Les effets d'environnement, comment ça marche ?

=>

Comme expliqué dans l'article sur les effets atmosphériques, la diffusion de la lumière par les molécules et les aérosols présents dans l'atmosphère provoque plusieurs effets. La diffusion ajoute un voile aux données (la réflectance atmosphérique), atténue le signal en provenance de la surface (la transmission atmosphérique), et rend les images floues (les effets d'environnement). Cet article s'intéresse aux effets d'environnement, les autres aspects ont été abordés dans le lien fourni ci-dessus.

 

Le schéma ci-joint montre les différents types de trajets que peut suivre la lumière avant d'arriver au capteur. Le Trajet 1 correspond à la réflectance atmosphérique, le trajet 2 est proportionnel à la réflectance de la cible observée atténué par sa traversée de l'atmosphère, c'est celui qui nous intéresse et nous permet de retrouver la réflectance de surface. Les trajets 3 et 4 apportent au capteur une part de signal qui ne provient pas directement de la surface que le satellite observe mais de son voisinage (d'où le nom d'"effets d'environnement"). Ce sont ces trajets qui apportent du flou sur l'image.

 

Les effets d'environnement peuvent engendrer de fortes erreurs lorsqu'on observe une parcelle de végétation entourée de sols nus ou de végétation senescente. Pour un tel cas, la figure ci-dessous présente les erreurs en pourcentage de réflectance et de NDVI, si on ne prend pas en compte les effets d'environnement, en fonction de l'épaisseur optique des aérosols.

 

Il est possible de corriger ces effets de manière approchée, à condition de connaître la quantité d'aérosols. Dans les traitements de la chaîne MACCS, nous procédons de la manière suivante :

 

  1. Nous procédons à la correction atmosphérique en supposant que le paysage est uniforme. Nous obtenons une réflectance de surface sous hypothèse uniforme que nous notons  \rho_{s,unif} .
  2. Nous calculons la réflectance de l'environnement du pixel (  \rho_{s,env} ) en utilisant un filtre de convolution gaussien de 2 km de diamètre, qui calcule une moyenne pondérée de la réflectance environnante. En toute rigueur, ce filtre devrait dépendre de la quantité d'aérosols présents dans l'atmosphère (moins il y a d'aérosols, plus le rayon devrait être grand), et des angles de prise de vue, mais nous n'avons pas encore travaillé sur cet aspect, nous avons donc utilisé un filtre constant.
  3. Nous corrigeons finalement la réflectance des trajets 3 et 4 par la formule suivante :

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

  •  T^{\uparrow}=T_{dif}^{\uparrow}+T_{dir}^{\uparrow} est la transmission atmosphérique montante totale, somme de la transmission atmosphérique diffuse et directe. s est l'albedo atmosphérique. Toutes ces grandeurs sont déduites de calculs de transfert radiatif et dépendent de la quantité et du type d'aérosols.

 

Cette correction qui implique l'utilisation de convolutions est assez lourde et prend près d'un quart du temps de correction atmosphérique.

 

Exemples de résultats

Les images ci dessous présentent 3 stades de la correction atmosphérique pour deux images Formosat-2 acquises au dessus du Canada, à deux jours d'intervalle, la première image est acquise un jour il y a beaucoup d'aérosols (épaisseur optique de 0.47 d'après nos calculs), alors que la seconde est acquise un jour très clair (épaisseur optique de 0.1 selon nos calculs).

 

  • La première ligne correspond aux images au sommet de l'atmosphère, sans correction atmosphérique. On voit bien que l'image de gaucheest plus floue.
  • La deuxième ligne correspond aux images corrigées en supposant le paysage uniforme. Il s'agit de l'image obtenue à l'issue de l'étape 1 dans la méthode décrite ci-dessus. L'image de gauche est toujours plus floue.
  • La troisième ligne présente ces mêmes images après la correction d'environnement. Dans ce cas, l'image de gauche n'est plus floue, elles est même légèrement trop nette (un peu de sur correction).

Images TOA (à gauche, l'image avec fort contenu en aérosols)

 

Images en réflectance de surface, en supposant le paysage uniforme (à gauche, l'image avec fort contenu en aérosols)

 

Images en réflectance de surface après correction des effets d'environnement (à gauche, l'image avec fort contenu en aérosols)

 

On peut aussi comparer point à point les réflectances pour juger de l'amélioration après correction des effets d'environnement. La courbe ci-dessous compare les images corrigées en supposant le paysage uniforme, et les images corrigées en tenant compte des effets d'environnement. On constate que les points se rapprochent de la diagonale après correction des effets d'environnement. Sur l'image du 27 mai, pour laquelle l'épaisseur optique est la plus forte, on note que les fortes réflectances sont un peu trop faibles, alors que les faibles réflectances sont un peu trop fortes, ce qui correspond bien à une perte de contraste.

L'estimation du contenu atmosphérique en aérosols

=>

Attention, cet article contient des formules !

 

Les aérosols jouent un rôle prépondérant dans les effets atmosphériques. Les aérosols sont des particules en suspension dans l'atmosphère, qui peuvent être de plusieurs types : grains de sable ou poussières, suies issues de combustion, sulfates ou sels marins entourés d'eau... Leur taille peut varier de 0.1 µm à quelques microns, en fonction du type d'aérosols ou de l'humidité de l'air. Quant à leur quantité, elle est extrêmement variable, une pluie pouvant réduire brutalement leur abondance (on parle d'"épaisseur optique d'aérosols"). Ils peuvent faire varier fortement d'un jour à l'autre les réflectances observables depuis le sommet de l'atmosphère et il est donc nécessaire de connaître leur quantité et leur type afin de pouvoir corriger leurs effets.

 

Malheureusement, pour corriger les effets des aérosols, on ne dispose pas de réseau global d'observation des aérosols, seulement d'observations locales, sur les quelques centaines de points du réseau Aeronet. Ce réseau ne peut donc pas être utilisé pour corriger opérationnellement les images de satellites sur de grandes étendues.
Des modèles météorologiques commencent à prédire les quantités d'aérosols, en se basant sur les observations de satellites et la modélisation des sources et du transport des aérosols par les vents, mais ces données ne semblent pas encore avoir une précision suffisante pour être utilisées pour la correction atmosphérique des images.

 

Notre méthode de correction atmosphérique (MACCS) repose donc sur une estimation de l'épaisseur optique des aérosols à partir des images elles-mêmes. Pour bien comprendre le fonctionnement de cette méthode, il faut déjà comprendre les effets des aérosols sur le rayonnement. On a vu, dans ce billet, que les effets de la diffusion peuvent être modélisés ainsi (on suppose l'absorption gazeuse corrigée) :

ρTOA = ρatm +Td ρsurf

La réflectance au sommet de l'atmosphère ρTOA (Top of Atmosphere) est la somme de la réflectance atmosphérique ρatm et de la réflectance de surface ρsurf transmise par l'atmosphère. On cherche à connaître la réflectance de surface, mais à chaque mesure réalisée au sommet de l'atmosphère, on a trois inconnues à déterminer. Pour séparer les effets de l'atmosphère et les effets de la surface, il faut donc utiliser d'autres informations.

 

Méthode du pixel noir

Lorsque l'image contient une surface dont la réflectance est quasi nulle, la réflectance observée au sommet de l'atmosphère devient ρTOA= ρatm. On peut donc en déduire la réflectance atmosphérique, et en utilisant un modèle de transfert radiatif, l'épaisseur optique des d'aérosols. On peut enfin en déduire la transmission diffuse, et finalement calculer ρsurf. Une version encore plus simple et plus approximative consiste à soustraire directement la réflectance du pixel sombre (soit ρatm) à toute l'image. [Chavez, 1988]

 

Cependant, cette méthode revient à supposer qu'il existe bien une surface très sombre dans l'image (ce qui n'est pas toujours le cas), et que la réflectance de cette surface sombre est connue. La méthode suppose aussi que la quantité d'aérosols est constante dans l'image et elle néglige les effets du relief. Les résultats obtenus par cette méthode peuvent donc être assez imprécis. Dans notre méthode (MACCS), nous utilisons cependant la méthode du pixel noir déterminer la valeur maximale de l'épaisseur optique dans la zone.

 

Méthode Multi Spectrale, dite "DDV"

Si on connaît le type d'aérosols présent dans l'atmosphère, il est possible de déduire les  propriétés des aérosols dans une bande spectrale, à partir des propriétés optiques dans une autre bande spectrale.

 

Si on dispose de deux bandes spectrales, on dispose de deux mesures ρsurf et de trois inconnues( les deux réflectances de surface dans ces bandes, et la quantité d'aérosols). Une équation supplémentaire peut être obtenue si on connaît la relation entre les réflectances de surface des deux bandes.

 

La méthode  méthode "Dark Dense Vegetation" (DDV ) est basée sur des hypothèses de relations entre réflectances de surface sur la végétation dense exploitant le fait que le spectre de la végétation dense et verte est un peu toujours le même. La version la plus connue de cette méthode est celle utilisée par la NASA pour le projet MODIS [Remer 2005]. Elle relie les réflectances de surface dans le bleu et dans le rouge avec celles dans le moyen infra-rouge. On dispose ainsi de deux équations qui permettent d’estimer le type d’aérosols et l’épaisseur optique. Cette méthode fonctionne bien en zones tempérées et boréales, mais pas en zones arides, où il est difficile de trouver de la végétation dense. Les premières versions utilisaient les équations suivante :

 

ρBleu = 0.5 ∗ ρSWIR

ρRouge = 0.25 ∗ ρSWIR

 

Les versions suivantes ont un peu compliqué ces équations, sans en modifier le principe. Nos travaux ont montré que l’utilisation de l'équation ci dessous  (la valeur exacte du coefficient est à ajuster en fonction des bandes spectrales de l'instrument):

ρBleu = 0.5 ∗ ρRouge

 

permet une détermination plus précise de l’épaisseur optique, pour des couverts végétaux moins denses (jusqu’à un NDVI de 0.2), car les sols nus de couleur marron respectent aussi cette relation. La méthode ne permet pas, par contre, de déterminer le modèle d’aérosols. Dans le cas de SPOT4 (Take5) l'absence d'une bande bleue ne nous permet pas d'utiliser cette dernière équation, d’où une légère perte en précision.

Ce diagramme montre que la corrélation entre réflectances de surface au dessus de la végétation est bien meilleure pour le couple de bandes spectrales (bleu, rouge) que pour les couples incluant le moyen infra rouge. (SWIR)

 

Méthode Multi Temporelle

On observe dans la plupart des cas que les réflectances de la surface terrestre évoluent lentement avec le temps, alors que le propriétés optiques des aérosols varient très rapidement, d'un jour à l'autre. On peut donc considérer que ce qui change d'une image à l'autre (en dehors de cas particuliers souvent liées à des interventions humaines) est lié aux aérosols, et donc en déduire les propriétés des aérosols pour ensuite corriger les effets atmosphériques. Cette méthode est un peu trop complexe pour être expliquée en détails ici, les lecteurs intéressés pourront se reporter à [Hagolle 2008].

 

Pour que les réflectances de surface soient quasi constantes d'une image à l'autre, il faut cependant que les images soient acquises sous un angle de vue constant. Les changements d'angles d'observation font en effet varier les réflectances : c'est ce qu'on appelle les effets directionnels. Cette méthode ne s'applique donc qu'aux seuls satellites permettant des observations à angle constant.  Elle ne s'applique donc pas aux données SPOT normales mais par contre convient parfaitement aux données SPOT4 (Take5). Elle s'appliquera aussi à Landsat, Venµs et Sentinel-2.

 

En résumé :
Performance de l'estimation de l'épaisseur optique des aérosols sur des séries temporelles d'images Formosat-2,, en fonction de la méthode (multi-spectrale, multi-temporelle, combinée), par comparaison avec les mesures fournies par le réseau de mesures in-situ Aeronet. La méthode multi spectrale fonctionne mieux sur des sites couverts de végétation et moins bien sur des sites arides, la méthode multi-temporelle marche un peu moins bien sur les sites verts, mais beaucoup mieux sur les sites arides. La combinaison des deux méthodes garde le meilleur des deux méthodes élémentaires.

 

Notre méthode MACCS, utilisée pour l'expérience SPOT4 (Take5), et pour les données LANDSAT, VENµS et Sentinel-2, combine les trois méthodes présentées ci-dessus pour obtenir des estimations robustes des épaisseurs optiques d'aérosols. Ces méthodes fonctionnent dans un grand nombre de cas, mais peuvent parfois échouer quand les hypothèses sur lesquelles elles reposent s'avèrent fausses. Elles ont en général tendance à mieux fonctionner sur des zones couvertes de végétation plutôt que dans des zones arides. pour le moment, elles supposent le modèle d'aérosol connu, et dans les prochaines années, nous chercherons des manières fiables d'identifier le type d'aérosols.

 

References :
Chavez Jr, P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3), 459-479.

Remer, L. A., and Coauthors, 2005: The modis aerosol algorithm, products, and validation. J. Atmos. Sci., 62, 947–973.

Hagolle, O and co-authors, 2008. « Correction of aerosol effects on multi-temporal images acquired with constant viewing angles: Application to Formosat-2 images ». Remote sensing of environment 112 (4)

Hagolle, O.; Huc, M.; Villa Pascual, D.; Dedieu, G. A Multi-Temporal and Multi-Spectral Method to Estimate Aerosol Optical Thickness over Land, for the Atmospheric Correction of FormoSat-2, LandSat, VENμS and Sentinel-2 Images. Remote Sens. 2015, 7, 2668-2691.

La production de cartes d'occupation du sol, comment ça marche?

=>

Les cartes d'occupation du sol

D'après Wikipédia, l'occupation du sol désigne pour la FAO (1998) "la couverture (bio-)physique de la surface des terres émergées" et donc le type d'usage (ou de non-usage) fait des terres par l'Homme. La mosaïque paysagère est cartographiée en identifiant les types homogènes de milieux (ex : zones artificialisées, zones agricoles, forêts ou landes, zones humides, etc.).


La connaissance précise de cette occupation du sol est un enjeu crucial pour beaucoup de travaux de recherche et pour de nombreuses applications opérationnelles. Une connaissance précise demande une mise à jour fréquente de ces informations, mais peut aussi nécessiter de remonter dans le temps pour faire une analyse des tendances et proposer des scénarios d'évolution.

 

La possibilité offerte par la télédétection spatiale d'accéder à une vue d'ensemble de grandes régions de façon récurrente constitue donc un atout majeur pour la production de cartes d'occupation du sol.

 

Cependant, pour que ces cartes soient disponibles dans des délais raisonnables et avec une qualité suffisante, il est nécessaire de disposer de méthodes automatiques robustes et fiables, capables d'exploiter de façon efficace les données disponibles.

 

 

Les approches classiques de production

Les approches automatiques de production de cartes d'occupation du sol à partir d'images de télédétection sont souvent basées sur des méthodes de classification d'images.

 

Cette classification peut être :

  • supervisée : on utilise des zones pour lesquelles on connaît l'occupation du sol comme des exemples pour un apprentissage;
  • non supervisée : on regroupe les pixels de l'image par similarité et on reconnait les classes ensuite.

La classification supervisée fournit souvent de meilleurs résultats, mais elle nécessite des données de référence pour l'apprentissage qui sont coûteuses à obtenir (campagnes sur le terrain, photo-interprétation, etc.). C'est cependant cette approche qui est utilisée dans les travaux actuels du CESBIO, comme par exemple l'édition d'une carte d'occupation des sols annuelle sur la France (avec LANDSAT 8, en attendant Sentinel-2).

 

 

L'apport du multi-temporel

Jusqu'à récemment, les cartes d'occupation du sol à échelle cartographique fine ont été presque exclusivement produites à partir d'un petit nombre de dates et ceci principalement à cause du manque de séries multi-temporelles denses fournies par des capteurs à haute résolution spatiale. L'accent était donc mis sur la richesse spectrale des images pour distinguer les différentes classes d'occupation du sol.

 

Cependant, cette approche "monodate" ne permet pas de distinguer des classes qui auraient la même signature spectrale à une date d'acquisition donnée, mais une signature différente à une autre date (des sols nus qui deviendront des cultures différentes plus tard). Pour pallier à cette difficulté, plusieurs dates peuvent être utilisées, mais cela demande une sélection spécifique de dates en fonction de la nomenclature visée.

 

Par exemple, dans l'image de gauche, acquise au mois de mai, il est très difficile de dire où sont les parcelles de colza et quelles sont les parcelles de blé. Sur l'image de droite, acquise au mois d'avril, les parcelles de colza en fleur sont très faciles à distinguer des parcelles de blé bien vert.

 

]

Image du mois d'avril. Les parcelles de colza en pleine floraison sont parfaitement visibles, elles apparaissent en jaune Image du mois de mai. Les parcelles vert clair sont des cultures d'hiver, blé ou colza principalement. Où sont les champs de Colza ?

 

Si l'on souhaite mettre en place des systèmes opérationnels et génériques (indépendants des sites cartographiés et donc des nomenclatures visées), il faut assurer une acquisition d'images fréquente et régulière. Ceci sera rendu possible par la mission Sentinel-2, et déjà, sur les données de démonstration issues de Formosat-2 et SPOT4 (Take 5). En plus, on peut montrer que le fait de disposer d'une haute résolution temporelle peut être plus intéressant que de disposer d'une grande diversité spectrale. Par exemple, la figure suivante montre des résultats de performances de classification (indice  \kappa ; plus il est élevé, mieux c'est) en fonction du nombre de dates utilisées pour la classification. On a utilisé des images Formosat-2 (4 bandes spectrales) et des simulations Vénµs (12 bandes) et Sentinelle-2 (13 bandes). On constate qu'à partir d'un nombre suffisant de dates utilisées, la richesse spectrale de Vénµs et Sentinelle-2 est rattrapée par une description fine du comportement temporel obtenu avec le simple capteur Formosat-2.

kappaVFS.png

 

 

Ce qui peut être attendu de Sentinelle-2

Sentinelle-2 a des caractéristiques uniques dans le paysage des systèmes d'observation de la Terre :

  • fauchée de 290 km.;
  • résolution spatiale de 10 à 60 m. en fonction des bandes spectrales;
  • revisite de 5 jours (avec 2 satellites);
  • 13 bandes spectrales.

Les systèmes de résolution spatiale comparable (SPOT ou Landsat) ont des revisites plus faibles et moins de bandes spectrales. Les systèmes de revisite similaire, ont une résolution spatiale plus faible (MODIS) ou des fauchées réduites (Formosat-2).

 

Avec le type de données fournies par Sentinelle-2 il est possible d'envisager le développement de systèmes de production de cartes d'occupation du sol capables d'actualiser les informations une fois par mois à l'échelle globale. La dimension temporelle, permettra de distinguer des classes dont les signatures spectrales sont très proches pendant une grande partie de l'année. La résolution spatiale améliorée permettra de travailler avec des unités minimales de cartographie plus fines.

 

Cependant, la mise en oeuvre opérationnelle de tels systèmes nécessitera une attention particulière aux besoins de validation des produits générés et aux énormes volumes de données à traiter.

 

Les cartes d'occupation produites par un tel système devront suivre une validation à échelle régionale, voire globale. De plus, comme les données de référence seront limitées, il faudra se passer au maximum de techniques d'apprentissage et essayer d'intégrer des connaissances a priori (physiques ou expertes) dans les chaînes de traitement.

 

Enfin, même si la capacité d'acquisition des nouveaux systèmes spatiaux sera améliorée, il y aura toujours des trous dans les données (nuages, par exemple). Les chaînes de traitement devront donc savoir combler ces trous, ou en tout cas y être robustes.

 

 

Les travaux du CESBIO

Danielle Ducrot, Antoine Masse et de nombreux stagiaires du CESBIO ont fabriqué récemment une grande carte d'occupation des sols sur la chaîne des Pyrénées à partir de données multi-temporelles de LANDSAT à 30 mètres de résolution. Cette carte, qui représente un vrai travail d'orfèvre, contient 70 classes. Elle a été réalisée en trois parties à partir des images peu nuageuses collectées par les satellites Landsat au cours de l'année 2010.

 

 

Carte d'occupation des sols à 70 classes obtenue à partir de séries temporelles d'images LANDSAT.

Dans sa thèse, Antoine travaille sur les méthodes qui permettent de sélectionner les meilleures dates pour réaliser une classification. De son côté, Isabel Rodes s'intéresse aux méthodes qui permettent d'utiliser toutes les images disponibles sur des zones très étendues tout en gérant les données manquantes (nuages, ombres) et le fait que tous les pixels ne sont pas vus aux mêmes dates. Ces 2 approches sont complémentaires : l'une permet de travailler avec des nomenclatures très détaillées, mais demande l'intervention d'opérateurs humains, l'autre est complètement automatique, mais moins ambitieuse en termes de détails de la classification.

 

Une troisième approche est explorée au CESBIO dans le cadre de la thèse de Julien Osman : l'utilisation de connaissances a priori de type quantitatif (à partir de données historiques) et qualitatif (connaissances d'experts thématiques) pour guider les systèmes de classification automatique.

 

Nous vous décrirons plus en détails ces différentes approches dans des billets à venir.

 

 

Premiers masques de nuages sur SPOT4(Take5)

=>

Maintenant que vous savez presque tout sur nos méthodes multi-temporelles de détection des nuages et de leurs ombres, nous pouvons vous présenter nos premiers résultats obtenus par Mireille Huc avec SPOT4 (Take5). Nous avons dû pour cela attendre d'avoir suffisamment de données pour initialiser correctement cette méthode multi-temporelle. Ces masques ne sont pas (encore) parfaits, mais ils sont déjà tout à fait présentables.

 

Nous présentons ci-dessous une série de 6 images de niveau 1C, exprimées en réflectances au sommet de l'atmosphère, avec superposition des masques de nuages, des ombres de nuages, et aussi des masques d'eau et de neige. Les nuages sont entourés en vert clair, leurs ombres sont entourées de noir, l'eau et la neige sont respectivement entourées de bleu et de rose. Cliquez deux fois sur les images pour voir les masques en détail. Ces images ont été acquises en Provence, chacune d'entre elles est le résultat de la fusion de 4 images SPOT4 de 60*60 km2, acquises simultanément, et ortho-rectifiées.

 

Le résultat est très honorable, la plupart des nuages, y compris de très fins nuages, sont détectés, et les grandes plages d'ombres ont également été repérées. Les fausses détections de nuages et d'ombres sont assez rares, et finalement, le masque de nuages est sévère mais juste. Le masque d'eau est très précis et quasiment sans fausse détection. Le masque de neige présente quelques manques, là où la couverture de neige reste partielle.

 

Cependant, nous ne doutons pas que votre regard, de plus en plus expert, saura trouver des nuages très fins non détectés dans le coin Nord est de la première image, quelques fausses détections de nuages sur la troisième, ainsi que dans cette même image, une partie de la neige, quand la couverture de neige est partielle, qui reste classée comme nuage au lieu de d'être classée comme neige. Sur la cinquième image, qui a une charge d'aérosols un peu plus forte, quelques parcelles de sols nus au centre de l'image sont classées nuageuses. C'est dû à une augmentation de la réflectance en raison d'une probable baisse de l'humidité des sols après de fortes pluies. Le seuil de détection des nuages au-dessus de l'eau pourrait également être relevé, certains étangs de Camargue sont déclarés nuageux à tort. Mais en pourcentage, ces petites erreurs sont bien faibles comparées à la qualité des détections et nous affinerons tous ces seuils quand nous disposerons d'un plus grand nombre d'images de test.

Sur la quatrième date, seules deux images (60*60 km²) sur les quatre sont disponibles car la couverture nuageuse sur la partie ouest du site était trop forte pour que l'ortho-rectification puisse fonctionner. En fait, on pourrait dire que l'étape d'ortho-rectification constitue notre premier filtre de nuages...

 

Les nuages sont entourés en vert clair, leurs ombres sont entourées de noir, l'eau et la neige sont respectivement entourées de bleu et de rose. Cliquez deux fois sur les images pour voir les masques en détail à 40m de résolution.

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.

Le Pôle Thématique Surfaces Continentales THEIA

(English Version)

Le "Pôle Thématique Surfaces Continentales" THEIA est une structure nationale inter-organismes destinée à valoriser les données satellitaires, en premier lieu au service de la recherche environnementale sur les terres émergées, et en second lieu des politiques publiques de suivi et de gestion des ressources environnementales. Son objectif est de faciliter la mesure de l’impact des pressions anthropiques et du climat sur les écosystèmes et les territoires, observer, quantifier et modéliser les cycles de l’eau et du carbone, de suivre les évolutions des sociétés et de leurs activités, notamment de leurs pratiques agricoles, et de comprendre les dynamiques de la biodiversité.

Au sein de ce Pôle Thématique, le CNES met en place un centre de production MUlti Satellite, multi-CApteurs, pour des données multi-TEmporelles (MUSCATE). Ce centre a pour but de mettre à disposition des utilisateurs des produits prêts à l'emploi issus de séries temporelles d'images acquises sur de grands territoires. La mission Sentinel-2 sera bien sûr le fer de lance de ce centre de production, mais avant le lancement de la constellation, MUSCATE a d'ores et déjà produit les données issues de l'expérience SPOT4 (Take 5). En même temps, le centre de traitement prépare aussi l'exploitation de toutes les données LANDSAT acquises au dessus de la France continentale, de 2009 à 2011.

Le centre de production MUSCATE existe déjà sous la forme d'un prototype développé au CNES avec un fort soutien de la société CAP GEMINI. Ce prototype est déjà capable de traiter les données des satellites LANDSAT, SPOT, Formosat-2, Venµs et Sentinel-2, à partir de chaînes développées au CNES pour le traitement géométrique [1], au CESBIO pour la détection des nuages [2] et pour la correction des effets atmosphériques [3]. En parallèle, le développement d'un centre de production opérationnel est en phase de spécification.

Les produits fournis par le centre MUSCATE sont les suivants :

Simulations des produits SPOT4(Take5) à partir d'images Formosat-2

  • Niveau 1C (Données ortho-rectifiées en réflectance au sommet de l’atmosphère)
  • Niveau 2A (Données ortho-rectifiées en réflectance de surface après correction atmosphérique,  avec un masque des nuages et de leurs ombres, ainsi qu'un masque des surfaces d’eau et de neige).
  • Niveau 3A (Synthèses bi-mensuelles ou mensuelles de réflectances de surface, constituées de la moyenne pondérée des réflectances de surface des pixels non nuageux obtenus au cours de la période). Pour le moment, la chaîne de Niveau 3A n'existe que pour le satellite Venµs.

Les données produites par le centre MUSCATE seront autant que possible distribuées gratuitement aux laboratoires de recherche d'une part, et aux institutions publiques françaises d'autre part. Le PTSC disposera bien sûr, dans les mois qui viennent d'un serveur de distribution des données, dont la première version est en cours de finalisation.

[1]: 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.

[2]: Hagolle, Olivier, Mireille Huc, David Villa Pascual, et Gérard Dedieu. 2010. « A multi-temporal method for cloud detection, applied to FORMOSAT-2, VENµS, LANDSAT and SENTINEL-2 images ». Remote Sensing of Environment 114 (8) (août 16): 1747‑1755. doi:10.1016/j.rse.2010.03.002.

[3]: Hagolle, O, G Dedieu, B Mougenot, V Debaecker, B Duchemin, et A Meygret. 2008. « Correction of aerosol effects on multi-temporal images acquired with constant viewing angles: Application to Formosat-2 images ». REMOTE SENSING OF ENVIRONMENT 112 (4) (avril 15): 1689‑1701. doi:10.1016/j.rse.2007.08.016.

 

Sentinel-2, Spot-4, Take-5

(English version)

Lors de la fin de vie de chaque satellite, le CNES fait un appel à idées pour des expériences de courte durée se déroulant avant la désorbitation du satellite. Le CESBIO a saisi l'occasion de la fin de vie du satellite SPOT4 pour proposer l'expérience Take 5, qui consiste à faire de SPOT4, pendant 4 mois, un simulateur des séries temporelles que fournira la mission Sentinel-2 de l'ESA.

 

Le morceau Take 5, écrit par Paul Desmond dans l'album Time Out de Dave Brubeck, a la particularité d'être écrit sur un rythme à 5 temps

Le premier satellite de la mission Sentinel-2 devrait être lancé d'ici deux ans, le deuxième satellite devrait le suivre 18 mois plus tard. A eux deux, ces satellites nous fourniront tous les 5 jours des images à haute résolution de toutes les terres émergées... ou des nuages qui les recouvrent. Malgré ces nuages, les utilisateurs seront assurés d'avoir  accès à des données sans nuages au moins une fois par mois. L'arrivée de ces données devrait donc provoquer une révolution dans l'utilisation des données de télédétection.

 

Pour ne pas perdre de temps à l'arrivée des Sentinel-2, il est nécessaire de nous préparer dès aujourd'hui à l'utilisation de ces données. Or, il n'existe pas, à l'heure actuelle, de données permettant de simuler parfaitement les caractéristiques de Sentinel-2 :

  • L'ESA s'est attachée à fournir des jeux de données simulant les bandes spectrales de l'instrument, mais ces données, issues de données aéroportées, ne sont pas multi-temporelles.
  • Le CNES et l’Agence Spatiale Israélienne développent le projet Venµs, dont l'objectif est de fournir des séries temporelles à haute répétitivité, mais son lancement est prévu vers la fin de l’année 2014. Les calendriers de lancement de Venµs et Sentinel-2 sont donc très proches.
  • Le CESBIO a fourni des séries temporelles d'images de FORMOSAT-2 et LANDSAT, mais dans le premier cas, les données ne couvrent que des zones de 20*20 km, alors que dans le second cas, la répétitivité des données est très inférieure à celle qu'on attend de Sentinel-2.

Après 6 mois d'études de faisabilité et de recherche de financement, le CNES vient de décider de lancer l'expérience Take 5. Le 29 janvier, l'orbite de SPOT 4 sera abaissée de 3 kilomètres pour lui donner un cycle de 5 jours, ce qui veut dire que le satellite survolera les mêmes endroits sur terre tous les 5 jours. Spot4 restera sur cette orbite jusqu'à fin mai 2013. Pendant cette période, 42 sites vont être observés tous les 5 jours, comme dans le cas de Sentinel-2. Les données seront traitées et distribuées par le PTSC, et distribuées aux utilisateurs vers la fin du mois de juin 2013 ; elles seront fournies aux deux niveaux suivants :

  • Niveau 1C (Données ortho-rectifiées en réflectance au sommet de l'atmosphère)
  • Niveau 2A (Données ortho-rectifiées en réflectance de surface après correction atmosphérique, accompagnées d'un masque des nuages et de leurs ombres, ainsi que d'un masque d'eau et de neige).
Simulations des produits SPOT4(Take5) à partir d'images Formosat-2