Correction des cirrus sur les images de Sentinel-2 et Landsat 8

=>Grâce à notre collaboration avec le DLR, qui a mis au point la méthode [1], nous avons mis en place dans MAJA une correction des cirrus fins pour LANDSAT 8 et Sentinel-2. Cette correction utilise la bande cirrus située à 1.38 µm, qui permet d’estimer la réflectance des cirrus qui est ensuite soustraite des autres bandes avec un facteur de proportionnalité calculé empiriquement. 

La chaîne MAJA est faite pour traiter automatiquement de grandes séries de données, il n’est donc pas possible de contrôler visuellement ses sorties pour décider d’appliquer ou non, la correction des cirrus. Or, même si cette correction donne souvent de bons résultats, qui paraissent même parfois magiques, comme dans l’image ci-contre, elle n’est pas toujours fiable, pour plusieurs raisons :

  • certains cirrus sont trop épais pour être corrigés,
  • d’autres sont trop inhomogènes (car la bande cirrus n’observe pas sous le même angle que les autres bandes),
  • lorsqu’on corrige le cirrus, l’ombre du nuage apparaît souvent en dessous
  • le facteur empirique peut être imprécis

 Nous avons donc décidé de n’appliquer la correction qu’aux pixels classés comme cirrus, que les traitements automatiques n’utilisent pas.  Il nous a donc fallu lisser un peu le résultat au niveau des contours pour éviter que des discontinuités n’apparaissent [2]. Si vous souhaitez utiliser ces pixels correspondant à des cirrus après correction, nous recommandons de ne le faire qu’après avoir visualisé l’image. Voici donc quelques exemples de résultats. Les animations ci-dessous alternent la sortie actuelle de MAJA, sans correction des cirrus (RUN2), avec celle que nous aurons dans quelques jours (RUN3). Vous pouvez remarquer que seuls les pixels situés à l’intérieur des contours verts changent.

Quelques autres exemples issus de Sentinel-2. N’hésitez pas à cliquer pour voir les images à meilleure résolution. Sur l’image au centre, l’algo a tenté de corriger un nuage plutôt épais, et la correction laisse apparaître une zone sombre, qui n’est pas une réussite sur le plan esthétique. Mais pas de problème pour l’utilisation des données, la zone est bien marquée comme nuageuse.

 Quelques autres exemples issus de Landsat-8 :

References

[1] Richter, Rudolf, Xingjuan Wang, Martin Bachmann, and Daniel Schläpfer. « Correction of cirrus effects in Sentinel-2 type of imagery. » International journal of remote sensing 32, no. 10 (2011): 2931-2941.[2] Olivier Hagolle, Mireille Huc, Camille Descardins, Stefan Auer, Rudolf Richter, MAJA Algorithm Theoretical Basis Document, https://doi.org/10.5281/zenodo.1209633

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