Correction des effets directionnels pour les synthèses mensuelles de Sentinel-2

=>

Les orbites de Sentinel-2

L’orbite de Sentinel-2 a été calculée pour que les fauchées observées par le satellite aient une petite intersection à l’équateur. La largeur de cette intersection augmente rapidement lorsqu’on s’éloigne de l’équateur et qu’on se rapproche des pôles. A la latitude de la France (45 degrés), c’est quasiment la moitié des surfaces qui pourront être observées à deux reprises, à partir de deux fauchées adjacentes.C’est d’ailleurs un peu injuste car ce seront toujours les mêmes endroits qui seront observés deux fois tous les 5 jours, alors que d’autres endroits ne seront observés qu’une fois, mais à la verticale. Le site Sudmipy du CESBIO semble faire partie des endroits observés deux fois, mais, je ne suis pas sûr de disposer des orbites définitives de Sentinel-2).

La correction directionnelle.

 Bref, le problème, c’est qu’un point à l’intersection de deux fauchées adjacentes sera observé sous deux angles différents et n’aura pas les mêmes réflectances sur les deux images, en raison des effets directionnels. Or les utilisateurs de nos données (oui, vous) nous demandent souvent des images de synthèses mensuelles (si possible sans nuages), et assemblant les données acquises depuis plusieurs orbites, de préférence sans que les coutures entre orbites soient visibles. Pour obtenir de tels produits, il faut donc pratiquer une correction des effets directionnels.

Synthèses mensuelles calculées avec la méthode de la moyenne pondérée, sans correction directionnelle à gauche, avec correction directionnelle à droite.

N.B.. Les points verts que l’on voit par-ci par là sont des pixels invalides, car tout le temps nuageux ou saturés (sur SPOT, les saturations sont fréquentes, ce qui ne sera pas le cas sur Sentinel-2)

 Pour cela, il existe des modèles directionnels, comme celui de Roujean, ou ceux de Ross-Li, qui permettent de modéliser l’évolution des réflectances en fonction des angles de prise de vue et des angles solaires, avec une précision correcte pour la plupart des surfaces. Ils se présentent sous la forme suivante :

\( \rho= \rho_0 (1 + K_1. F_1(angles), + K_2. F_2 (angles))\)

 

\( \rho\) est la réflectance dans les conditions de la prise de vue, \( \rho_0 \) est la réflectance pour une direction donnée (par exemple, observation à la verticale et élévation solaire à 45 degrés), F1 et F2 sont des fonctions directionnelles qui dépendent des angles de prise de vue et des angles solaires, et \( K_1 et K_2 \) sont les coefficients du modèle directionnel, qui vont en général dépendre de la nature du pixel observé. Dans le cas de Sentinel-2, nous avons la chance que les différences d’angles de prise de vue entre deux orbites adjacentes soient faibles, tout au plus 20 degrés. Nous avons donc tenté de trouver des coefficients moyens qui fonctionneraient à peu près pour tous les paysages. Pour trouver ces coefficients, nous avons utilisé les sites de l’expérience SPOT4 (Take5) qui ont été observés sous deux angles différents. Il s’agit de Maricopa (aux USA), Midi-Pyrénées, Bretagne et Provence en France. Il s’agit de paysages très différents, avec du désert et de l’agriculture irriguée à Maricopa, un paysage agricole varié en Bretagne et en Midi-Pyrénées, et un paysage de forêts méditerranéennes et de vignes en Provence. Nous avons utilisé tous les couples d’images claires séparées par moins de 5 jours et cherché les coefficients \( K_1 et K_2 \) qui permettent de minimiser les différences. Enfin, ces coefficients ont été utilisés pour corriger les données et produire les composites. Les produits de synthèses mensuelles, sont finalement obtenus en calculant la moyenne des pixels non nuageux pendant une période de 42 jours. Les images ci-dessus présentent les derniers résultats obtenus par Mohamed Kadiri sur le site de CESBIO près de Toulouse. à gauche, sans correction directionnelle, à droite avec correction directionnelle. Le dégradé de couleurs qui apparaît sur la partie droite de l’image de gauche, sans correction, disparaît presque complètement sur l’image de droite (avec correction). Il en va de même pour toutes les dates et pour les 3 autres sites, et j’ai choisi ici l’image qui comportait les effets les plus prononcés. Sachant que la différence angulaire entre les images SPOT acquises depuis des orbites adjacentes est plus grande que pour Sentinel-2, je pense qu’on peut
espérer obtenir de bons résultats avec Sentinel-2 avec cette méthode simple.Ceci dit, notre échantillon statistique, composé de 4 sites est largement insuffisant, ces résultats devront donc être confirmés, par exemple avec SPOT5 (Take5), ou avec les premières données de Sentinel-2 (c’est bientôt !) 

Même figure que ci-dessus pour le site Provence-Languedoc.

 

Même figure que ci-dessus pour le site Bretagne

Fauchée d’un instrument : c’est la surface observée par un satellite au cours d’un passage.

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