SPOT4 (Take5) surface reflectance validation using CNES ROSAS station in la Crau.

=>

More than 10 years ago, on the Crau plain, in Provence, CNES set up an automatic calibration station to measure the atmospheric optical properties and the surface reflectances. This station, named ROSAS (RObotic Station for Atmosphere and Surface), is at the top of a 10 meter mast, and is equipped with a CIMEL instrument similar to the ones of the AERONET network that are used to characterize the atmospheric aerosols. But this one has been modified to observe also the ground. The initial objective of this station was to check the absolute calibration of optical remote sensing instruments with a high resolution (because the site uniformity is not sufficient for satellites with a kilometric resolution). But this station proves also useful to validate the surface reflectances from satellite level 2A products.

 

This work was done by some CNES colleagues, Vincent Lonjou, Sébastien Marcq et Aimé Meygret, using the level 2A products obtained from SPOT4 (Take5) experiment.

The ROSAS station needs 90 minutes to fully characterize the downward radiance and thus the atmosphere, and the upward radiance. The ratio of both measurements enable to compute the surface reflectance. However, the process is a little more complex than described here, as the surface around the mast is not perfectly uniform and the reflectances are affected by directional effects. A bidirectional model is therefore fitted to the measurements, and this model is then used to predict the reflectances measured by the satellite.

B2

The ROSAS instrument, during the SPOT4 (Take5) experiment, was equipped with 10 spectral bands described in the table below. The instrument is now being modified in view of Sentinel-2 and Venµs launches, to accommodate new spectral bands, in the near infra-red mainly, where the sampling of the spectrum was not sufficient.

Band λ (nm), detector
1 1020Si
2 1600 InGaAs
3 870 Si
4 670 Si
5 440 Si
6 550 Si
7 1020 InGaAs
8 937 Si
9 380 Si
10 740 Si

B3 (clear symbols for SPOT4, dark symbols for ROSAS)

 

B4 (clear symbols for SPOT4, datk symbols for ROSAS)

The agreement of ROSAS and SPOT4(Take5) surface reflectance measurement is excellent, in all band but near-infrared : better than 5% in the green (B1), red (B2) and SWIR (B4) channels, and 7-8% in the NIR (B3). The differences observed in the NIR are being investigated, but could be linked to the spectral interpolation, as SPOT4 B3 band is quite far from ROSAS spectral bands.

In the SWIR, the greater variations of surface reflectances with time may be noticed, with large reflectance drops after rains. The SWIR band is very sensitive to the soil moisture, at least when the vegetation cover is sparse, which is the case at La Crau. In the other bands, these variations are much less visible, and what should be noticed is the great stability of surface reflectances with time, thanks to the acquisitions with constant viewing angles and also to the quality of atmospheric correction...

 

 

A poster was shown by Aimé Meygret at the "Sentinel-2 for science" symposium in Frascati in may 2014.

 

 

 

Validation des réflectances de surface de SPOT4 (Take5) sur la Crau, avec la station ROSAS du CNES

=>

Sur la plaine de Crau, en Provence, le CNES a mis en place une station automatique de mesure des conditions atmosphériques et des réflectances de surface. Cette station, nommée ROSAS (RObotic Station for Atmosphere and Surface), est installée au sommet d'un mât de 10 mètres, et est équipée d'un instrument CIMEL analogue à ceux du réseau AERONET qui servent à caractériser l'atmosphère, mais modifié pour observer aussi le sol. L'objectif initial de cette station était de vérifier l'étalonnage absolu des instruments en orbite, pour les satellites à haute résolution (car l'uniformité du site n'est pas suffisante pour les capteurs à résolution kilométrique). Mais cette station peut aussi être utilisée pour valider les réflectances de surface fournies dans les produits de niveau 2A
.

C'est le travail qu'ont effectué des collègues du CNES, Vincent Lonjou, Sébastien Marcq et Aimé Meygret, à partir des produits de niveau 2A issus de l'expérience SPOT4 (Take5).

 

La station Rosas effectue un cycle de mesure toutes les 90 minutes, caractérisant successivement le rayonnement descendant (et donc l'atmosphère), puis le rayonnement montant provenant de la surface. Le rapport des deux permet de calculer la réflectance de surface. Le processus est un peu plus complexe que ce que je décris ici, car il faut tenir compte de la non-uniformité de la surface autour du mât, et des variations directionnelles des réflectances. Un modèle bidirectionnel des réflectances de surface est donc ajusté sur les mesures, et ce modèle permet de prédire les réflectances que doit mesurer le satellite.

 

B1 (vert)

B2 (rouge)

L'instrument disposait, lors de l'expérience SPOT4 (Take5) des longueurs d'ondes du tableau ci-dessous. Il est en cours de modification pour ajouter de nouvelles bandes spectrales, notamment dans le proche infra-rouge, dont l'échantillonnage n'était pas suffisant, et en préparation des activités d'étalonnage et de validation des satellites Sentinel-2 et Venµs.

Band λ (nm), detector
1 1020Si
2 1600 InGaAs
3 870 Si
4 670 Si
5 440 Si
6 550 Si
7 1020 InGaAs
8 937 Si
9 380 Si
10 740 Si

B3 - PIR (symboles clairs pour SPOT4, sombres pour ROSAS)

 

B4 - MIR (symboles clairs pour SPOT4, sombres pour ROSAS)

On note que l'accord entre les réflectances de surface obtenues avec la station ROSAS et celles issues des produits de niveau 2A de SPOT4 (Take5) est excellent, dans toutes les bandes sauf dans le proche infra-rouge : mieux que 5% en B1, B2, B4 et 7-8% en B3. Les différences observées dans le proche infra-rouge sont en cours d'investigation et pourraient être liées à l'interpolation spectrale, la bande spectrale de SPOT4 étant très éloignée de celle de ROSAS.

 

On peut remarquer aussi les variations plus importantes des réflectances de surface dans le moyen infra-rouge, avec de fortes baisses de la réflectance observées après des pluies. On peut en déduire que les données optiques multi-temporelles acquises sous des angles constants pourraient être utilisées pour détecter des variations de l'humidité superficielle des sols, au moins quand la couverture végétale n'est pas très importante, comme c'est le cas sur la prairie clairsemée de la Crau. Dans les autres bandes spectrales les variations dues à l'humidité des sols sont bien moins prononcées, et c'est surtout la grande stabilité des réflectances avec le temps qui doit être notée, grâce aux angles de visée constants et à une bonne correction des effets atmosphériques.

 

Un poster a été présenté par AImé Meygret au colloque "Sentinel2 for science" à Frascati au mois de mai 2014.

"

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

Utilisation de séries temporelles d'images à haute résolution spatiale pour le suivi de biomasse fourragère

Figure 1 : Profil moyen de fCover sur la parcelle 4 calculé à partir d'images des différents capteurs utilisés.

=>

Le fCover est un paramètre biophysique calculé à partir d'observations satellitaires. Il permet de mesurer la fraction de couvert vert par unité de surface dans des conditions d'observation au nadir. Dans le cadre du produit d'assurance des prairies, ce paramètre est calculé à partir de synthèses décadaires d'images à moyenne résolution spatiale. Nous utilisons l'intégrale du profil annuel de fCover pour estimer la biomasse prairiale et construire l'Indice de Production Fourragère.

Notre premier travail de validation consiste tout d'abord à tester la relation existante entre la biomasse prairiale et la somme de fCover calculée sur des images à haute résolution spatiale. Un protocole de mesure terrain (d'après PV PROTIN, 2010. ARVALIS – Institut du Végétal) mis en place sur 6 parcelles de prairies dans la région toulousaine a été réalisé entre les mois de Mars et Juin 2013. Ces parcelles ont été choisies dans le but de faire varier les espèces prairiales et les modes d'exploitation des prairies (Tableau 1). Tous les 15 jours, une série de prélèvements est faite afin de mesurer la biomasse des parcelles à des endroits définis. Au total sur les 6 parcelles, il y a 320 points pour lesquels nous disposons d'une information de production à comparer avec le rendement estimé par télédétection.

Les parcelles se situent sur la zone SudMipy définie dans le programme d'acquisition SPOT4(Take5). De ce fait, nous avons pu bénéficier des images acquises dans le cadre de ce programme pour constituer nos séries temporelles sur chaque parcelle. Compte tenu des conditions climatiques du printemps 2013, nous avons du compléter le jeu d'images SPOT-4 (Take5) avec des images acquises par les capteurs Landsat-8, SPOT-6 et Formosat-2. Au final, nous disposons d'une image tous les 15 jours environ (Tableau 1).

Nom Couvert Surface (ha) Exploitation 

prairie

Couverture 

images

Parcelle 1 Luzerne 7,3 Fauche Take 5 : 6 / Spot 6 : 2 / Landsat 8 : 1
Parcelle 2 Prairies naturelles 9,4 Fauche Take 5 : 4 / Spot 6 : 1 / Landsat 8 : 1 / Formosat2 : 4
Parcelle 3 Ray-Grass 8,6 Ensilée début Mai /  Fauché fin Juin Take 5 : 5 / Spot 6 : 3 / Landsat 8 : 1
Parcelle 4 Prairies naturelles 6,0 Fauché fin juin Take 5 : 7/ Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1
Parcelle 5 Fétuque / Dactyle / Trèfle Blanc 11,5 Fauche puis pâture Take 5 : 5 / Spot 6 : 2 / Landsat 8 : 2 / Formosat2 : 1
Parcelle 6 Fétuque / Dactyle 6,8 2 fauches, pas de pâturage Take 5 : 3 / Spot 6 : 2 / Landsat 8 : 1 / Formosat2 : 1

Tableau 1 : Caractéristiques des 6 parcelles sélectionnées

 

Figure 2 : Régression entre l'IPF et la Production

La figure 1 présente le profil moyen de fCover sur la parcelle 4 calculé à partir d'images des différents capteurs utilisés.La figure 2 présente la relation entre la production mesurée aux champs et estimée par télédétection. Le résultat de la régression linéaire entre l'IPF et la production mesurée  montre une corrélation forte entre les deux variables (R² = 0,76; α < 0,0001).

 

Cependant, plus les valeurs de productions sont fortes, plus l'écart à la moyenne des valeurs d'IPF tend à augmenter. Ceci s'explique en partie par la méthode de calcul de l'IPF qui ne prend pas en compte la partie en sénescence du couvert végétal. Il en résulte un écart entre la biomasse mesurée au champs et l'IPF.

 

En résumé, l'utilisation du fCover sur des séries temporelles à haute résolution spatiale montre qu'il est possible d'estimer la production des prairies à ce niveau d'échelle. L'IPF étant calculé à partir d'images à moyenne résolution spatiale, la prochaine étape consistera à exploiter le jeu de données SPOT-4 (Take5) pour valider l'indice sur un territoire représentatif du territoire que pourrait viser le produit d'assurance.

 

Anne Jacquin

Antoine Roumiguié

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

SPOT4(Take5) aerosol optical thickness validation results

We are currently preparing a data reprocessing of all SPOT4 (Take5) data, to be released before the end of 2013. For this, I tested several aerosol models and compiled all the validation results for our multi-temporal Aerosol Optical Thickness (AOT) estimation method named MACCS. Our estimates are compared to AERONET in-situ AOT measurements.

The MACCS method applied to SPOT4(Take5) data, which lacks a blue band, uses two procedures to estimate AOT :

  • either the AOT is estimated by a multi-temporal method
  • or it is gap-filled. The presence of gaps may be due to clouds, water or snow, or because the pixel reflectance is too-high for an accurate estmate, or because of a too large variation of reflectance with time is detected.

 

Comparison of MACCS AOT estimates with the in-situ measurements from AERONET. The blue dots correspond to cases for which the atmosphere is stable and for which there are no clouds in the neighborhood of the AERONET site. The red dots correspond to situations when the AERONET optical thickness varies around the satellite overpass time, or when clouds are detected in the image neighbourhood (20*20 km).
On the left plot, only the dates and sites for which less than 60% of the pixels were gap-filled; wheras the right plot only tolerates 20% of gap-filled pixels. The gap-filling method does not seem to introduce large amount of errors in wases when the atmosphere is stable, but it is less accurate in unstable cases..

 

The aerosol estimates have been obtained with MACCS prototype which is developed and maintained by Mireille Huc at CESBIO. The aerosol model is not the same as the one used for SPOT4 (Take5) first processing. This model is based on greater particles (with a modal radius of 0.2µm, compared to 0.1µm in the initial processing), as it provides a better overall agreement with AERONET measurements. We will use this model for most sites for SPOT4(Take5) reprocessing.

 

The RMS error of AOT estimates is 0.06, which is a state of the art performance, obtained in a very difficult condition with no blue band available. Moreover, in order to show more validation points, a few validation sites (Bruxelles, Gwangju, Ouarzazate, Wallops, NASA_LaRC) are in fact distant by more that 60 kilometers from the image footprint, which tends to degrade the performances.

 

The AERONET sites used in this study are :

 

SPOT4 Take5 Site
Aeronet Site
Belgium Brussels
South Great Plains Cart_Site
Korea Gwangju_GIST
Chesapeake NASA_LaRC
Chesapeake Wallops
Versailles Paris
Versailles Palaiseau
Tunisia Ben Salem
Maroc Saada
Maroc Ouarzazate
Sudmipy-Est Seysses + Le Fauga
Sudmipy-Ouest Seysses
Provence Carpentras
Provence Frioul

 

The worst results are obtained for the following sites :
  • Gwangju (Korea): The SPOT footprint in on the coast, while the AERONET site is 70 km inland, near a large town.
  • Ben Salem (Tunisia): this site was very cloudy in Spring, and large reflectance variations are observed between the remaining clear dates.
  • Palaiseau and Paris : In that case, the aerosol model seems to be inappropriate, and absorbing pollution aerosol should be introduced.

On the contrary, several sites provide very accurate results, for instance in Morocco (even the desertic Ouarzazate), Provence (including the Frioul Island where the AOT is extrapolated from the coast), and also Sudmipy, Wallops et Cart_site. Some SPOT4 (Take5) users reported inaccuracies on some tropical sites but we do not have an AERONET validation site near these SPOT4(Take5) sites.

 

Validation des épaiseurs optiques d'aérosols obtenues pour SPOT4(Take5)

=>

Nous sommes en train de préparer un retraitement des données SPOT4 (Take5) pour la fin de l'année. Pour en choisir les paramètres, j'ai compilé tous les résultats de validation des épaisseurs optiques mesurées par notre méthode MACCS, en les comparant avec celles mesurées par le réseau Aeronet. Dans la méthode MACCS appliquée à SPOT4(Take5), en l'absence d'une bande spectrale dans le bleu, l'estimation de l'épaisseur optique peut être faite de deux manières :

  • soit par inversion de l'épaisseur optique par la méthode multi-temporelle,
  • soit par bouchage de trous, les trous pouvant être dus à la présence de nuages, d'eau ou de neige, ou à la présence de pixels de réflectance trop forte ou ayant varié trop fortement entre deux dates.

 

Comparaison des épaisseur optiques mesurées avec MACCS avec celles mesurées in-situ par des photomètres du réseau Aéronet. Les points bleus correspondent aux cas où l'atmosphère est stable et où il n'y a pas de nuages dans le voisinage. Les points rouges correspondent aux cas où l'atmosphère est moins stable (variation de l'épaisseur optique en une heure) ou aux cas où des nuages sont détectés dans le voisinage de la mesure (20*20 km).
La courbe de gauche ne retient que les dates et sites ayant moins de 60% de pixels dont l'épaisseur optique est obtenue par bouchage de trous et pour celle de droite, seules les dates et sites ayant moins de 20% de pixels bouchés sont retenus. On constate que le bouchage de trous n'introduit pas trop d'erreurs dans les cas stables, mais en introduit davantage dans les cas instables.

 

Les estimations d'aérosols ont été obtenues avec le prototype de MACCS développé et maintenu par Mireille Huc au CESBIO. Le modèle d'aérosols n'est pas celui qui a été utilisé pour la première production de SPOT4 (Take5). Il s'agit d'aérosols un peu plus gros (rayon modal 0.2 µm, contre 0.1µm dans le traitement initial), qui fournissent un meilleur accord global avec les mesures d'Aeronet. C'est ce modèle qui sera utilisé dans le futur retraitement des données SPOT4 (Take5), pour la plupart des sites.

 

L'écart-type des mesures d'épaisseur optique pour les cas stables est de 0.06, ce qui est du niveau de l'état de l'art, et constitue une performance remarquable, compte tenu de la difficulté à estimer l'épaisseur optique des aérosols sans bande bleue. De plus, certains des sites Aéronet (Bruxelles, Gwangju, Ouarzazate, Wallops, NASA_LaRC) utilisés sont assez éloignés de l'image SPOT, parfois de plus de 60 kilomètres.

Les sites aéronet utilisés ici sont :

Site SPOT4 Take5 Site Aeronet
Belgique Bruxelles
South Great Plains Cart_Site
Korea Gwangju_GIST
Chesapeake NASA_LaRC
Chesapeake Wallops
Versailles Paris
Versailles Palaiseau
Tunisia Ben Salem
Maroc Saada
Maroc Ouarzazate
Sudmipy-Est Seysses + Le Fauga
Sudmipy-Ouest Seysses
Provence Carpentras
Provence Frioul

 
Les plus mauvais résultats sont obtenus pour les sites :

  • Gwangju (Korée): le site SPOT est en bord de mer, alors que le site Aeronet est à l'intérieur des terres, dans une grande ville (notamment les points rouges avec une forte épaisseur optique sur la courbe "_60".)
  • Ben Salem (Tunisie): sur ce site très nuageux au début de la période, de fortes variations des réflectances de surface alors que les images à peu près claires sont très espacées dans le temps.
  • Palaiseau et Paris : dans ce cas, le modèle d'aérosols utilisé pour tous les sites n'a pas l'air d'être le bon modèle, il faudrait rajouter des aérosols carbonés et absorbants.

En revanche, les sites Maroc, Provence (même l'extrapolation à l'ile du Frioul), Sudmipy, Wallops et Cart_site donnent d'excellents résultats.

 

Enfin, certains utilisateurs nous on rapporté des problèmes de correction atmosphérique pour les les sites forestiers équatoriaux, mais malheureusement (ou heureusement pour nos statistiques), aucun d'entre eux ne dispose d'un instrument du réseau AERONET.

 

SPOT4 (Take5) users's day presentations

Voici les présentations de la Journée SPOT4 (Take5) du 2 octobre, qui a réuni une centaine de personnes au CNES pour faire un bilan des acquisitions et des produits distribués, et prendre connaissance des premiers retours des utilisateurs. J'en profite pour remercier les deux organisatrices, Sylvia Sylvander et Danielle Barrère, du CNES (DCT/ME/OT), les 23 orateurs qui nous ont proposé de brillantes présentations, et le photographe (Gérard Dedieu) qui n'a oublié que 3 orateurs.

 

J'ai rédigé pour le CNES un bref compte rendu en Français. Pour voir les présentations, cliquez sur les liens dans le tableau ci dessous.

 

Here are the presentations from SPOT4 (Take5) users day on October the 2nd. 100 people attended this meeting at CNES, which aimed at making an assessment of the acquisition and products, and obtain a first feedback from users. I would like to thank a lot the two organizers, Sylvia Sylvander and Danielle Barrère from CNES, the 23 speakers, who delivered brilliant presentations, and the photographer (Gerard Dedieu), who only forgot 3 speakers.

 

The table below gives access to all the slides of the presentations.

 

 

O. Marsal

CNES Introduction
S. Sylvander CNES Preparation and progress of Take 5 experiment
O. Hagolle CNES/CESBIO Justification of Take 5 experiment, site selection and data access
M. Leroy CNES The THEIA Land Data Centre
O. Hagolle CNES/CESBIO First results
M. Claverie NASA GSFC Consistency of SPOT4 (Take 5) surface reflectance data: Comparison with MODIS surface reflectance data.
C. Szczypta CESBIO Application of remote sensing to snow modelling in the Pyrenees
JP. Dedieu LTHE/CNRS Grenoble Snow cover monitoring in the French Alps
B. Koetz ESA ESA preparatory activities for Sentinel-2 exploitation - Agriculture, Land Cover Change, Costal Monitoring & Forest Mapping
C. Corbane / F. Güttler UMR TETIS Contribution of remote sensing data with high repetitivity for the identification and monitoring of natural habitats - Application to Lower Aude Valley Natura 2000 site.
A. Govind INRA/Bordeaux High resolution mapping of LAI using SPOT-4 data for spatially explicit modeling of Carbon and Water Fluxes in the Landes de Gascogne
D. Jacques UCL Preparing for the exploitation of Sentinel-2 observations for agriculture monitoring
V. Gond CIRAD Phenological monitoring of tropical forest ecosystems (North of Congo)
E. Bartholome JRC First observations from SPOT 4 Take 5 data over intertropical regions
 

A. Jacquin / A. Roumiguié

EI Purpan Use of multitemporal series of high and medium spatial resolution for forest and biomass monitoring
D. Courault INRA Monitoring of the evolution of agri-hydrosystems in a mediterranean region
V. Lafon EPOC, Univ. Bordeaux Contribution of Sentinel-2 to coast management
S. Battiston SERTIT First results of Take Five experiments over the Alsatian Plain (France) and Chinese lakes in term of biodiversity, forestry and hydrology
M. Le Page CESBIO, UCAM, ORMVAH, INAT Preliminary results of a real time irrigation experiment in Morocco and first results in Tunisia
M. Battude CESBIO Contribution of optical multitemporal satellite imagery for the cartography of irrigated areas
Y. Justeau Exelis VIS Take 5 GeoProcessing with ENVI Services Engine
D. Giaccobo ASTRIUM-GEO Potential use of Take5 data for the ESA DREAM Data Quality Web Service

The terrain effect correction : how it works

=>


Caution, this post contains formulas.

 

The topographic (or terrain) effects on the observed reflectances are due to several phenomena, illustrated below :

  • the closer the surface is perpendicular to sun direction, the more energy it receives per surface unit (we talk about irradiance). If the surface is parallel to sun direction, it does not receive direct sunlight. We can model it this way :
    • For an horizontal surface :  E_h= E_0.T_{dir}^\downarrow.cos(\theta_s)

      Definition of sun zenith angle and sun incidence angle

    • For a sloped surface  E_i=E_0.T_{dir}^\downarrow.cos(\theta_i)
    •  E_0 is the Top of Atmosphere irradiance, and  T_{dir}^\downarrow is the downward direct transmission, i.e. the proportion of the light that reaches directly the surface without being scattered by the atmosphere.
    • Assuming that all the irradiance is direct, the measured reflectance if the surface was horizontal is calculated from the following formula:  \rho_h=\rho_i \frac{cos(\theta_s)}{cos(\theta_i)} . However, the above assumption is not true and this formula tends to over correct terrain effects
  • The surfaces also receive a diffuse sun irradiance scattered by the atmosphere. If the surface is not horizontal, a part of the sky is obscured by the slope reducing the diffuse irradiance. Moreover, the diffuse irradiance depends on the amount of aerosols (and clouds) in the atmosphere. In addition, the surrounding terrain can also hide a part of the sky, but we do not take this effect into account here in our modelling. We use the following approximation, which is equivalent to assuming that the slope is alone in a horizontal region.
    • If surface is horizontal, the visible sky fraction is 1, if it is vertical, this fraction is 1/2
    •  \displaystyle F_{sky}= \frac{1+cos(slope)}{2}
  • Finally, the slope can receive light from surrounding surfaces, which become directly visible. In our simplified model, we always assume the entire environment of our slope is flat and,for instance, we do not take the effect of the opposite side in a valley into account :
    • If surface is horizontal, the visible ground fraction is 0, if it is vertical, it is 1/2.
    •  \displaystyle F_{fround}= \frac{1-cos(slope)}{2}

 

Finally, we use the following formula  to compute the reflectance that would be observed if the surface was horizontal   \rho_{h} , as a function of the slope (inclined) reflectance   \rho_{i} :

  \rho_{h}=\displaystyle \rho_{i}.\frac{T^{\downarrow}}{T_{dir}^{\downarrow}.\frac{cos(\theta_i)}{cos(\theta_s)} + T_{dif}^{\downarrow} F_{sky} + T^{\downarrow} F_{ground} \rho_{env}}

 T^{\downarrow} is the downward transmission, sum of direct and diffuse irradiances :  T^{\downarrow}= T_{dir}^{\downarrow}+ T_{dif}^{\downarrow} , and \rho_{env} is the average reflectance of the neighbourhood.

 

Finally, we can also account for bidirectional reflectance effects, but this correction is tricky since directional effects depend on the surface cover type. See for instance : Dymond, J.R.; Shepherd, J.D. 1999: Correction of the topographic effect in remote sensing. IEEE Trans. Geosci. Remote Sens. 37(5): 2618-2620.

 

It is very difficult to validate the correction of directional effects : , we could compare the correction results for satellite overpasses at different times in the day. But all the satellite optical imagers have nearly the same overpass time. A qualitative way of estimating the accuracy is to check that similar land covers on opposite slopes in a valley ( a meadow, a forest) have a similar reflectance after correction. The most suitable points are North-South valleys. Here are some examples of terrain effects correction results.

Formosat-2 image in the Alps, before (left) and after (right) terrain effect correction. The image on the right seems to have been flattened, and the opposite slope reflectances seem much more alike after correction.

Finally, an essential part of the method's accuracy is the availability of a highly accurate digital  elevation model (DEM),  up to now, only the SRTM DEM is available globally, and it only has a 90 meter resolution. Its accuracy is somewhat inadequate and sometimes leaves artefacts if the slope changes are poorly located.

 

 

The adjacency effects, how they work.

As explained in the post about atmospheric effects, the scattering of light by molecules and aerosols in the atmosphere brings about several effects : scattering adds some haze on the images (the atmospheric reflectance), lessens the signal from the surface (the atmospheric transmission), and blurs the images (the adjacency effects). This post is about the adjacency effects, the other aspects have already been quickly explained in the above post.

 

The figure on the right shows the types of paths that light can follow before getting to the satellite. Path 1 corresponds to the atmospheric reflectance, path 2 is path that interacts with the target, it is the one which is useful to determine the surface reflectance, paths 3 and 4 contribute to the total reflectance but interact with the surface away from the target. These paths are thus the cause of adjacency effects and they blur the images.

 

 

If not corrected, adjacency effects may cause large errors. Let's take the case of a fully developed irrigated field surrounded by bare soil. For such a case, the second figure on the right shows the relative percentage of errors for reflectances and NDVI as a function of aerosol optical thickness, if adjacency effect is not corrected.

 

 

 

An approximate correction can be applied, but it thus requires to know the aerosol optical thickness. In our MACCS processor, here is how it works :

 

  1. We first correct the images under the assumption that the Landscape is uniform. We obtain a surface reflectance under uniform absorption which is noted  \rho_{s,unif} .
  2. We compute the neighbourhood reflectance (  \rho_{s,adj} ) using a convolution filter with a 2km radius, that computes the average neighborhood reflectance weighted by the distance to the target. To be fully rigorous, this filter should depend on the optical thickness and on the viewing and sun angle (The less aerosols, the larger radius), but as we did not work on an accurate model, we used a constant radius.
  3. We correct for the contribution of paths 3 and 4 using :

 \rho_{s}=\frac{\rho_{s,unif}.T^{\uparrow}.\frac{1-\rho_{s,unif}.s}{1-\rho_{s,adj}.s}-\rho_{s,adj}. T_{dif}^{\uparrow}}{T_{dir}^{\uparrow}}

  • where  T^{\uparrow}=T_{dif}^{\uparrow}+T_{dir}^{\uparrow} is the total upward transmission, sum of diffuse and direct upward transmissions, and s is the atmosphere spheric albedo. These quantities depend on the wavelength, on the aerosol model and on the AOT. They are computed using Look up Tables based on radiative transfer calculations.

 

As this processing uses convolution with a large radius, it takes quite a large part of the atmospheric processing time.

 

Result Exemples

The images below show 3 stages of the atmospheric processing, for 2 Formosat-2 images obtained over Montreal (Canada) with a 2 days interval. The first image was acquired on a hazy day (aerosol optical thickness (AOT) of 0.47 according to MACCS estimate); and the second one on a clear day (AOT=0.1).

  • The first line corresponds to the Top Of Atmosphere images, without atmospheric correction. The left image is obviously blurred compared to the right image.
  • The second line corresponds to the atmospheric correction under uniform landscape assumption (as in step 1). The left image is still obviously blurred compared to the right image.
  • the third line show the same images after adjacency effect correction. In that case, the left image is not blurred any more, it is even maybe a little over corrected as it seems somewhat sharper that the right image.

TOA Images (On the left, the hazy image)


Surface reflectance under uniform landscape assumption (on the left, the hazy image)

 

Surface reflectance after adjacency effect correction (on the left, the hazy image)

 

The pixel wise comparison of reflectances is also a way to show the enhancement due to the adjacency effect correction. The plot below compares the images of both dates corrected under the uniform landscape assumption (on the left), and after adjacency effect correction (on the right). You may observe that the dots are closer the the black diagonal on the right. On the hazy image (May 27th), the high reflectances are a little too low, while the low reflectances are a little too high, which is the symptom of a loss of contrast.

L1C registration performances for SPOT4(Take5) V1 products

Now that all SPOT4(Take5) images have been processed (pfew !), we can make an appraisal of the performances. Let's start by the geometry, which caused us a lot of trouble :

  • SPOT4 has a location accuracy around 400 mètres, but during the experiment, it went through a fifteen day period when the location errors could reach 1500 m.
  • We seek a multi-temporal registration performance of 0.3 pixel RMS. This performance is difficult to measure because the measurement technique itself (correlation image matching) is not perfectly accurate.
  • We provide as a criterion the maximum registration error observed for the 50% best results or for the 80% best results. It is likely that the last criterion includes less inaccurate measurements.

 

Here are the observed performances for 3 very different sites :

  • CMaroc site, which is an arid site with a green period in march, a lot of blue sky, and high mountains (the Atlas). performances are excellent, with errors lower than 0.3 pixels for 50% of the measurementsl.

 

  • CBretagneLoireE site, which is a rather flat coastal area with large tides, and is often very cloudy. In that case, performances are still better than 0.5 pixels. The worse dates correspond to images with a large cloud cover, for which it is not easy to automatically collect accurate ground control points.

 

  • JSumatra site is a very flat area, covered with very uniform equatorial forest, and a large river whose limits change with time. In that case, the performance is really bad, with registration errors up to 10 pixels. This uniform site does not enable to find good control points, and the ones that are found are often along the river whose contour changes with the water level.

 

Conclusions

We have obtained very good results for most sites, with registration errors below 0.5 pixels (10m) even when the initial location error reaches 1500m. However, 4 sites are resisting to this processing. These 4 sites correspond to flat forest sites covered by equatorial forest : JSumatra, JBorneo, EGabon, ECongo. The ECongo site is even so uniform that it is not possible to measure its registration performance.

These sites will be distributed with the others in a few days with the first version of the products, but you should use them cautiously.

Finally, if the registration of 95% of images is good, the location performance is inherited from our reference images, ie LANDSAT (5 et 7). The next versions will be based on Geosud (IGN) images in France and on LANDSAT 8 data elsewhere. Performances should be enhanced in the next versions.