=>
Dans un précédent billet, j’ai montré un exemple de série temporelle obtenu sur un pixel de forêt de pins, qui met en valeur la bonne qualité des séries temporelles que l’on obtient avec les données Sentinel-2, traitées au niveau 2A par THEIA en utilisant la chaîne MACCS. (les données de niveau 2A sont corrigées des effets atmosphériques et fournies avec un masque de nuages et d’ombres de nuages). Malgré cette bonne qualité, il restait cependant un certain bruit apparent, et j’avais attribué une partie de ce bruit aux effets directionnels, les données présentées ayant été acquises depuis deux orbites différentes de Sentinel-2, donc sous des angles différents.
Correction des effets directionnels :
Je suis à peu près sur qu’il y a quelques sceptiques parmi les lecteurs de ce blog (j’en connais même quelques uns !), qui pourraient imaginer que les effets directionnels ont bon dos, et que les erreurs proviennent d’ailleurs. Pour essayer de les convaincre, j’ai fait tourner le modèle de correction directionnelle développé au CESBIO pour produire des synthèses mensuelles de niveau 3A pour Sentinel-2.Ce modèle est un modèle constant qui suppose que toutes les surfaces ont les mêmes variations directionnelles. Cette hypothèse est fausse, bien sûr, mais il se trouve qu’elle est à peu près juste quand on la restreint aux angles d’observation proches de la verticale, dans le cas de LANDSAT 8 et Sentinel-2. Ce modèle est décrit comme le « modèle constant » dans cet article :
La même approche a été utilisée dans la référence ci-dessous, et confirmé sur un jeu de données beaucoup plus conséquent. Les deux modèles sont très proches l’un de l’autre :Roy, D.P., Zhang, H. K., Ju, J., Gomez-Dans, J. L., Lewis, P.E., Schaaf C.B., Sun, Q., Li, J., Huang, H., Kovalskyy, V., 2016, A general method to normalize Landsat reflectance data to nadir BRDF adjusted reflectance, Remote Sensing of Environment, 176, 255-271. Pour les résultats affichés ci-dessous, nous avons utilisé des angles constants par tuile et par date, même s’il serait plus précis d’utiliser des angles différents pour chaque pixel.
Resultats :
Voici donc quelques résultats : pour chaque figure, le diagramme du haut présente la réflectance de surface en fonction du temps pour les 4 bandes à 10m de Sentinel-2, alors que le diagramme du bas donne l’épaisseur optique d’aérosols. Les images alternent la présentation des séries temporelles avec et sans correction directionnelle.
Forêt de pins
Une autre forêt de pins
Une culture d’hiver
Une parcelle de rie (en Camargue) (la réflectance dans le proche infra-rouge devient très faible quand la parcelle est inondée)
Le fameux site d’étalonnage de la Crau, composé d’herbe et cailloux
Le toit d’un bâtiment
Une étendue d’eau (étang du Vaccarès)
Commentaires
Comme on peut le voir sur les 5 premières figures (pins, cultures, la Crau), la correction directionnelle réduit le bruit apparent des séries temporelles, qui tourne autour d’un écart-type de 0.01 (pour des pixels de 50m x 50m : en raison des performances actuelles de superposition des données, nous en pouvons pas travailler à pleine résolution). Bien sûr, quelques anomalies peuvent être observées : nous avons identifié que certaines d’entre elles viennent d’un nuage fin non détecté, ou de l’ombre d’une trace d’avion. Cette performance déjà très bonne devrait encore s’améliorer avec la prise en compte des angles par pixel (j’aurais pu le faire là, mais j’ai eu la flemme…), et quand la superposition des données par points d’appuis sera opérationnelle, et enfin quand Sentinel-2B sera là, pour améliorer la répétitivité des observations. Enfin, les deux dernières figures, qui correspondent à un toit et un lac montrent que le modèle directionnel, estimé sur des surfaces rugueuses n’est pas adapté aux surfaces lisses. C’est ce qui nous empêche d’intégrer cette correction aux produits de niveau 2A, mais nous distribuerons un outil pour que vous puissiez les appliquer chez vous.. Et finalement, si vous trouvez que la séries temporelle au dessus de l’eau apparaît bruitée, ce n’est probablement pas le cas : les couleurs des étangs peu profonds de Camargue changent très rapidement, en fonction du vent, des pluies et des variations du niveau de l’eau. . Enfin, rappelons que la qualité de la détection des nuages et de leurs ombres particpe grandement à la qualité des séries temporelles. Si vous devez traiter un grand jeu de données, comme par exemple la France entière en 2016, vous ne pouvez pas consacrer à chaque image du temps pour valider la qualité des masques. Et quelques nuages oubliés suffisent à ruiner la qualité d’une série temporelle. Pour cette raison, nous avons choisi de rendre nos masques très sévères, et leur probabilité de déclarer à tort un pixel comme nuageux est un peu plus importante que celle de l’oublier. C’est pour cette raison que nous dilatons assez fortement nos masques de nuages.