Three snow seasons in the Pyrenees through the eyes of Sentinel-2 and Landsat-8

On June 23 we will celebrate the third anniversary of Sentinel-2A in orbit. With three years of data we can start looking at the inter-annual variability of biophysical variables, like.. (random example), the snow cover.

 

This is what I attempted to do for the Theia workshop. I downloaded all available snow cover products from Theia over the Central Pyrenees (tile 31TCH) and I generated additional snow maps from the Theia Landsat-8 level-2A products using let-it-snow processor. Landsat-8 images enable to increase the frequency of observations when only Sentinel-2A was operational between 2015 to 2017.

 

I resampled the Landsat-8 snow maps to the same reference grid as Sentinel-2 at 20 m resolution using the nearest neighbor method. I cropped all snow maps to the intersection of the Sentinel-2 tile (green polygon) and Landsat-8 tile (red polygon).


When there was a snow map from Sentinel-2 (S2) and Landsat-8 (L8) on the same day, I merged them into a composite using a simple pixel-based rule:
Continue reading

La vectorisation du produit OSO, comment ça marche ?

Le produit vecteur d'OSO 2017 est enfin sorti ! Après plusieurs semaines de traitements, les vecteurs de chaque département sont disponibles ici. La production requiert la mobilisation d'une grande quantité de ressources de calcul et une stratégie de traitements un peu particulière. Nous voulions vous expliquer comment parvient-on à produire cette couche d'information.

Exemple du raster initial (10 m), régularisé (20m) et vectorisé

A priori, le plus simple serait de prendre la couche raster issue de la chaine de traitements iota² de l'intégrer dans notre logiciel SIG préféré et d'appuyer sur le bouton "Vectorisation" ! Mais les choses ne sont pas si simples, certaines contraintes et besoins nous obligent à quelques tours de passe-passe :

Continue reading

[MUSCATE] Theia releases Sentinel-2 L2A products on the whole Maghreb coastal region

The blue tiles were just added to the zones where Theia provides level 2A products with MAJA.

=>

Since we understood the bugs which were slowing MUSCATE, and we found ways to mitigate them, the production rhythm of MUSCATE improved and we were able to extend the zones where we provide Sentinel-2 (A&B) L2A products. L2A products provide surface reflectances after correction of atmospheric effects and with a high quality cloud mask. The products we deliver are provided by MAJA processor.

 

We just released all the data acquired on the Maghreb coastal zone, from Morocco to Tunisia. A few missing tiles have also been added in South Morocco, and on Cap Bon in Tunisia. With these new tiles, we now monitor all the lands that surround the occidental part of Mediterranean sea, adding 50 tiles to those already processed.

Continue reading

From Multitemp blog to Nature Geoscience

You probably remember Simon Gascoin's story about the Aru glacier avalanches, which started from Simon's observations of the twin avalanches using the Sentinels. It was one of the big buzz pages of the blog in 2016. The first images were published here, then spread out in many scientific websites and the social networks.

 

The same mountain valley in Tibet is shown before and after part of a glacier sheared off on 17 July 2016. Credit: NASA/Joshua Stevens/USGS/ESA

It seems that the story finally made its way to Nature Geoscience, after a large work from many scientists lead by Andreas Kaab.  Congratulations to all the team !

 

So, dear CESBIO colleagues, or remote sensing time series users, it is time to submit your work to this blog as a first step to future publications in Nature ;) !

 

 

Our blog's audience in 2018

=>

A sixth year begins for the "Séries temporelles" blog, and as usual, it is an opportunity to review its audience, and to get a little self-satisfaction.

The blog is always receiving more visits. even if the annual growth rate is much lower than the previous years, but still 20%... French visitors constitute only 35% of visits. The United States rank second, followed by Morocco, which is probably an effect of CESBIO's long presence in Marrakesh. Then come France neighbouring countries.

 

2013 2014 2015 2016 2017
Number of visits 13985 22928 34723 47773 57692
Number of viewed pages 30922 46940 66947 89555 105846

Continue reading

Fréquentation du blog en 2017

=>

Une sixième année commence pour le blog Séries Temporelles, et comme d'habitude, c'est l'occasion de revenir sur sa fréquentation, et de faire un peu d'autosatisfaction.

 

Le blog reçoit toujours plus de visites. même si la croissance devient inférieure à 20%..en un an. Les visiteurs Français ne constituent plus que 35% des visites. Les Etats-Unis viennent en second, suivis par le Maroc, ce qui est probablement un effet de la longue implantation du CESBIO à Marrakech.

2013 2014 2015 2016 2017
Nombre de visites 13985 22928 34723 47773 57692
Nombre de pages lues 30922 46940 66947 89555 105846

Continue reading

Premières validations de la carte d'occupation du sol OSO

En 2017, le Centre d'Expertise Scientifique OSO (Occupation du SOl) par l'intermédiaire du CESBIO a produit une carte d'occupation du sol de l'année 2016 à l'échelle du territoire métropolitain français et corse. On l'appelle la carte d'occupation du sol OSO ! Cette carte est le résultat de traitements automatiques massifs de séries temporelles d'images satellites optiques Sentinel-2. Comme les images Sentinel-2, cette carte a une résolution spatiale de 10 m correspondant à une unité minimale de collecte (UMC) de 0.01 ha. L'occupation du sol est décrite grâce à 8 classes au premier niveau et 17 classes à second niveau de détail, définies en fonction des potentialités de détection de l'imagerie Sentinel-2 et des besoins exprimés par des utilisateurs finaux. Ces classes couvrent les grands thèmes d'occupation du sol (surfaces artificialisées, agricoles et semi-naturelles).

Son principal avantage en comparaison avec d'autres cartes d'occupation du sol existantes, (loin de nous l'idée de les critiquer) est son exhaustivité territoriale et surtout sa fraîcheur ! Disposer d'une carte d'occupation du sol exhaustive sur l'ensemble du territoire national au premier trimestre de l'année suivante, c'est ce qu'OSO vous propose !

Quelle richesse thématique ?

Les classes détectées par télédétection sont celles du second niveau, celles du premier niveau sont obtenues par agrégation des classes du second niveau :

  • Culture annuelle
    • Culture d'hiver
    • Culture d'été
  • Culture pérenne
    • Prairie
    • Verger
    • Vigne
  • Forêt
    • Forêt de feuillus
    • Forêt de conifères
  • Formation naturelle basse
    • Pelouse
    • Lande ligneuse
  • Urbain
    • Urbain dense
    • Urbain diffus
    • Zone industrielle et commerciale
    • Surface route / asphalte
  • Surface minérale
    • Surfaces minérales
    • Plages et dunes
  • Eau
    • Eau
  • Glaciers et neiges éternelles
    • Glaciers et neiges éternelles

Avec quelle qualité ?

Valider une carte d'occupation n'est pas une procédure simple. Il s'agit de s'interroger sur :

  • la spécification des classes
  • l'échelle de validation
  • le jeu de données de validation

Dans tous les cas, il est rarement possible d'établir une validation exhaustive sur l'ensemble d'un territoire. Classiquement, une validation statistique permet d'appréhender partiellement la précision de la cartographie obtenue, et ne permet pas d'identifier l'ensemble des confusions thématiques et des erreurs géométriques de classification.

La suite de cet article tente de qualifier la précision de la carte d'occupation du sol OSO de 2016 grâce à des jeux de données de partenaires du CES OSO. Une première validation, intrinsèque au processus de classification, a été effectuée. Les résultats statistiques sont visibles ici.

Le jeu de données d'échantillons de la couverture de surface a été produit grâce à des bases de données nationales telles que la BD Topo, le Registre Parcellaire Graphique (RPG) et Corine Land Cover. 70% de ces échantillons ont été utilisés pour l'apprentissage et 30% pour la validation a posteriori visible sur la figure ci-dessous. Cette validation, bien que pertinente, s'appuie sur des échantillons dont la génération suit la même procédure que les échantillons d'apprentissage, biaisant quelque peu l'indépendance de la validation.

Validation de la carte d'occupation du sol OSO avec 30% des échantillons extraits des 3 jeux de données utilisés lors de la classification - BD Topo, Registre Parcellaire Graphique et Corine Land Cover)

De plus, il nous était impossible de valider les deux cultures annuelles de la classification. En effet, l'indisponibilité du RPG pour l'année 2016 et 2015 (toujours indisponible le jour de l'écriture de cet article), nous a amené à développer une méthode d'apprentissage basée sur le principe de l'adaptation de domaine utilisant des échantillons du RPG 2014. Cette méthode est très bien expliquée ici. Quoiqu'il en soit, il nous était impossible de valider la classification des cultures d'été et d'hiver de 2016, seuls des échantillons issus du terrain nous le permettait, en voilà la preuve !

Continue reading

Using aerosol type from Copernicus Atmosphere in MAJA

=>

The main difficulty of the atmospheric correction comes from the determination of the aerosols optical properties: one has to know the optical properties of the aerosol type present in the atmosphere and determine their optical thickness. Using Sentinel-2 data to determine the aerosol type is very complicated, and our MAJA processor, used to generate Theia L2A products, only computes the aerosol optical thickness, while assuming a specific aerosol type.

 

The current operational version of the MAJA processor uses a constant aerosol type during the atmospheric correction, independently from the location and from the time of the year, thus affecting the quality of the atmospheric correction if the chosen aerosol type is not appropriate.

 

As an alternative, we tried to use the information from CAMS (Copernicus Atmosphere Monitoring Service), whichprovides forecasts of the Aerosol Optical Thickness (AOT, see figure below) of five different aerosol types: dust, black carbon, sea salt, sulfate and organic matter.

 

CAMS aerosol optical thickness (AOT) forecasts at 550 nm on 14 June 2016, 03:00 UTC: (top left) Dust, (top right) Sea Salt, (bottom left) Black Carbon, and (bottom right) Sulfate.

Continue reading

Utilisation de Copernicus Atmosphere dans la correction atmosphérique de MAJA

=>

La principale difficulté de la correction atmosphérique réside dans la détermination des propriétés optiques des aérosols : il faut connaître les propriétés optiques du type d'aérosols présent dans l'atmosphère et déterminer leur quantité, symbolisée par l'épaisseur optique. Il est très difficile, à partir des données Sentinel-2, de déterminer le type d'aérosols, et notre chaîne MAJA, utilisée pour générer les produits L2A de Theia se contente de déterminer l'épaisseur optique des aérosols en supposant le type d'aérosols connu.
 
La version opérationnelle actuelle de MAJA utilise, durant la correction atmosphérique, un type d'aérosol constant spatialement et temporellement, ce qui affecte la qualité de la correction atmosphérique si le type d'aérosol choisi n'est pas le bon. L'alternative proposée ici est d'utiliser l'information venant de CAMS (Copernicus Atmosphere Monitoring Service), qui fournit des prévisions d'épaisseur optique (AOT pour Aerosol Optical Thickness, voir figure ci-dessous) pour cinq types d'aérosols différents : dust, black carbon, sea salt, sulfate et organic matter.

Cartes d'épaisseur optique des aérosols issues de CAMS (AOT) à la longueur d'onde 550 nm le 14 Juin 2016, 03:00 UTC: (haut gauche) pussières, (haut droit) sel de mert, (bas gauche) carbone noir, and (bas droit) sulfate.

Continue reading