Une image claire en Bretagne, une !

Mosaïque de 120*120 km sur la Bretagne. (c) CNES, traitement CESBIO.

Ça n'arrive pas tous les jours d'observer une grande partie de la Bretagne (120*120 km²) sans aucun nuage, surtout au cours de ce mois de février 2013 très nuageux en France.

Évidemment, en prenant une image tous les 5 jours, la probabilité d'observation augmente, mais je pense que nous avons eu beaucoup de chance...

 

 

 

La détection des nuages, comment ça marche ?

=>

Les nuages sont blancs, brillants, plutôt hauts dans le ciel. Leur température est en général plus basse que celle de la surface. Ils se déplacent et changent d'aspect, il n'y a donc jamais le même nuage au dessus du même endroit. Les nuages produisent des ombres sur le sol.

Toutes ces propriétés peuvent être utilisées pour détecter automatiquement les nuages.

 

Détection classique

Lorsqu'on ne dispose pas d'une série temporelle, la technique de base consiste à seuiller l'image d'une des bandes spectrales dans les courtes longueurs d'onde, de préférence dans le bleu. Les pixels dont la réflectance dépasse le seuil sont déclarés nuageux. Cette méthode n'est cependant pas très subtile et souvent ne parvient pas à détecter les nuages fins, elle fait aussi de nombreuses fausses détections. On peut aussi vérifier que le nuage est blanc, mais l'apport de cette vérification n'est pas énorme car les nuages fins ne sont pas parfaitement blancs, alors que de nombreux pixels brillants sont blancs, dans les villes par exemple.

 

Détection multi-temporelle

Les nuages détectés par la méthode multi-temporelle sur cette image Formosat-2 sont entourés de blanc. Noter que certaines parcelles agricoles sont plus brillantes que certains nuages. Cliquer sur l'image pour voir l'animation.

Lorsqu'on dispose de séries temporelles d'images de satellites à acquisition systématique, obtenues sous un angle à peu près constant, comme c'est le cas pour SPOT4(Take5),  Venµs, LANDSAT, Sentinel-2, on peut utiliser des critères temporels pour détecter les nuages.

 

La réflectance des surfaces terrestres évolue en général lentement, mais lorsqu'un nuage apparaît, la réflectance augmente brusquement. En comparant donc l'image à traiter avec une image précédente, on peut classer comme nuages les pixels pour lesquels la réflectance dans le bleu a notablement augmenté. On peut aussi vérifier que les pixels ainsi détectés ont un spectre plus blanc que dans l'image précédente. Cette méthode améliore très fortement la discrimination entre pixels nuageux et pixels clairs.

 

Cependant, cette méthode de détection présente un coût, car elle oblige à traiter les données dans l'ordre chronologique et empêche un traitement indépendant par image. Elle complique donc le centre de traitement et nuit également à la parallélisation des traitements. C'est cependant cette méthode que nous mettons en place dans MUSCATE, pour traiter les données de SPOT4(Take5), LANDSAT, Venµs et Sentinel-2.

 

Pour en savoir plus sur cette méthode, utilisée dans la chaîne de niveau 2A MACCS :

Hagolle, O., Huc, M.,  Villa Pascual D., & Dedieu, G. (2010). A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENµS, LANDSAT and SENTINEL-2 images. Remote Sensing of Environment, 114(8), 1747-1755.

 

Détection des nuages hauts dans une bande d'absorption

Les traces d'avion seront beaucoup plus faciles à détecter avec la nouvelle bande 1380nm présente sur Landsat 8 et Sentinel-2.

Sur Sentinel-2 et sur Landsat 8, une nouvelle bande spectrale sera disponible, avec une longueur d'onde de 1380 nm. Cette bande spectrale correspond à une bande d'absorption totale de la vapeur d'eau. A cette longueur d'onde, le rayonnement solaire est totalement absorbé dans son aller retour entre le sommet de l'atmosphère et la surface. En revanche, le rayonnement réfléchi par un nuage à plus de 3000 mètres d'altitude n'est pas totalement absorbé car la vapeur d'eau est majoritairement située dans les basses couches de l'atmosphère. Cette bande va donc nous permettre de détecter les nuages élevés, même s'ils sont fins. Les cirrus sont en général très difficiles à détecter, ce n'est plus le cas avec cette méthode, que avons mise en place dans MACCS pour ces deux satellites.

 

Détection par la température

Les nuages hauts sont en général plus froids que la surface, la présence d'une bande thermique sur les satellites Landsat permet d'utiliser ce critère de détection. Cependant, les variations thermiques de la surface sont importantes d'un jour à l'autre, il est donc difficile de détecter les nuages bas, dont la température est proche de celle de la surface. Nous n'avons pas retenu cette méthode qui ne s'applique qu'à LANDSAT.

 

Détection stéréoscopique

Le satellite Venµs possède deux bandes identiques qui observent les scènes sous deux angles différents. Cette bande permet donc de voir le relief, avec une précision modérée, mais suffisante pour distinguer les nuages de la surface terrestre. Nous utiliserons cette méthode pour Venµs, en complément de la méthode multi-temporelle. Elle devrait permettre de détecter les nuages situés à plus de 500 mètres d'altitude, et surtout, la connaissance de cette altitude facilitera la détection des ombres.

 

Détection des ombres

La détection des ombres est expliquée ici.

The cloud detection : how it works.

=>

Clouds are white, bright, rather high in the sky. Their temperature is generally lower than that of the surface. They move and change appearance, and they cast shadows on the ground.

All these properties can be used to automatically detect clouds.

 

Standard detection

The basic technique consists in thresholding the image of a spectral band in the short wavelength range (preferably a blue band). Pixels whose reflectance is above the threshold are declared cloudy. This method is not very subtle and often does not detect thin clouds, it also makes many false detections. We can also check that the cloud is white, but the contribution of this verification is not really effective, because thin clouds are not perfectly white, while many bright pixels are white, in cities for example.

 

Multi-temporal detection

The clouds detected by the multi-temporal methodon this FORMOSAT-2 image are outlined by white contours. Note that some agricultural plots are brighter than some clouds, with nearly no confusion. Click on the image to view animation

A multi-temporal detection may be applied when time series of satellite images are available, if they are acquired with a roughly constant viewing angle, as in the case of SPOT4 (Take5), Venμs, LANDSAT, and Sentinel-2.

Usually, reflectances of land surfaces change slowly, but when a cloud appears, the reflectance increases sharply. So, by comparing the processed image with a previous image, the pixels for which the reflectance in the blue increased significantly can be classified as clouds, provided the detected pixels have a whiter spectrum than in the previous image. This method greatly improves the discrimination between cloudy and clear pixels.

However, this detection method has a cost, because it requires to process the data in chronological order and therefore prevents processing the image independently. It complicates the processing center and also affects the parallelization of processing. However, this method is implemented in MAJA processor, to process SPOT4 (Take5), LANDSAT, Venμs and Sentinel-2 time series.

For more details on this method, used in MACCS Level 2A processor :

Hagolle, O., Huc, M., Villa Pascual D., & Dedieu, G. (2010). A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENµS, LANDSAT and SENTINEL-2 images. Remote Sensing of Environment, 114(8), 1747-1755.
Detection of high clouds using an absorption band

Plane contrails will be much easier to detect with the new 1380nm band available on Landsat 8 and Sentinel-2.

On Landsat 8 and Sentinel-2,  a new spectral band is available, at 1380 nm. This spectral band corresponds to a strong water vapour absorption band. At this wavelength, the solar radiation is totally absorbed in his back and forth between the top of the atmosphere and the surface. In contrast, the radiation reflected by a cloud above 3000 meters is not totally absorbed as water vapor is mainly located in the lower layers of the atmosphere. Therefore, a simple threshold on the reflectance of this band enables to detect high clouds. Cirrus clouds are usually very difficult to detect, it will not be the case with this method which is also used within MAJA for LANDSAT-8 and Sentinel-2 satellites.

 

Thermal Infrared detection

High clouds are usually colder than the surface, the presence of a thermal band on Landsat satellites enables to use this property as a detection criterion. However, the thermal variations of the earth surface from a day to another are large, and prevent from detecting low clouds which have a temperature close to that of earth surface. We have not used this method as it applies only to LANDSAT.

 

3D detection

The Venµs satellite has two identical bands that observe scenes from two slightly different angles. This couple of bands makes it possible to see the terrain in 3D, with a moderate accuracy, but sufficient to tell the clouds from the surface. We use this method to detect clouds on Venμs data, in addition to the multi-temporal method. It should detect clouds  more than 500 meters high, and most importantly, knowing the cloud altitude will help detecting shadows.

 

Shadow detection

To be continued

Première série temporelle de produits de niveau 2A pour SPOT4(Take5)

=>

Nous poursuivons la vérification des différentes étapes de nos chaînes de traitement. Nous avons obtenu jeudi dernier nos premières séries temporelles, je les ai ortho-rectifiées et mosaïquées vendredi, et nous avons pu tester nos chaînes de détection de nuages et de correction atmosphérique à partir de la première série temporelle de trois images traitée. Celle-ci a été obtenue sur le site Marocain de la vallée du Tensift : Marrakech se trouve près du centre de l'image et la chaîne de montagnes au Sud-Est de l'image est l'Atlas.

 

Les images sur la colonne de gauche sont des images ortho-rectifiées, exprimées en réflectance au sommet de l'atmosphère (les produits de Niveau 1C), alors que les images de la colonne de droite, produites par Mireille Huc au Cesbio, sont des données après correction atmosphérique et détection des nuages, de l'eau et de la neige (les produits de Niveau 2A). Tout de suite, nous avons constaté que la détection des nuages ne poserait pas trop de de problèmes, mais en regardant bien, sur l'image du 10 février, il y a dans le coin nord ouest quelques traces d'avions très diffuses ainsi que leurs ombres, partiellement détectées (traces d'avions entourées en rouge, ombres en noir). Les zones en eau et les zones neigeuses sont également correctement détectées, même s'il manque quelques zones où la couverture de neige est partielle.

 

Quant à la correction atmosphérique, basée sur une méthode multi-temporelle de détection des aérosols, elle a réussi à déterminer que l'image du 5 février est beaucoup plus "brumeuse" (on dit "chargée en aérosols") que les images du 31 janvier et du 10 février. L'image du 5 février (colonne de gauche) a un subtil voile bleuté, dû aux aérosols, plus accentué. Sur la colonne de droite, on ne distingue pas de changement de teinte d'une image à l'autre, ce qui montre que la détection des aérosols et la correction atmosphérique ont bien fonctionné. Il y a sur ce site un photomètre qui sert à mesurer l'épaisseur optique des aérosols, malheureusement, il est tombé en panne juste au moment du démarrage de l'expérience Take5. C'est la loi de Murphy...

 

Voilà, nous avons donc parcouru tous les éléments de la chaîne de traitement, il ne nous reste plus qu'à vérifier que nos paramètres fonctionnent dans toutes les conditions offertes par les 42 sites de l'expérience, ce qui n'est pas un mince travail.

 

Produits de Niveau 1C exprimés en réflectances au sommet de l'atmosphère. (c) CNES, traitement CESBIO Produits de Niveau 2A exprimés en réflectances de surface après correction atmosphérique (c) CNES, traitement CESBIO

Les images d'épaisseur optique des aérosols sont affichées ci-dessous. On note la plus forte épaisseur optique sur l'image du 5 février, au Nord de l'Atlas, alors que l'épaisseur optique n'a pas changé au sud de l'Atlas. Cette situation est très vraisemblable car les montagnes forment souvent une barrière aux aérosols qui restent en général à basse altitude. Les zones oranges correspondent au masque de neige tandis que les zones rouges correspondent au masque de nuages. Les taches brillantes sur la dernière image pourraient bien être des artefacts.

First Level 2A time series of SPOT4 (Take5) images

(aerosol images have been added at the end of the post)
=>

The verification of the various steps of our SPOT4(take5) processing scheme is going on. On Thursday, we received our first time series, I orthorectified them on Friday, and we were then able to start testing our level 2A processor with the first time series. The one displayed below was obtained on the CESBIO site in Tensift valley : Marrakech is near the center of the image, while the Atlas mountains are in the South East part of the image.

The images on the left column are ortho-rectified, and expressed in Top of Atmosphere reflectance (Level 1C product), while the right column displays the same images after atmospheric correction and cloud detection (Level 2A products), produced by Mireille Huc (CESBIO).

We quickly figured out that the cloud detection would be easy on these very clear images, even if on the February 10th, several diffuse plane contrails can be hardly seen but are partially detected, and some of their shadows as well (clouds are circled by red lines, while shadows are circled by a black line). No false cloud detection is visible. Water bodies and snow are also correctly detected for this first try (circled in blue and purple respectively)

The atmospheric correction, based on a multi-temporal method that detects the aerosols, enabled to detect that the image of February the 5th was hazier than the images of January 31st and February 10th.The February 5th image (left column) has a subtle blueish haze compared to the other dates. On the right column, the tint is roughly constant from one image to the other, which means that the aerosol detection and the atmospheric correction are working well. The aerosol images provided below are also very consistent, with the Atlas mountains playing their role of physical barrier blocking the aerosols on either side of the images. There is an aerosol measurement station on this site but it broke down at the end of January, just for the start of the experiment : Murphy's law...

So, we have reviewed and tested all the steps of the processing, but we still have to check that our methods are sufficiently robust to handle correctly the very diverse situations offered by the 42 sites. How do you say, in English "ce n'est pas une mince affaire" ?

Level 1C products expressed in reflectance at the top of atmosphere.
(c) CNES, processing : CESBIO
Level 2A products expressed in surface reflectance after atmospheric correction
(c) CNES, processing : CESBIO

Aerosol optical thickness images are displayed below. One can note that the image of the February 5th is consitent with a lot of aerosols in the North of the Atlas, and nearly no aerosols in the South. The mountains often act as barriers for the aerosols witch usually stay at a low altitude. The orange dots correspond to the snow mask whereas the red ones correspond to the cloud mask. The brighter spots on the last image may be artifacts.

L'ortho-rectification, comment ça marche ?

=>

L' "ortho-rectification" est une correction géométrique des images qui a pour but de les présenter comme si elles avaient été acquises depuis la verticale (en télédétection, on dit "au nadir"). En pratique, il s'agit de rendre l'image acquise par le satellite superposable à une carte.

Nous disposons de beaucoup d'informations pour réaliser cette opération :

  • on sait où il se trouve au moment de la prise de vue
  • on sait comment il est orienté
  • on sait comment l'instrument est orienté dans le satellite.

Sur les satellites récents (Pleiades), la précision de ces informations permet de positionner les pixels à mieux que 10 mètres près. Ce n'est pas le cas pour SPOT4, dont l'écart-type de la précision de localisation est de l'ordre de 400 mètres.

Image SPOT4 de niveau 1A en géométrie brute (en Angola) Image de Niveau 1C, ortho-rectifiée

 

Dans le cas de SPOT4, il faut donc "recaler les images", en utilisant des points d'appuis. Prendre un point d'appui consiste à lier un pixel de l'image à un point sur la carte. On peut créer des points d'appuis manuellement en identifiant, par exemple, un même croisement de routes sur la carte et sur l'image.

 

On peut aussi heureusement le faire automatiquement en utilisant une technique appelée "corrélation automatique" que je ne décrirai pas ici. Pour cela, on utilise une image de référence bien localisée et un bon modèle numérique de terrain (une carte du relief). La méthode que nous utilisons est la suivante :

  1. A partir de l'image de référence et des informations fournies par le satellite (les "données auxiliaires"), on simule l'image observée par SPOT4,
  2. on utilise la corrélation automatique (il existe d'autres méthodes) pour observer les décalages entre l'image simulée et l'image réelle.
  3. On en déduit une correction des données auxiliaires pour supprimer les décalages
  4. On peut donc trouver pour chaque point de la carte son correspondant dans l'image
  5. Il ne reste plus qu'à créer la carte par interpolation.

 

Dans nos chaînes, toutes ces opérations sont réalisées à partir d'un logiciel du CNES appelé SIGMA. Ce logiciel n'est pas distribué, mais des fonctions équivalentes existent dans l'OTB (Cf ci-dessous)

 

Pour l'expérience Take5, sur les sites situés en France, nous utilisons une image de référence réalisée par le projet GEOSUD (composante du PTSC), sur la France entière, obtenue à partir de données des satellites RapidEye. Le travail géométrique de correction de ces données RapidEye a été réalisé par l'IGN, les performances de localisation sont très bonnes.

 

Hors de France, nous ne disposons pas d'une telle référence, et nous avons décidé d'utiliser des données issues des satellites LANDSAT, dont la qualité de positionnement est honorable quoique d'un niveau inférieur à celui de GEOSUD (de l'ordre de 30 mètres), mais qui sont disponibles sur le monde entier. Mais nous ne pouvons pas nous permettre de rechercher, pays par pays les meilleures cartographies disponibles.

 

Cette opération demande une dizaine de minutes par image sur nos machines.

 

Pour en savoir plus :

  • Baillarin, S., P. Gigord, et O. Hagolle. 2008. « Automatic Registration of Optical Images, a Stake for Future Missions: Application to Ortho-Rectification, Time Series and Mosaic Products ». In Geoscience and Remote Sensing Symposium, 2008, 2:II‑1112‑II‑1115. doi:10.1109/IGARSS.2008.4779194.

The orthorectification : how it works

=>

The "orthorectification" is a geometrical correction of images that aims at presenting them as if they had been captured from the vertical (in the remote sensing community, we say from "Nadir"), In practice, it transforms the satellite picture in an image that can be regiistered on a map.

 

To do that, the raw (L1A) product provides us with a lot of information

  • we know where the satelllte was when the picture was taken
  • we know how it the satellite is oriented
  • we know how the instrument is oriented in the satellite.

 

On recent satellites (Pleiades), the accuracy of this information allows positioning pixels to better than 10 meters. This is not the case for SPOT4, for which the standard deviation of the positioning accuracy is around 400 meters.

SPOT4 Level 1A image with a raw geometry (in Angola) SPOT4 Level 1C orthorectified image

 

In the case of SPOT4, we must "register" the images, using ground control points (GCP).  To take a GCP is to link a pixel of the image to a point on the map. You can create a GCP manually by identifying, for example, the same crossroads on the map and the image. Fortunately, you can also do this automatically using a technique called "automatic image matching", that I will not describe here.

 

For this, we use a reference image accurately located,  and a good digital terrain model (a relief map). The method we use is as follows:

  • From the reference image and the information provided by the satellite (the "ancillary data"), we simulate the image that should have been observed by SPOT4 if these ancillary data were accurate
  • We use automatic image matching to measure shifts between the simulated image and the actual image.
  • We deduce how the auxiliary data need to be corrected to remove these offsets
  • We are the able to find the location of all the points in the map within the L1A satellite image
  • Finally, the map is created by interpolation

 

All these operations are carried out using a software developed by CNES, called SIGMA. SIGMA is not distributed outside CNES, but many other frameworks exist among which the OTB, which is also a CNES tool.

 

For the SPOT4(Take5) sites located in France, we use a reference image made by the GEOSUD project  (a component of the French National Land Data Center), covering the whole of France and obtained from RapidEye satellite data. The orthorectification of RapidEye data was conducted by IGN, and its localization performance is very good.

 

Outside France, we do not have such a reference, and we decided to use data from LANDSAT satellites : the quality of positioning of LANDSAT data honorable, though at a lower level than GEOSUD (about 30 meters), but it has the main advantage of being available worldwide.

 

The orthorectification of a SPOT4(Take5) image takes 10 minutes on our computers (using only one core).

 

In more details :

  • Baillarin, S., P. Gigord, et O. Hagolle. 2008. « Automatic Registration of Optical Images, a Stake for Future Missions: Application to Ortho-Rectification, Time Series and Mosaic Products ». In Geoscience and Remote Sensing Symposium, 2008, 2:II‑1112‑II‑1115. doi:10.1109/IGARSS.2008.4779194.

Trop de neige dans les Pyrénées !

 

Mercredi dernier pour fêter la première image claire au-dessus des Pyrénées depuis le début de Take 5, nous avons voulu visiter le site de Bassiès en Ariège où se concentrent les mesures nivologiques du site SudMiPy. Pas loin du but, nous avons dû rebrousser chemin devant un passage un peu risqué ! Une première équipe du labo GEODE partie un peu plus tôt a pu atteindre le plateau où se trouve notre station météo (1650 m).

Trop de neige à Bassiès

Si mes calculs sont exacts ... (photo : T. Houet)

Hélas, ils n'ont pas vu la station qui est engloutie sous trois à quatre mètres de neige. Nous savions que les capteurs de la station étaient sous la neige grâce à la télé-transmission qui tient bon, mais nous n'imaginions pas qu'elle serait submergée à ce point.

Mesure de densité

Au retour nous avons creusé une fosse pour estimer la densité du manteau neigeux. A cet endroit nous avons mesuré 700 mm d'équivalent en eau.

La station était-elle sous-dimensionnée ? Les habitants du coin nous parlaient de 1 à 2 m de neige en hiver à cette altitude. Le bulletin neige de Météo-France indique que les hauteurs de neige dans les Pyrénées sont actuellement "3 à 4 fois les valeurs normales (...) nettement au-dessus des moyennes dépassent largement les valeurs record des 30 dernières années." Dans Libération le 15 février on pouvait lire : "Dans les Pyrénées, quand trop de neige tue la neige".

Caméra automatique

Caméra automatique et vue sur la vallée de Bassiès (photo: T. Houet)

Outre la station il y a trois caméras automatiques qui dominent la vallée de Bassiès pour suivre l'évolution de l'enneigement dans le paysage en même temps que SPOT4. Ces caméras ont également souffert des conditions météo et vont devoir être réinstallées avant le début de la fonte.

La prochaine fois on monte en hélico !

 

Première mosaïque sur le site SudMiPy / 13 images mosaic on SudMipy site

Mosaique de 13 images ortho-rectifiées exprimées en réflectance au sommet de l'atmosphère. Il s'agit bien sûr d'une image sous échantillonnée, l'image entière fait 1.3 GO, et 14000*12000 pixels. Sur cette composition colorée (Rouge,PIR,MIR), la neige apparaît en bleu et se distingue bien des nuages


=>

Et voici la première ortho-image (N1C) fusionnant les 13 images prises par SPOT4 sur le site SudMiPy, les 16 et 17 février. La zone couvre 280*160 km². Les 13 images de Niveau 1A ont été livrées par SpotImage ce matin, et nous avons produit les ortho-images dans l'après midi, en utilisant le prototype du centre de production MUSCATE du Pôle Thématique Surfaces Continentales (seule la supervision des traitements se fait encore à la main, plus pour très longtemps)

bleu

Comme prévu, l'image est totalement claire, à part quelques brouillards dans la vallée de la Garonne et quelques cirrus sur l'ouest des Pyrénées (Au nord-est et au sud, il s'agit de neige).
Les observateurs attentifs auront remarqué la frontière entre la zone acquise le 16 et celle acquise le 17. Cette frontière est due en partie aux effets directionnels et en partie aux effets atmosphériques. Je vous en reparlerai une autre fois.


=>

Here is the first ortho-image (Level 1C) obtained from the 13 images taken by SPOT4 above the SudMiPy site in the South West of France, on the 16th and 17th of February 2013. The Level 1A images were delivered by SpotImage this morning, and we processed them this afternoon using the prototype of MUSCATE processing center. Only the scheduling of the processing was hand made, but we will soon have an automatic scheduler.

Enfin, du ciel bleu sur SudMipy !

Après 15 jours de nuages, le soleil est revenu sur le Sud Ouest de la France, pour le week-end des 16 et 17 février.  C'est l'occasion de démarrer la campagne de prises de vue sur le site SudMiPy. Les images acquises par SPOT4 ce week-end n'ont pas encore été descendues du satellite, mais d'autres satellites (MSG) nous ont montré que le ciel était clair. Il me semble aussi que le ciel était assez clair sur la Bretagne et l'Aquitaine, lors du passage du 15 février.

Image MSG (Visible) du 16/2 (source Eumetsat)
Image MSG (Visible) du 17/2 (source Eumetsat)

Pour visualiser les images MSG des derniers jours.