MUSCATE bientôt prêt à produire les niveau 2A de Sentinel-2

=>MUSCATE est un nom que vous avez pu lire à plusieurs reprises sur ce blog. Il s’agit du centre de production mis en place par le CNES pour Theia.  Nous avions un prototype de MUSCATE pour traiter les données SPOT (Take5), Landsat 8 ou SpotWorldHeritage. Mais pour la production des données de Sentinel-2, il nous fallait passer à la dimension supérieure. En se fondant sur le retour d’expérience du prototype, le CNES a lancé le développement d’une version opérationnelle de MUSCATE. Le développement est piloté par Joelle Donadieu et Céline l’Helguen, au CNES, et il a été confié à la société CAP GEMINI. Le système s’appuie aussi fortement sur l’excellent centre de calcul du CNES pour la production, et c’est bien sûr la chaîne MACCS qui fait les corrections atmosphériques et la détection des nuages. Le système a été livré au CNES il y a quelques semaines et il est en cours de qualification technique. C’est un système extrêmement automatisé : après une phase de configuration, il ne reste plus qu’à déposer les données sur un répertoire prévu à cet effet, et les données sont progressivement assimilées, traitées en parallèle sur le cluster, et distribuées aux utilisateurs, sans intervention humaine.Le système vient par exemple de traiter, en un rien de temps, les séries Sentinel-2 disponibles sur 16 tuiles, pour produire des niveaux 2A de Sentinel-2. Vous verrez ci-contre un extrait du catalogue avec des données produites sur l’Afrique du Sud. Avant la mise en exploitation, prévue en juin ou juillet, il reste quelques étapes à franchir, notamment la prise en main de l’outil par les équipes d’exploitation, et la correction des petits bugs découverts lors de la première phase de qualification. La plus ennuyeuse correspond à la fonction de préparation des modèles numériques de terrain nécessaire à la fonction de correction des effets du relief, qui est tombée sur un bug dans une fonction de rééchantillonnage de gdal. Il nous faut donc un peu de travail pour contourner ces problèmes. Ceci dit, je vous laisse admirer quelques uns des masques de nuages produits par MUSCATE et MACCS sur des données Sentinel-2 de la tuile 29RNQ au Maroc, au sud de Marrakech. L’image du 27 février a été acquise juste après une forte chute de neige sur l’Atlas qui malheureusement a vite fondu. Cette région vit d’ailleurs une forte sécheresse cette année. Les données sont corrigées des effets atmosphériques avec MACCS. Les nuages détectés par MACCS y sont entourés en vert, la neige en rose et l’eau en bleu. Tous les nuages sont bien détectés, les fausses détections très rares, et la seule confusion fréquente est la classification des couvertures neigeuses partielles en nuages. Les ombres seront détectées avec la prochaine version de MACCS, qui reprend les améliorations apportées pour Take5 et Landsat 8 par Mireille Huc du CESBIO. 

29 décembre 201518 janvier 201617 février 2016
27 février 201618 mars 201616 avril 2016

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