De l’importance d’un bon masque de nuage pour le traitement automatisé de séries temporelles

=>

 

Le graphique ci-dessus montre une série temporelle de réflectance TOA rassemblée par Sentinel-2 sur un pixel choisi au hasard dans une tuile au centre de la France (tuile 31TDK, pixel 3000-7000), à partir de produits L1C. En regardant la série chronologique, il est assez difficile de dire quel type de surface a été observé, même si un cycle végétatif semble être présent. Comme nous le verrons ci-dessous, la plupart du bruit observé est dû à la présence de nuages ​​ou d’ombres de nuages. 

La courbe ci-dessous montre qu’après avoir retiré tous les nuages ​​et leurs ombres, la réflectance au sommet de l’atmosphère est déjà plus lisse, et il est ainsi beaucoup plus facile de comprendre le type de surface observée.

C’est encore plus facile avec la réflectance de surface sur le graphique du bas : le pixel est un peu vert toute l’année, mais devient beaucoup plus vert au début de l’été. C’est en fait une prairie de moyenne altitude dans le Cantal, en France.

Vous avez probablement remarqué que la correction atmosphérique ainsi que la correction d’effet directionnels, réduisent le bruit, mais la plupart de cette réduction est le résultat de la détection des nuages, réalisée avec la chaîne MACCS. Ces types de séries temporelles sont utilisées dans le traitement de iota2 pour déterminer automatiquement l’occupation des sols. Un masquage de nuage moins précis dégraderait probablement les résultats de cette chaîne. D’ autres collègues, dans le cadre du projet Sen2Agri , utilisent les séries temporelles pour déterminer le début et la fin du cycle végétatif, Un masquage de nuage moins précis ajoutera un peu de bruit dans la série temporelle, fournissant des résultats beaucoup moins précis. Nous produisons également des synthèses mensuelles sans nuages de réflectance de surface qui sont toujours très sensibles à la présence d’un nuage ou d’une ombre oubliés. Nous avons vérifié ce que donnerait le masque de nuages de ​​Sen2Cor (version 2.3.0) pour la même série temporelle. Ce n’est pas si facile car Sen2Cor fournit en fait trois masques de nuages : Probabilité faible (LP), Probabilité moyenne (MP) et Probabilité élevée (HP). Le masque de faible probabilité peut être exclu car chaque pixel un peu brillant est classé comme un nuage. La quantité de fausses détection est encore élevée pour la probabilité moyenne, mais plus réduite avec la probabilité élevée, mais dans ce cas, certains nuages ​​sont manqués. 

Voici trois figures correspondant à 3 cas différents déjà présentés dans cet article (une prairie, une forêt de conifères, et un toit du bâtiment). Chaque figure montre les résultats pour (de haut en bas), MACCS, SEN2COR en utilisant le masque de nuage de probabilité moyenne et SEN2COR en utilisant le masque de nuage de probabilité élevée.

 

  Ces exemples montrent que pour utiliser les séries temporelles de Sen2cor opérationnellement, il faudra ajouter une détection de points aberrants (avec le masque HP), ou accepter d’avoir certains pixels toujours signalés comme nuageux avec le masque MP. Avec MACCS, même si les séries temporelles ne sont pas toujours parfaites, la cohérence des séries chronologiques est bien meilleure et semble pouvoir être utilisée automatiquement sans détection de valeurs aberrantes, au moins dans ces cas choisis aléatoirement.    

Plus d'actualités

Sentinel-2 reveals the surface deformation after the 2025 Myanmar earthquake

Sentinel-2 captured several clear-sky images of Myanmar before and after the 28 March 2025 earthquake. The animation below shows a 5-day apart sequence of images captured by Sentinel-2B and Sentinel-2C (10 m resolution) near the epicenter located close to Mandalay. The surface slip due to the earthquake follows the Sagaing Fault, a major fault in […]

Evolution de l’altitude de la ligne de neige au cours des 41 dernières années dans le bassin versant du Vénéon (Oisans)

Pour contribuer à caractériser les conditions hydrométéorologiques lors de la crue torrentielle qui a frappé la Bérarde en juin, j’ai analysé une nouvelle série de cartes d’enneigement qui couvre la période 1984-2024 [1]. Grâce à la profondeur temporelle de cette série, on constate que l’altitude de la ligne de neige dans le bassin versant du […]

Biophysical parameter retrieval from Sentinel-2 images using physics-driven deep learning for PROSAIL inversion

The results presented here are based on published work: Y. Zérah, S. Valero, and J. Inglada. « Physics-constrained deep learning for biophysical parameter retrieval from sentinel-2 images: Inversion of the prosail model« , in Remote Sensing of Environment, doi: 10.1016/j.rse.2024.114309. This work is part of the PhD of Yoël Zérah, supervised by Jordi Inglada and Silvia Valero. […]

Rechercher