The THEIA land data center just started processing LANDSAT 8 Level 2A products

Mosaic of LANDSAT (here, 5 & 7) data produced at CESBIO, from both ESA and USGS data. These data are cut in 110 x 110 km² tiles, each tile has a 10 km overlap with its neighbors. For each tile, each LANDSAT acquisition with at least a little clear sky corner is provided.

At the beginning of the week, the MUSCATE prototype processing center of THEIA started processing the LANDSAT 8 data available in France. The processing started with the 2013 data, which will be transformed into Level 2A products. As for SPOT4 (Take5), the level 2A products are expressed in surface reflectance after atmospheric correction, and are provided with a cloud mask, a cloud shadows mask, a water and snow mask.but in the case of LANDSAT 8, the products are split into tiles on a 100*100 km² grid, and each tile is 110*110 km² to allow an overlap of 10 km between tiles.

 

Landsat 8 data should progressively appear on THEIA's catalog in less than a month (but this is a risky assertion, as it is the first time we do this production and surprises may arise, although we spent a lot of time in validation). More details are available here.

 

 

Le traitement des données Landsat 8 a démarré au pôle THEIA

Mosaïque d'images LANDSAT 5 et 7 de Niveau 2A sur le sud de la France, produite au CESBIO. Les images sont découpées en tuiles de 110*110 kilomètres qui se recouvrent sur 10 kilomètres avec les tuiles voisines. Pour chacune des tuiles, nous fournissons toutes les données LANDSAT que nous avons pu obtenir et qui ont au moins un coin de ciel clair.

=>

Depuis le début de la semaine, le centre de traitement prototype MUSCATE du pôle THEIA a commencé à traiter les données LANDSAT 8 disponibles sur la France. Pour le moment, ce sont les données de 2013 qui sont en cours de traitement, elles vont être traitées au Niveau 2A, Comme pour les produits SPOT4 (Take5), les niveaux 2A sont exprimés en réflectance de surface après correction atmosphérique, et sont accompagnées d'un masque de nuages, d'ombres de nuages, d'eau et de neige.  Dans le cas de LANDSAT 8, les données seront découpées en tuiles. Chaque tuile fait 110*100 km², et les tuiles sont espacées de 100 km pour permettre une superposition des tuiles sur 10 km.

 

Les données devraient donc apparaître sur le catalogue de THEIA d'ici un mois (là, je prends des risques, cette date est à confirmer car c'est la première fois que nous faisons ce traitement, des surprises pourraient nous attendre même si nous avons passé beaucoup de temps à valider). Pour en savoir un peu plus.

Comparison of Level 3A compositing methods

=>

As said in a previous post, we are testing various methods of level 3A production, using SPOT4 (Take 5). The Theia Land Data Center will the use these methods to process Sentinel 2 data. In case you did not click on the link above, let's recall that the level 3A products are monthly composite products of cloud free reflectances. For each pixel, our method computes the weighted average of the reflectances of the dates when the pixel is cloud free. For more details, you will need to follow this link.

 

The work of Mohamed Kadiri at CESBIO, which is funded by the CNES budget for Theia, adressed first the definition of quality indexes for composite products (for more details, may I suggest that you follow this link ?). This work showed that our product has nice performance, but we knew some one would ask us to compare them to the classical methods for level 3A products.

 

Therefore, we compared our product with the famous NDVI Maximum Value Composite (NDVI MVC), developped by our remote sensing ancestors, and used since the most remote antiquity to process AVHRR time series. This method consists in using for each pixel of the level 3A, the reflectances of the date which has the greatest NDVI.  Why ? Mostly because the NDVI of a cloud is very low, often negative, and therefore this method will rather select cloud free pixels. The NDVI MVC comes from a time when the cloud masks were not very accurate.

 

Example of a monthly synthesis obtained with the NDVI MVC methods Example of a monthly synthesis obtained with the weighted average method

This post uses the SPOT4-Take5 data to show a comparison of the performances obtained on the Versailles site, with the NDVI MVC method on the left, and the weighted average on the right. One can clearly see, on the left, the presence artefacts made of whiter and darker dots which are not seen on the image on the right. These artefacts appear when the selected date changes from one pixel to the other. These artefacts are much less visible on the vegetation covered plots, as, for this composite obtained in spring, the vegetation increases quickly, and all the pixels come from the last cloud free date of the synthesis.

 

If we have a look at our quality indicators, which were described in our previous post about composite products , it is obvious that the performances obtained by the weighted average method are much better than those of the NDVI MVC method, either as regards the similarity to the central date image of the Level 3A (in yellow, for the 70 % best pixels and in green for the 95% best pixels), and moreover as regards as the amplitude of artefacts (in blue). The abscissa of the plot is the half of the number of days used in the synthesis, and our recommended value is 21.

 

 

NDVI Maximum Value Composite Weighted Average Composite

Produits de Niveau 3A : comparaison avec la méthode classique du maximum de NDVI

=>

Comme nous le disions dans un précédent article, nous utilisons les données SPOT4 (Take 5) pour tester différentes méthodes de création de produits de niveau 3A. Le pôle Thématique appliquera par la suite ces méthodes aux données Sentinel-2.   Pour rappel, si vous n'avez pas cliqué sur le lien ci-dessus, les produits de niveau 3A sont des synthèses périodiques (a priori mensuelles) de réflectances de surface sans nuages. Notre méthode est basée sur des moyennes pondérées de réflectances des pixels non nuageux obtenus pendant une certaine période de temps. Pour plus de détails, il faudra vraiment aller voir ce lien...

 

Les travaux de Mohamed Kadiri au CESBIO, financés par le budget CNES de THEIA, ont d'abord porté sur la mise au point d'indices de qualité (décrits dans le lien ... bon, j'arrête), et ont permis de montrer que notre méthode produit de bonnes performances. Nous avons voulu comparer ces résultats avec la méthode du "Maximum de NDVI", développée par nos ancêtres télédétecteurs, et appliquée depuis des temps immémoriaux aux données de moyenne résolution comme celles des instruments AVHRR. Cette méthode consiste, pour chaque pixel, à utiliser dans le produit de Niveau 3A, la date dont le NDVI est le plus grand. Pourquoi ce choix ? Principalement parce que le NDVI d'un nuage est très faible, et donc que cette méthode permettra de choisir préférentiellement les pixels non nuageux. Cette méthode date d'un temps où les masques de nuages n'étaient pas très précis.

 

Extrait de synthèse mensuelle obtenue avec la méthode du maximum de NDVI Extrait de synthèse mensuelle obtenue avec la méthode de la moyenne pondérée.

Nous vous présentons ici, avec les données SPOT4-(Take5), une comparaison des résultats obtenus sur le site de Versailles, avec  la méthode du maximum de NDVI à gauche et la méthode de moyenne pondérée à droite.  On note, sur l'image de gauche, la présence de nombreux artefacts sous la forme de points brillants ou sombres que l'on ne voit pas sur l'image de droite. Ces points de niveau différents sont dûs au fait que d'un pixel à l'autre, une date différente a été utilisée, en fonction de la valeur du maximum de NDVI. Ces artefacts sont moins présents sur les zones couvertes de végétation (en rouge), car pour cette synthèse obtenue au printemps, la croissance de la végétation fait que le maximum de NDVI correspond à la date la plus tardive de la synthèse..

 

Si l'on regarde les valeurs de nos critères de qualité, décrits dans l'article précédent (cela faisait longtemps ;) ), on note que les performances de la méthode par moyenne pondérée sont bien meilleures que celles de la méthode du maximum de NDVI, vis à vis de la fidélité à l'image de la date centrale de la synthèse mensuelle (en Jaune, pour les 70% de pixels les meilleurs, et Vert, pour les 95% de pixels les meilleurs), et surtout, vis à vis de la présence ou non d'artefacts (en bleu). L'abscisse des courbes correspond à la moitié du nombre de jours utilisés pour chaque synthèse, nous recommandons la valeur 21.

 

Maximum de NDVI Moyenne Pondérée

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

Systematic or On-Demand acquisitions ?

Example of Pleiades (CNES) acquisition plan. Among the sites requested, only those linked to the track by a yellow line are observed from this overpass.

=>

This post is an old one (last year), but I had not translated it.

 

The satellites observing the Earth at a high resolution may be divided in two categories according to their programming mode :

  • Satellites with On Demand Acquisition (SODA) :

Users ask the provider to program an image above their site. The provider collects all demands and optimises the acquisition plan so that a maximum of user requests are satisfied. The provider often charges an extra cost if the user needs an image at a precise date, and in zones where satellite image demand is high, a user is never sure to get the image he requested, unless he pays for a higher priority.

SPOT, Pleiades, Ikonos, Quickbird, Formosat-2, Rapid Eye and most radar systems are of  "SODA" type.

 

  • the Systematic Acquisition Satellites (SAS)

The image provider defines the zone to observe at the beginning or the satellite mission, and these zones are observed at each overpass of the satellite. In some cases (LANDSAT, Sentinel-2), the acquisition zones covers all lands, while on other cases (Venµs, SPOT4-(Take5)), the acquisition may only cover a few preselected sites.

 

Usually, SODA provide a better spatial resolution, while usually, the SAS provide a better temporal resolution. The SODA images must generally be purchased, since the resource is limited, while the SAS images are usually free of charge. There were periods when LANDSAT images were sold, but they encountered little commercial success, while their success is huge now that they are free of charge. Finally, the SODA are best suited to applications for which the acquisition date is not very important and for which a high resolution is essential, for instance urban studies or monitoring of ecological corridors, while the SAS are better suited to surfaces which quickly evolve, such as natural surfaces or farm lands, and they are best suited to automatically produce detailed land cover maps.

Oppositely to the US who, thanks to LANDSAT, have been working with SAS images, in Europe, users are much more trained to use SODA images such as the ones provided by SPOT. This situation should change radically, first with LANDSAT 8, which is much easier to access in Europe than LANDSAT 5, but above all with Sentinel-2, but the adaptation to this kind of data will require a lot of work and some time. New processing methods and new applications must be developed, which was one of the aim of SPOT4 (Take5) data set.

 

The V2.0 of SPOT4 (Take5) data set is available.

Voilà ! The new version (V2.0) of SPOT4-Take5 data set is available, for the 45 sites. I would like to thank the development and processing teams of MUSCATE center in CNES, who work for THEIA, the image quality teams at CNES (SI/QI and SI/MO), and of course Mireille Huc at CESBIO, for the production of this new version, which finally required a lot of work.

The product version number is not included in the filenames, but you can recognise a V2.0 product by looking into the xml metadata file :

<METADATA>
  <HEADER>
    <VERSION>2.0</VERSION>

 

This reprocessing brings the following new features :

    Quicklooks are now provided with the images. The clouds are circled in green, the shadows in black, water in blue and snow in pink.

  • We provide quicklooks on which you can see the cloud and shadows masks
  • We enhanced the quality of the ortho-rectification :
    • By changing the référence ortho-image for the sites in France (GEOSUD, processing done by the french institute for geography IGN)
    • by replacing the LANDSAT 5 otho-images by LANDSAT 8 images for most other sites outside France. LANDSAT 8 geometric performances are enhanced compared to  LANDSAT 5.
    • however, for a few sites (Borneo, Gabon, Congo (1,CNES), CCRS, Cameroun), no clear LANDSAT 8 images was available yet and we had to keep the LANDSAT 5 reference.
      • It's not too bad for Congo, CCRS et Cameroon, as LANDSAT 5 references where quite good, for Gabon, we used a reference made with the cloud free image obtained with SPOT4-Take5, and finally, we just have Borneo site for which the level 1C obtained are quite bad with large registration errors (I am sorry Jukka)
      • A large enhancement of the performances has been observed for Sumatra, Gabon and Congo (2,ESA), for which the first version was quite bad.
  • SPOT4 radiometric calibration updated
    • A the end of SPOT4's life, my CNES colleagues updated its absolute calibration. Spot calibration is obtained using desert sites, using another satellite as reference. Up to now, it was POLDER, but now it is MERIS/ENVISAT. Moreover, the calibration coefficients we used in the first version had been extrapolated from older measurements, while now recent measurements have been used. The differences are not too big, except for the near infra-red band which varied by 4%..
  • The level 2A have been reprocessed with a new version of the aerosol model, with larger aerosols. The previous model had been tuned for sites in France, but we found that  the larger particles fitted better the in situ data on all the sites.
  • For users of mountain sites, we added a few flags about the correction of terrain effects. If the slope is in the shade, or nearly in the shade, the correction we have to do is infinite ! We limited the value of the correction and flagged the pixels for which we had to limit it in the .DIV files.
  • And at last, the Maricopa site was finally processed. This site was acquired under two angles, one from the East, one from the West. It has therefore been observed twice every 5 days under different viewing angles. Such a case was not anticipated in our prototype, and we had to correct it. The site has been divided in 2 sites Maricopa_J1 for observations from the West, and Maricopa_J5 for observations from the East. This site, which benefits from New Mexico blue skies, is a very interesting one for remote sensing geeks, as it combines multi angular and multi-temporal observations at constant angles !

Les données SPOT4 (Take5) V2.0 sont disponibles.

=>

Voilà, les données SPOT4 (Take 5) V2.0 sont en ligne pour les 45 sites. Un grand merci à l'équipe de développement et d'exploitation de MUSCATE, pour le compte de THEIA et du CNES, aux équipes de qualité image au CNES (SI/QI et SI/MO) au CNES, et à Mireille Huc, au CESBIO, pour l'obtention de cette nouvelle version des données, qui a finalement demandé beaucoup de travail.

Nous n'avons pas inclus la version du produit dans le nom du fichier dans ce système prototype, mais vous pouvez reconnaître un fichier de la version 2.0 de la manière suivante :
Il suffit d'aller chercher le tag <VERSION> dans le fichier .xml qui porte le même nom que le produit:

<METADATA>
  <HEADER>
    <VERSION>2.0</VERSION>

 

Ce retraitement apporte les nouveautés suivantes :

    Des "quicklooks" sont maintenant fournis avec les images. Les nuages y sont entourés en vert et les ombres en noir, la neige en rose et l'eau en bleu

  • fourniture de quicklooks avec affichage du masque de nuages
  • Amélioration de l'ortho-rectification des données :
    • changement de référence géométrique pour les sites en France (GEOSUD, traitement IGN)
    • remplacement des ortho-images de référence pour l'ortho-rectification issues de LANDSAT 5 pour la plupart des autres sites dans le monde. LANDSAT 8 a des performances géométriques bien meilleures que celles de LANDSAT 5.
    • Cependant, pour quelques sites (Borneo, Gabon, Congo (1,CNES), CCRS, Cameroun), nous n'avions pas trouvé d'image LANDSAT 8 sans nuage, nous avons gardé l'image LANDSAT 5 comme référence, sauf pour le Gabon.
      • Pour Congo, CCRS et Cameroon, les références LANDSAT 5 étaient assez bonnes, pour le Gabon, nous avons utilisé une bonne référence issue de SPOT, il n'y a que Borneo pour lequel l'ortho-rectification obtenue est restée assez mauvaise, avec beaucoup d'images éliminées et de grosses erreurs de superposition
      • Une très forte amélioration de la qualité est notamment observée sur les sites Sumatra, Gabon et Congo(2 (ESA))
  • Mise à jour de l'étalonnage radiométrique de SPOT4
    • A la fin de la vie de SPOT4, les collègues du CNES ont mis à jour son étalonnage. L'étalonnage de SPOT est calculé sur des sites désertiques, par rapport à un capteur de référence. Jusqu'ici, c'était POLDER qui servait de référence aux étalonnage de SPOT, maintenant c'est MERIS/ENVISAT. De plus, la variation temporelle des coefficients d'étalonnage était extrapolée à partir de mesures plus anciennes, alors que cette fois des mesures récentes ont été intégrées. Les différences ne sont pas très importantes sauf pour la bande proche infra-rouge, où elles atteignent 4%.
  • Nouvelle version du traitement N2A avec un nouveau modèle d'aérosols, composé de particules plus grosses. Le modèle précédent avait été optimisé pour des sites en France. Nous avons trouvé que le modèle utilisé maintenant fournissait de meilleurs résultats en général.
  • Pour les sites montagneux surtout, ajout de flags sur le traitement de la correction des effets du relief. Si la pente est à l'ombre ou presque à l'ombre, la correction à appliquer s'approche de l'infini ! Nous avons donc limité la correction à apporter, et les pixels pour lesquels cette limitation s'exerce vous sont signalés dans les fichiers .DIV
  • Le site Maricopa a enfin été traité. Ce site a été acquis sous deux angles de prise de vue, l'un depuis l'est, l'autre depuis l'Ouest. Il a donc été vu deux fois tous les 5 jours, mais sous des angles différents. Ce cas n'était pas prévu dans notre système, mais ce problème est maintenant corrigé. Le site a été divisé en deux sites, Maricopa_J1 pour les observations depuis l'ouest, et Maricopa_J5 pour les observations depuis l'est. Ce site, situé au nouveau Mexique est très intéressant pour les geeks de la télédétection puisqu'il combine observations multi-temporelles à angles constants et observations sous des angles différents. Sans compter qu'il y fait toujours très beau temps !

SPOT4 (Take5) reprocessing

The SPOT4 (Take5) reprocessing nears its end at THEIA. All the Level 2A products have been produced, but for 4 sites (Provence, Alpes, Sudmipy E and W), for which the processing is on-going. We are now transfering the data to the distribution server. It should take just a few days.

 

Le retraitement de SPOT4 (Take5) à THEIA est presque terminé. Tous les produits de Niveau 2A ont été fournis sauf pour 4 sites (Provence, Alpes, Sudmipy E et O), pour lesquels le traitement est en cours. Nous commençons le transfert des données vers le serveur de distribution, ce qui devrait prendre à peine quelques jours.