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.

 

 

The directional effects, how they work

Riddle : from which of these two ballons was the picture taken ? Solution is at the end of the post.

Among Sentinel-2, LANDSAT, Venµs or SPOT4 (Take 5) features, there is one which is frequently forgotten: it is the possibility to observe all lands every 5th day under constant viewing angles. This way of observing limits the directional effects which are one of the most perturbing effects for reflectance time series. Yet, these effects are not always known by the users of time series of remote sensing images.

The way directional effects modify the reflectances is highly visible n the pictures below, which were taken from an helicopter with the same parameters except for the viewing angles. The image on the left was taken with the back to the sun, in the backscattering direction, while the picture on the right was taken at 90 degrees from that direction.

 

Conifer forest observed from an helicopter, in backscattering direction (the helicopter shadow is visible). Note the nearer from the helicopter shadow, the higher thereflectance, as tree shadow are no more visible Conifer forest observed from an helicopter, at 90 degrees from the backscattering direction. Reflectance is much lower since the shadows cast by the trees are visible as well as the shadows cast by the needles on the needles below (Pictures F.M. Bréon)

 

Depending on the observation angles and the solar angles, the reflectances measured by a satellite will change a lot, and we can therefore talk of "reflectance anisotropy", even if "directional effects" is the most frequently used locution. The way they change depends on the surface type : a flat sand desert will have little anisotropy (see next figure on the left), and the surface is said "quasi lambertian". On the contrary, a calm water surface will behave as a mirror, and will exhibit a very strong reflectance peak on the direction opposite to the sun direction, with regard to the vertical. Finally, vegetation always exhibits reflectance peak in the back scattering direction, for which the solar and viewing angles are quasi identical (see the plot below, on the right). On this plot, a reflectance variation greater than 30% can be observed in a couple of degrees. This phenomenon is called Hot Spot, and it is due to the fact that from this direction, one can only see the sunlit faces. Finally, the plot shows that for an angle variation of 40 degrees, the surface reflectance may change by a factor two. The directional effects should thus not be neglected.

 

Reflectances of a desert, observed by the POLDER instrument, as a function of the phase angle (angular distance to the backscattering direction). In red, the Near Infrared band, in green, the red band. Reflectances of a cropland, observed by the POLDER instrument, as a function of the phase angle (angular distance to the backscattering direction). In red, the Near Infrared band, in green, the red band.

 

The wide field of view instruments, such as MODIS, SPOT/VEGETATION, MERIS, VIIRS or Proba-V, and the high resolution ones with a pointing capability, such as SPOT, Rapid-Eye or Pleiades, deliver time series acquired under changing angles. Their reflectances time series are thus very noisy if no correction is attempted. NDVI time series are less noisy, because both red and Near Infrared spectral bands exhibit similar variations. Several correction methods were implemented, but their results are far from perfect.

 

In order to avoid all these troubles, my CESBIO colleagues F.Cabot and G. Dedieu invented the RHEA concept, which consists in putting the satellite on an orbit with a short repeat cycle (1 to 5 days), in order to observe a given site under constant angles. The VENµS satellite stems from this concept, and Sentinel-2 and SPOT4 (Take5) as well. Formosat-2 has also a repeat cycle of one day, but this feature is mainly due to the fact that the Taiwan island can be observed every day from that orbit. Regarding LANDSAT, I do not now if its designers wanted to minimize directional effects, but of course their choice was a good choice.

Thanks to the satellites that observe under constant viewing angles, the noise on time series is really decreased, as shown on the plot below, which gives the surface reflectances  of a wheat pixel (24*24 m²) in Morocco, observed by Formosat-2 during a whole growing season.

Surface reflectances as a funcion of time for a wheat pixel in Morocco.

Finally, it is the hot spot phenomenon, which gives the solution to the riddle above, since the balloon on the left is surrounded by a brighter halo. It means that the direction around the left ballon is the backscattering direction, and therefore that the observer was on this ballon. This is also proven by the complete photograph (taken by A. Deramecourt, a CNES colleague).  I think my colleague saw some poetry in the two balloons hugging, which I hope you still can  appreciate, while, because of my professional bias, I only see a mere hot-spot.

 

 

Les effets directionnels, comment ça marche ?

Devinette : depuis laquelle de ces deux montgolfières la photographie a t'elle été prise ? Solution à la fin de l'article.

=>

Parmi les caractéristiques de Sentinel-2, de LANDSAT, de Venµs ou de SPOT4 (Take 5), il y en a une qui est très fréquemment oubliée : c'est la possibilité d'observer toutes les terres avec une répétitivité des observations tous les 5 jours sous des angles constants. Les observations sous des angles constants permettent de limiter les effets directionnels, et ces effets directionnels sont l'un des perturbateurs principaux, et pourtant mal connus des séries temporelles d'images optiques.

L'amplitude des variations directionnelles est visible sur les images ci-dessous, qui ont été acquises depuis un hélicoptère, avec les mêmes paramètres de prise de vue, excepté l'angle de vue. L'image de gauche a été acquise avec le soleil dans le dos, en rétrodiffusion, l'image de droite a été acquise à 90 degrés de la direction solaire.

 

Forêt de conifères observée depuis un hélicoptère, en conditions de rétrodiffusion (l'ombre de l'hélicoptère est visible). Noter que la réflectance diminue lorsqu'on s'éloigne de l'hélicoptère, au fur et à mesure que les ombres deviennent visibles Forêt de conifères observée à 90 degrés de la direction de rétrodiffusion. La réflectance est bien plus faible puisque les ombres des arbres sur le sol et sur la végétation sont visibles (Photos F.M. Bréon)

 

En fonction de l'angle sous lequel on observe une scène, et en fonction des angles solaires, les réflectances que nous allons mesurer peuvent varier fortement, on parle donc d' "anisotropie des réflectances", même si le terme consacré est "les effets directionnels". La manière dont elles varient dépend fortement du type de surface. Un désert bien plat présentera très peu d'anisotropie (cf figure ci-dessous, à gauche), on parle alors d'une surface quasi Lambertienne. En revanche une surface d'eau bien calme, se comportant comme un miroir présentera une très forte anisotropie dans la direction spéculaire. Enfin, la végétation présente un pic de réflexion dans la direction de rétrodiffusion (cf ci-dessous, à droite), pour laquelle les angles solaires et de visée sont quasiment identiques. On note sur cette courbe qu'à proximité de la direction de rétrodiffusion, on observe une variation des réflectances de 30 à 40% en quelques degrés. Ce phénomène est appelé le "hot spot'. Au total, en quarante degrés, on assiste à une variation d'un facteur 2 des réflectances. Ce phénomène est  donc loin d'être négligeable.

 

Evolutions des réflectances d'un désert, observées par POLDER, en fonction de l'angle de phase (écart angulaire avec la direction de rétrodiffusion). En rouge, la bande proche infra rouge, en vert, la bande rouge. Evolutions des réflectances d'une zone de cultures, observées par POLDER, en fonction de l'angle de phase (Courbes produites par F.M. Bréon). En rouge, la bande proche infra rouge, en vert, la bande rouge.

 

Les instruments spatiaux à large champ de vue, comme MODIS, SPOT/VEGETATION, MERIS, VIIRS, tout comme les satellites à haute résolution qui dépointent, comme SPOT, RapidEye, Pleiades, produisent donc des séries temporelles acquises sous des angles différents d'un jour à l'autre. Les séries temporelles de réflectances sont donc très bruitées, puisque des variations d'un facteur 2 des réflectances ne sont pas rares. Celles de NDVI le sont un peu moins car, comme on le voit ci-dessus, les deux bandes rouge et proche infra rouge ont un comportement similaire. De nombreuses méthodes de correction des effets directionnels ont été mises en place, j'en ai proposé une pour SPOT VEGETATION, mais malgré tout, les résultats sont loins d'être parfaits.

 

C'est pour éviter tous ces tracas que mes collègues du CESBIO, F. Cabot et G. Dedieu ont inventé le concept de RHEA, qui consiste à mettre le satellite sur une orbite avec un court cycle orbital (1 à 5 jours), afin de revoir un même site sous un angle de vue constant. Venµs découle de ce concept, tout comme Sentinel-2 et SPOT4 (Take5). Formosat-2 a lui aussi un cycle à un jour, même si cette caractéristique est surtout due à la petite taille de l'ile de Taïwan, qu'on peut donc observer tous les jours. Quant à Landsat, je ne sais pas si la minimisation des effets directionnels était une des contraintes qui ont abouti à la définition actuelle, mais c'était un bon choix.

 

Grâce aux satellites à prise de vue sous un angle constant, le bruit des séries temporelles est fortement diminué, comme le prouve la courbe ci-dessous, issue de l'observation d'un pixel de blé (24*24m) au Maroc, par Formosat-2. Les trous sont dus à la couverture nuageuse, et à des problèmes de prise de vue sur Formosat-2 (enregistreur déjà plein après le passage sur l'Europe).

Réflectances en fonction du temps pour une parcelle de blé au Maroc.

Finalement, le hot spot nous permet de deviner depuis laquelle des deux montgolfières la photo a été prise : c'est celle de gauche comme le prouve la photo entière ci dessous (prise par Arnaud Deramecourt, un collègue du CNES). La montgolfière de gauche est entourée d'un halo plus clair correspondant au hotspot, on est donc en condition de rétrodiffusion, avec l'observateur dos au soleil. L'observateur est donc dans la montgolfière de gauche.  Je pense qu'Arnaud voyait un peu de poésie dans ces deux ombres de montgolfières tendrement enlacées, et j'espère que vous pouvez toujours l’apprécier,  alors que pour ma part, par déformation professionnelle, je n'y vois qu'un affreux hot-spot.