2016/17 : un record d’écobuages dans les Pyrénées ?

Image du 10 décembre 2016Image SENTINEL2 du 30 novembre 2016, "SWIR"
Mais que se passe-t-il ce 10 décembre 2016 à midi, au-dessus du village de Villelongue (à 15 kilomètres au sud de Lourdes) ? Un des plus beaux écobuages des Hautes-Pyrénées de cet hiver 2016/17 ! Une très large bande de feu actif se dirige vers le sud. Ce feu a démarré la veille d’après les contacts terrain. En 2 jours, une grande zone a donc déjà été brulée. La répétitivité de SENTINEL2 permet d'observer la même scène quelques jours avant et après ce feu.

Écobuages dans les Pyrénées Ariégeoises vus par Sentinel-2A

Hier avec mon collègue Pascal nous sommes allés réparer le pluviomètre de notre station météo dans le Vicdessos. Outre l'absence de neige anormale à cette saison, le versant d'en face était largement calciné ce qui donnait au paysage un aspect désolant. Le feu n'était pas terminé car certains secteurs continuaient à fumer. D'après un garde de l'Office National des Forêts que nous avons croisé il s'agissait des conséquences d'un écobuage illégal [1].


Continue reading

Correction des effets directionnels pour les synthèses mensuelles de Sentinel-2

=>

Les orbites de Sentinel-2

Fauchées observées par Sentinel-2A, le jour 1 du cycle (vert), le 4 (Bleu), le 7 (gris), le 8 (rose). Pour Sentinel-2B, il faut décaler le tout de 5 jours. L'espacement entre les fauchées est déterminée par l'orbite, qui est calculé pour permettre un léger chevauchement des fauchées adjacentes à l'équateur.

L'orbite de Sentinel-2 a été calculée pour que les fauchées observées par le satellite aient une petite intersection à l'équateur. La largeur de cette intersection augmente rapidement lorsqu'on s'éloigne de l'équateur et qu'on se rapproche des pôles. A la latitude de la France (45 degrés), c'est quasiment la moitié des surfaces qui pourront être observées à deux reprises, à partir de deux fauchées adjacentes.

C'est d'ailleurs un peu injuste car ce seront toujours les mêmes endroits qui seront observés deux fois tous les 5 jours, alors que d'autres endroits ne seront observés qu'une fois, mais à la verticale. Le site Sudmipy du CESBIO semble faire partie des endroits observés deux fois, mais, je ne suis pas sûr de disposer des orbites définitives de Sentinel-2).

Zoom sur la France de l'image ci-contre. On constate qu'à la latitude de 45 degrés, la moitié des terres (trait jaune) est observée une fois par cycle, et l'autre moitié (trait rouge) deux fois par cycle (donc deux fois tous les 5 jours avec les deux satellites).

 

 

 

La correction directionnelle.

 

Bref, le problème, c'est qu'un point à l'intersection de deux fauchées adjacentes sera observé sous deux angles différents et n'aura pas les mêmes réflectances sur les deux images, en raison des effets directionnels. Or les utilisateurs de nos données (oui, vous) nous demandent souvent des images de synthèses mensuelles (si possible sans nuages), et assemblant les données acquises depuis plusieurs orbites, de préférence sans que les coutures entre orbites soient visibles. Pour obtenir de tels produits, il faut donc pratiquer une correction des effets directionnels.

Synthèses mensuelles calculées avec la méthode de la moyenne pondérée, sans correction directionnelle à gauche, avec correction directionnelle à droite.

N.B.. Les points verts que l'on voit par-ci par là sont des pixels invalides, car tout le temps nuageux ou saturés (sur SPOT, les saturations sont fréquentes, ce qui ne sera pas le cas sur Sentinel-2)

 

Pour cela, il existe des modèles directionnels, comme celui de Roujean, ou ceux de Ross-Li, qui permettent de modéliser l'évolution des réflectances en fonction des angles de prise de vue et des angles solaires, avec une précision correcte pour la plupart des surfaces. Ils se présentent sous la forme suivante :

 \rho= \rho_0 (1 + K_1. F_1(angles), + K_2. F_2 (angles))

 

 \rho est la réflectance dans les conditions de la prise de vue,  \rho_0 est la réflectance pour une direction donnée (par exemple, observation à la verticale et élévation solaire à 45 degrés), F1 et F2 sont des fonctions directionnelles qui dépendent des angles de prise de vue et des angles solaires, et  K_1 et K_2 sont les coefficients du modèle directionnel, qui vont en général dépendre de la nature du pixel observé.

 

Dans le cas de Sentinel-2, nous avons la chance que les différences d'angles de prise de vue entre deux orbites adjacentes soient faibles, tout au plus 20 degrés. Nous avons donc tenté de trouver des coefficients moyens qui fonctionneraient à peu près pour tous les paysages. Pour trouver ces coefficients, nous avons utilisé les sites de l'expérience SPOT4 (Take5) qui ont été observés sous deux angles différents. Il s'agit de Maricopa (aux USA), Midi-Pyrénées, Bretagne et Provence en France. Il s'agit de paysages très différents, avec du désert et de l'agriculture irriguée à Maricopa, un paysage agricole varié en Bretagne et en Midi-Pyrénées, et un paysage de forêts méditerranéennes et de vignes en Provence. Nous avons utilisé tous les couples d'images claires séparées par moins de 5 jours et cherché les coefficients  K_1 et K_2 qui permettent de minimiser les différences.

 

Enfin, ces coefficients ont été utilisés pour corriger les données et produire les composites. Les produits de synthèses mensuelles, sont finalement obtenus en calculant la moyenne des pixels non nuageux pendant une période de 42 jours. Les images ci-dessus présentent les derniers résultats obtenus par Mohamed Kadiri sur le site de CESBIO près de Toulouse. à gauche, sans correction directionnelle, à droite avec correction directionnelle. Le dégradé de couleurs qui apparaît sur la partie droite de l'image de gauche, sans correction, disparaît presque complètement sur l'image de droite (avec correction). Il en va de même pour toutes les dates et pour les 3 autres sites, et j'ai choisi ici l'image qui comportait les effets les plus prononcés. Sachant que la différence angulaire entre les images SPOT acquises depuis des orbites adjacentes est plus grande que pour Sentinel-2, je pense qu'on peut espérer obtenir de bons résultats avec Sentinel-2 avec cette méthode simple.

Ceci dit, notre échantillon statistique, composé de 4 sites est largement insuffisant, ces résultats devront donc être confirmés, par exemple avec SPOT5 (Take5), ou avec les premières données de Sentinel-2 (c'est bientôt !)

 

Même figure que ci-dessus pour le site Provence-Languedoc.

 

Même figure que ci-dessus pour le site Bretagne

Fauchée d'un instrument : c'est la surface observée par un satellite au cours d'un passage.

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

Using High Spatial Resolution Time Series to monitor forage production

An index-based insurance solution is developed to estimate and monitor the near real-time forage production in France. In this system, payouts are indexed on an indicator, called Forage Production Index (FPI), calculated using a biophysical characterization of the grassland from medium spatial resolution remote sensing time series.

Figure 1: fCover mean profile on parcel 4 derived from remote sensing images of multiple sensors.

Figure 1: fCover mean profile on parcel 4 derived from remote sensing images of multiple sensors.

We used the fCover integral as a surrogate of the forage production. fCover is a biophysical parameter that estimates the fraction of ground covered by green vegetation, looking in a vertical direction, independently of the actual image sensor viewing or illuminations conditions.

 

The first step of the validation process is to compare local ground measurements of biomass production and FPI values obtained from high spatial resolution space-based images. A field protocol (from PV PROTIN, 2010. ARVALIS –Arvalis, Institut du Végétal) was applied to 6 plots of grassland located in the area of Toulouse. These plots were selected to represent variations on pasture management practices and to consider different types of grassland species (Table 1). From March, 7th to June, 17th 2013, biomass was measured every 15 days using a sickle bar mower with a 110 cm cutter bar. Finally, the dataset contains 320 plots. It corresponds to one production data per hectare per plot every two weeks in average.

Name Cover Surface (ha) Pasture management practice Images used
Parcel 1 Alfalfa 7,3 Hay Take 5 : 6 / Spot 6 : 2 / Landsat 8 : 1
Parcel 2 Natural grassland 9,4 Hay Take 5 : 4 / Spot 6 : 1 / Landsat 8 : 1 / Formosat2 : 4
Parcel 3 Ray-Grass 8,6 Silage in May /  Hay in June Take 5 : 5 / Spot 6 : 3 / Landsat 8 : 1
Parcel 4 Natural grassland 6,0 Hay Take 5 : 7/ Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1
Parcel 5 Fescue/ Orchard grass / White clover 11,5 Hay then pasture Take 5 : 5 / Spot 6 : 2 / Landsat 8 : 2 / Formosat2 : 1
Parcel 6 Fescue/ Orchard grass 6,8 Hay Take 5 : 3 / Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1

Table1 : Characteristics of the 6 parcels

 

The 6 plots are in the SudMipy area defined in the framework of SPOT4 -Take5 project. So we used SPOT4 images acquired in the context of this program to build a high spatial resolution time series. Due to the climatic conditions during spring 2013, we had to complete the dataset with images from other sensors Landsat-8, SPOT-6 and Formosat-2. Finally, from February, 16th to June, 26th 2013, we have one image every 15 days over the 6 parcels (Table 1).

Figure 1 presents the fCover mean profile for parcel 4 and derived from remote sensing images of multiple sensors. Figure 2 presents the relation between the biomass measured on the ground and estimated from remote sensing images time series. For the whole dataset, the scatter plot between FPI and ground biomass shows an acceptable correlation (R²=0,724; α < 0,0001). However, it remains a substantial dispersion with a RMSE going up to 0.128.

Figure 2: Regression between FPI and local ground biomass measurements

Figure 2: Regression between FPI and local ground biomass measurements

If we take into account only data recorded during the growing period, the results are improved (R2= 0,811; α < 0,0001 and RMSE 0,101). This can be explained by the way FPI is designed: by definition, when the fCover integral is calculated, the brown fraction of the cover is not considered. In the framework of the research activities developed to create the index-based insurance product, these results enable to conclude that High Spatial Resolution images can be used to perform an indirect validation of the FPI produced from medium spatial resolution remote sensing time series.

 

Anne Jacquin

Antoine Roumiguié

Université de Toulouse, Institut National Polytechnique de Toulouse, Ecole d’Ingénieurs de PurpanUMR 1201 DYNAFOR, France.

Trop de neige dans les Pyrénées !

 

Mercredi dernier pour fêter la première image claire au-dessus des Pyrénées depuis le début de Take 5, nous avons voulu visiter le site de Bassiès en Ariège où se concentrent les mesures nivologiques du site SudMiPy. Pas loin du but, nous avons dû rebrousser chemin devant un passage un peu risqué ! Une première équipe du labo GEODE partie un peu plus tôt a pu atteindre le plateau où se trouve notre station météo (1650 m).

Trop de neige à Bassiès

Si mes calculs sont exacts ... (photo : T. Houet)

Hélas, ils n'ont pas vu la station qui est engloutie sous trois à quatre mètres de neige. Nous savions que les capteurs de la station étaient sous la neige grâce à la télé-transmission qui tient bon, mais nous n'imaginions pas qu'elle serait submergée à ce point.

Mesure de densité

Au retour nous avons creusé une fosse pour estimer la densité du manteau neigeux. A cet endroit nous avons mesuré 700 mm d'équivalent en eau.

La station était-elle sous-dimensionnée ? Les habitants du coin nous parlaient de 1 à 2 m de neige en hiver à cette altitude. Le bulletin neige de Météo-France indique que les hauteurs de neige dans les Pyrénées sont actuellement "3 à 4 fois les valeurs normales (...) nettement au-dessus des moyennes dépassent largement les valeurs record des 30 dernières années." Dans Libération le 15 février on pouvait lire : "Dans les Pyrénées, quand trop de neige tue la neige".

Caméra automatique

Caméra automatique et vue sur la vallée de Bassiès (photo: T. Houet)

Outre la station il y a trois caméras automatiques qui dominent la vallée de Bassiès pour suivre l'évolution de l'enneigement dans le paysage en même temps que SPOT4. Ces caméras ont également souffert des conditions météo et vont devoir être réinstallées avant le début de la fonte.

La prochaine fois on monte en hélico !

 

Première mosaïque sur le site SudMiPy / 13 images mosaic on SudMipy site

Mosaique de 13 images ortho-rectifiées exprimées en réflectance au sommet de l'atmosphère. Il s'agit bien sûr d'une image sous échantillonnée, l'image entière fait 1.3 GO, et 14000*12000 pixels. Sur cette composition colorée (Rouge,PIR,MIR), la neige apparaît en bleu et se distingue bien des nuages


=>

Et voici la première ortho-image (N1C) fusionnant les 13 images prises par SPOT4 sur le site SudMiPy, les 16 et 17 février. La zone couvre 280*160 km². Les 13 images de Niveau 1A ont été livrées par SpotImage ce matin, et nous avons produit les ortho-images dans l'après midi, en utilisant le prototype du centre de production MUSCATE du Pôle Thématique Surfaces Continentales (seule la supervision des traitements se fait encore à la main, plus pour très longtemps)

bleu

Comme prévu, l'image est totalement claire, à part quelques brouillards dans la vallée de la Garonne et quelques cirrus sur l'ouest des Pyrénées (Au nord-est et au sud, il s'agit de neige).
Les observateurs attentifs auront remarqué la frontière entre la zone acquise le 16 et celle acquise le 17. Cette frontière est due en partie aux effets directionnels et en partie aux effets atmosphériques. Je vous en reparlerai une autre fois.


=>

Here is the first ortho-image (Level 1C) obtained from the 13 images taken by SPOT4 above the SudMiPy site in the South West of France, on the 16th and 17th of February 2013. The Level 1A images were delivered by SpotImage this morning, and we processed them this afternoon using the prototype of MUSCATE processing center. Only the scheduling of the processing was hand made, but we will soon have an automatic scheduler.

Enfin, du ciel bleu sur SudMipy !

Après 15 jours de nuages, le soleil est revenu sur le Sud Ouest de la France, pour le week-end des 16 et 17 février.  C'est l'occasion de démarrer la campagne de prises de vue sur le site SudMiPy. Les images acquises par SPOT4 ce week-end n'ont pas encore été descendues du satellite, mais d'autres satellites (MSG) nous ont montré que le ciel était clair. Il me semble aussi que le ciel était assez clair sur la Bretagne et l'Aquitaine, lors du passage du 15 février.

Image MSG (Visible) du 16/2 (source Eumetsat)
Image MSG (Visible) du 17/2 (source Eumetsat)

Pour visualiser les images MSG des derniers jours.

Une grande affluence pour Take5-SudMiPy

Nous avions disposé 80 chaises dans la salle de conférences du CESBIO, mais les derniers arrivants ont du s'asseoir sur les tables au fond de la salle. Il s'agissait d'une réunion d'information et de présentation des projets liés à l'expérience SPOT4 (Take5) en Midi-Pyrénées. Sont venus :

  • de nombreux acteurs de terrain, chambre d'agriculture, parc naturels, forestiers...
  • plusieurs représentants de sociétés de services en informatique ou fournisseurs de produits issus de la télédétection
  • des chercheurs et représentants de plusieurs laboratoires et réseaux de recherche de Midi-Pyrénées,
  • plusieurs participants du CNES
  • quelques ambassadeurs d'autres sites Take5, venus voir ce qu'il se passe en Midi-Pyrénées
  • les quelques représentants du CESBIO qui ne sont pas encore fatigués d'entendre parler de SPOT4(Take5).

Pour ceux qui n'auraient pas pu entrer dans la salle (il ne faisait pas assez beau pour installer un écran géant dehors), ou qui n'ont pu venir, suivez les liens pour récupérer les planches présentées lors de la réunion.

1- le contexte, le programme GMES/Copernic : par Gérard Dedieu

2- le Pôle Thématique Surfaces Continentales, par Marc Leroy

3- objectifs et déroulement de l'expérience SPOT4(Take5), par Olivier Hagolle

4- les projets d'utilisation des données SPOT4 (Take 5) sur le site SudMiPy, par Jean François Dejoux

5- un outil de relevé de terrain sur SmartPhone Android : ODK

<a title="Emprises des sites au format kmz" href="./wp-content/uploads/2013/01/Sites_V4.kmz"><strong>kmz ci-joint</strong></a>