SEN2VENµS, un jeu de données pour l’entraînement d’algorithmes de super-résolution pour Sentinel-2

=>

Nous sommes heureux d’annoncer la publication de SEN2VENµS, un dataset pour l’entraînement d’algorithmes de super-résolution pour Sentinel-2 !

Julien Michel, Juan Vinasco-Salinas, Jordi Inglada, & Olivier Hagolle. (2022). SEN2VENµS, a dataset for the training of Sentinel-2 super-resolution algorithms (1.0.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.6514159

Une description détaillée du jeu de donnée a été publié sous la forme d’un data paper au journal MDPI Data :

Michel, J.; Vinasco-Salinas, J.; Inglada, J.; Hagolle, O. SEN2VENµS, a Dataset for the Training of Sentinel-2 Super-Resolution Algorithms. Data 2022, 7, 96. https://doi.org/10.3390/data7070096

L’idée de SEN2VENµS est née lors de l’étude phase-0 Sentinel-HR: rechercher des conjonctions entre VENµS et Sentinel-2, c’est à dire des images acquises le même jour sur la même zone. Si lors de la phase-0, nous avons utilisé un premier jeu comportant 5 sites VENµS pour un total de 11 105 patches, pour constituer SEN2VENµS, nous avons élargi la recherche à 29 sites VENµS pour lesquels Theia produit des niveau 2A Sentinel-2, fournissant ainsi une variété de paysages très importante. Au total, 132 955 triplets de patches ont été générés : pour un patch VENµS de 256×256 pixels à 5 mètres de résolution, contenant les bandes correspondantes aux bandes B2, B3, B4, B5, B6, B7, B8 et B8A de Sentinel-2, on retrouve un patch Sentinel-2 de 128×128 pixels à 10 mètres de résolution contenant les bandes B2, B3, B4, B8, et un patch Sentinel-2  de 64×64 pixels à 20 mètres de résolution contenant les bandes B5, B6,B7, B8A. Décompressé, le dataset pèse ainsi pas moins de 116 Go!

S’il peut bien sûr être utilisé pour évaluer des approches classiques de super-résolution mono-image (Single Image Super-Resolution), ce dataset permettra également de développer et d’évaluer des méthodes spécifiques à Sentinel-2, permettant de traiter de manière jointe les bandes à 10 mètres et les bandes à 20 mètres pour les ramener à 5 mètres de résolution.

SEN2VENµS est disponible en accès libre sur Zenodo dans la licence des produits originaux (Etalab Open Licence Version 2.0 pour les L2A Sentinel-2 produits par Theia et Creative Commons BY-NC 4.0 pour les produits VENµS produits par Theia).

Exemples de patches contenus dans le dataset SEN2VENµS, avec les données S2 sur les colonnes paires, et les données VENµS sur les colonnes impaires, et pour les différentes bandes spectrales. Cliquer pour zoomer.

 

 

 

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