstimateImageStatistics_Take5_5dat2013.xml -svm.opt 1 -svm.k rbf
-io.out svmModel_Take5Est_5dat2013_train6.svm

And Voilà !, we perform the classification:

otbcli_ImageSVMClassifier -in otbConcatImg_Spot4_Take5_5dat2013.tif -mask
EmpriseTake5_CnesAll.tif -imstat EstimateImageStatistics_Take5_5dat2013.xml
-svm svmModel_Take5Est_5dat2013_train_6.svm -out ClasSVMTake5_5dat_16cl_6.tif

Des cartes d'occupation des sols obtenues rapidement avec les données SPOT4 (Take5) sur le site Sudmipy

=>

Au CESBIO, nous développons des techniques de production de cartes d'occupation des sols, adaptées aux séries temporelles d'images à haute résolution, comme celles que fourniront bientôt Venµs et Sentinel-2. Quand les données SPOT4 (Take5) ont été disponibles sur notre zone d'étude dans le Sud-Ouest, nous nous sommes dépêchés de mettre à l'épreuve nos chaînes de traitement sur ce jeu d'images. Les premiers résultats ont été évoqués lors de la journée des utilisateurs Take5 qui a eu lieu début octobre 2013.

1. Expérimentation

Dans ce billet, nous décrivons le travail réalisé pour générer ces premières classifications d'occupation du sol avec les données SPOT4-(Take 5) de la zone Sudmipy Est et Ouest, et nous comparons les résultats obtenus sur la zone commune à ces deux zones.

 

En amont de ce travail, nous avons organisé, de manière synchrone aux acquisitions, la collecte de données terrain pour la réalisation et la validation des classifications envisagées. Ces collectes ont été effectuées sur trois zones d'études (figure 1) qui ont été visitées à 6 reprises entre les mois de février et de septembre 2013, au total 2000 parcelles culturales ont été suivies. Ceci a permis de suivre le cycle cultural des cultures d’hiver, des cultures d’été avec une spécification concernant l’irrigation ; les surfaces en herbe, les surfaces de bois et les zones bâties. In fine, la nomenclature comporte 16 classes d'occupation du sol.

 

L’objectif était de connaître la pertinence d’une classification effectuée en utilisant des données terrain limitées tant en terme de quantité que de répartition spatiale. Nous souhaitions aussi vérifier que nous pouvions fusionner les deux traces Est et Ouest de SPOT4 (Take5). Pour ce faire nous avons utilisé 5 images de niveau 2A acquises à un jour d'écart, pour chaque zone, et les données de terrain émanant de la zone commune aux deux emprises (en rose sur la figure ci-contre).

 

OUEST EST
2013-02-16
2013-02-21
2013-03-03
2013-04-17
2013-06-06
2013-02-17
2013-02-22
2013-03-04
2013-04-13
2013-06-07
2. Résultats

Les premiers résultats des classifications supervisées par la méthode SVM (utilisant l'ORFEO Toolbox) apparaissent d'ores et déjà comme très encourageants : ils permettent d'obtenir + de 90% de pixels bien classés, tant pour la partie Ouest que pour la partie Est, et la continuité entre les deux zones est excellente. Quelques confusions existent entre sols nus/surfaces minérales et cultures d'été, qui devraient être largement réduites par l'utilisation d'images LANDSAT 8 acquises en été, période pendant lesquelles les cultures d'été vont se développer.

Assemblage des cartes d'occupation du sol obtenues sur la partie ouest et est du site Sudmipy (en excluant les zones nuageuses des deux zones sur les 5 dates choisies). La comparaison avec la vérité terrain (les points noirs sur la carte au Sud Ouest de Toulouse) donne un kappa de 0.89 à l'Ouest et de 0.92 à l'Est. Cet excellent résultat est un peu surévalué car favorisé par le fait que toutes les vérités terrain sont dans la même zone

 

OUEST EST

Ce zoom compare les résultats obtenus sur la zone commune, à gauche à l'ouest, à droite à l'Est. les deux classifications ont été obtenues indépendamment, à partir de la même méthode et de la même vérité terrain, mais avec des images acquises à des dates différentes sous des angles de prise de vue différents. Les principales confusions concernent le mais et les sols nus, ce qui n'est pas étonnant, car à la date de la dernière image disponible, le mais venait juste d'émerger. On note aussi les habituelles confusions entre orge et blé (mais même sur le terrain, il faut être un spécialiste pour faire la différence)


3. Retour d'expérience

Nous avons été très satisfaits de constater l'opérationnalité des outils. En effet, étant donné le volume de données à traiter (environ 10 GO d'images) on aurait pu craindre des temps de calcul très longs ou tout simplement des limitations de capacité de mémoire des logiciels utilisés (après tout, nous ne sommes que des scientifiques dans un laboratoire ...). Vous ne serez pas surpris d'apprendre que les chaînes de traitement sont basées sur l'Orfeo Toolbox. Plus précisément, le cœur de la chaîne utilise des applications fournies avec l'OTB pour l'apprentissage et la classification d'images. Il suffit de construire une image multi-canal, où chaque composante est un attribut de classification (réflectances, NDVI, etc.) et de fournir aussi une donnée vecteur (fichier shapefile, par exemple) avec les données d'apprentissage (et/ou validation). Ensuite, il suffit d'une ligne de commande pour l'apprentissage (voir la ligne de commande à la fin de l'article) et d'une autre pour la classification (idem).

Les temps de calcul restent très intéressants : quelques minutes pour l'apprentissage et quelques dizaines de minutes pour la classification. Un des gros avantages de la classification avec les applications OTB est de profiter de façon automatique du calcul parallèle quand on utilise une machine multi-processeurs (notre machine préférée a 24 cœurs, mais n'importe quel PC standard actuel en a entre 4 et 12!).

Nous allons continuer à exploiter ces données, car nous avons d'autres jeux de données de référence issues de campagnes terrain mieux réparties sur la zone qui devraient nous permettre de contraindre la carte d'occupation des sols, et nous ajouterons les données LANDSAT 8 acquises en été pour éviter les confusions sur les cultures d'été.

 

4. Exemples de lignes de commandes

Nous commençons par construire une image multi-canal avec chaque acquisition Take5 (cet exemple ne prend pas en compte les masques de nuages).

otbcli_ConcatenateImages -il SPOT4_HRVIR_XS_20130217_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130222_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130304_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130413_N1_TUILE_CSudmipyE.TIF
SPOT4_HRVIR_XS_20130607_N1_TUILE_CSudmipyE.TIF -out
otbConcatImg_Spot4_Take5_5dat2013.tif

Nous calculons ensuite les statistiques des images afin de normaliser les canaux :

otbcli_ComputeImagesStatistics -il otbConcatImg_Spot4_Take5_5dat2013.tif -out
EstimateImageStatistics_Take5_5dat2013.xml

Nous lançons l'apprentissage d'un SVM avec un noyau RBG (gaussien) :

otbcli_TrainSVMImagesClassifier -io.il otbConcatImg_Spot4_Take5_5dat2013.tif
-io.vd DT2013_Take5_CNES_1002_Erod_Perm_Dissolve16cl.shp -sample.vfn "Class"
-io.imstat EstimateImageStatistics_Take5_5dat2013.xml -svm.opt 1 -svm.k rbf-io.out svmModel_Take5Est_5dat2013_train6.svm

Et hop, nous lançons la classification :

otbcli_ImageSVMClassifier -in otbConcatImg_Spot4_Take5_5dat2013.tif -mask
EmpriseTake5_CnesAll.tif -imstat EstimateImageStatistics_Take5_5dat2013.xml
-svm svmModel_Take5Est_5dat2013_train_6.svm -out ClasSVMTake5_5dat_16cl_6.tif