Exploitation of high spatial, spectral and temporal resolution Earth observation imagery for large area land cover estimation

Isabel Rodes Arnau

Résumé

The new generation Earth observation missions such as Sentinel-2 (a twin-satellite initiative prepared by the European Space Agency, ESA, in the frame of the Copernicus programme, previously known as Global Monitoring for Environment and Security or GMES) and Venμs, jointly developed by the French Space Agency (Centre National d’Études Spatiales, CNES) and the Israeli Space Agency (ISA), will revolutionize present-day environmental monitoring with the yielding of unseen volumes of data in terms of spectral richness, temporal revisit and spatial resolution. Venμs will deliver images in 12 spectral bands from 412 to 910 nm, a repetitivity of 2 days, and a spatial resolution of 10 m; the twin Sentinel-2 satellites will provide coverage in 13 spectral bands from 443 to 2200 nm, with a repetitivity of 5 days, and spatial resolutions of 10 to 60m. The efficient production of land cover maps based on the exploitation of such volumes of information for large areas is challenging both in terms of processing costs and data variability. In general, conventional methods either make use of supervised approaches (too costly in terms of manual work for large areas), target specialised local models for precise problem areas (not applicable to other terrains or applications), or include complex physical models with inhibitory processing costs. These existent present-day approaches are thus inefficient for the exploitation of the new type of data that the new missions will provide, and a need arises for the implementation of accurate, fast and minimally supervised methods that allow for generalisation to large scale areas with high resolutions. In order to allow for the exploitation of the previously described volumes of data, the objective of this thesis is the conception, design, and validation of a fully automatic approach that allows the estimation of large-area land cover with high spatial, spectral and temporal resolution Earth observation imagery, being generalisable to different landscapes, and offering operational computation times with simulated satellite data sets, in preparation of the coming missions. This approach is based on the integration of data processing algorithms, such as model learning and classification techniques, and land cover background knowledge on ecological and agricultural issues such as vegetation growth impact variables and practices. For example, the new introduction of temperature as a temporal axis for subsequent model learning incorporates an established vegetation growth factor to machine learning techniques for characterization across landscapes. In particular, attention is paid to deal with different issues, such as automation, missing information (determined by satellite tracks, cloud reflectance effects, shadows and snow presence), limited learning and validation data, irregular time sampling (different number of images available for each period and region, and unevenly distributed in time), data variability, and the possibility of working with different data sets and nomenclatures. To this aim, a processing methodology has been devised, automatic and not requiring any date selection or user manual work, and allowing the use of different nomenclatures and data sets. Thus, the developed methodology demonstrates the feasibility of automatic production of large scale land cover maps, dealing with data volume and variability, limited reference data and missing information, and integrating specialised knowledge and different data processing algorithms. This work is framed by the research support programme Terre, Océan, Surfaces Continentales, Atmosphère (TOSCA) of the Centre National d'Études Spatiales, in relation to three research proposals: Production de cartes d’occupation des sols à échelle régionale a partir de données SPOT HRV multitemporelles by Jordi Inglada, and Traitement et utilisation de séries temporelles d’images LANDSAT pour préparer le traitement et les applications de Venμs et Sentinel-2 and Centre D'ALgorithmie et de VAlidation des Données Venμs et Sentinel-2 (CALVADOVS) by Olivier Hagolle. It is dependent of the doctoral school Sciences de l'Univers, de l'Environnement et de l'Espace (SDU2E) of Paul Sabatier University and it has been developed in the laboratory Centre d’Études Spatiales de la BIOsphère (CESBIO) in Toulouse, France.

Les missions spatiales d'observation de la Terre de nouvelle génération telles que Sentinel-2 (préparé par l'Agence Spatiale Européenne ESA dans le cadre du programme Copernicus, auparavant appelé Global Monitoring for Environment and Security ou GMES) ou Venμs, conjointement développé par l'Agence Spatiale Française (Centre National d 'Études Spatiales CNES) et l'Agence Spatiale Israélienne (ISA), vont révolutionner la surveillance de l'environnement d' aujourd'hui avec le rendement de volumes inédits de données en termes de richesse spectrale, de revisite temporelle et de résolution spatiale. Venμs livrera des images dans 12 bandes spectrales de 412 à 910 nm, une répétitivité de 2 jours et une résolution spatiale de 10 m; les satellites jumeaux Sentinel-2 assureront une couverture dans 13 bandes spectrales de 443 à 2200 nm, avec une répétitivité de 5 jours, et des résolutions spatiales de 10 à 60m. La production efficace de cartes d'occupation des sols basée sur l'exploitation de tels volumes d'information pour grandes surfaces est un défi à la fois en termes de coûts de traitement mais aussi de variabilité des données. En général, les méthodes classiques font soit usage des approches surveillées (trop coûteux en termes de travaux manuels pour les grandes surfaces), ou soit ciblent des modèles locaux spécialisés pour des problématiques précises (ne s'appliquent pas à autres terrains ou applications), ou comprennent des modèles physiques complexes avec coûts de traitement rédhibitoires. Ces approches existantes actuelles sont donc inefficaces pour l'exploitation du nouveau type de données que les nouvelles missions fourniront, et un besoin se fait sentir pour la mise en œuvre de méthodes précises, rapides et peu supervisées qui permettent la généralisation à l'échelle de grandes zones avec des résolutions élevées. Afin de permettre l'exploitation des volumes de données précédemment décrits, l'objectif de ce travail est la conception et validation d'une approche entièrement automatique qui permet l'estimation de la couverture terrestre de grandes surfaces avec imagerie d'observation de la Terre de haute résolution spatiale, spectrale et temporelle, généralisable à des paysages différents, et offrant un temps de calcul opérationnel avec ensembles de données satellitaires simulés, en préparation des prochaines missions. Cette approche est basée sur l'intégration d'algorithmes de traitement de données, tels que les techniques d'apprentissage de modèles et de classification, et des connaissances liées à l'occupation des sols sur des questions écologiques et agricoles, telles que les variables avec un impact sur la croissance de la végétation ou les pratiques de production. Par exemple, la nouvelle introduction de température comme axe temporel pour un apprentissage des modèles ultérieurs intègre un facteur établi de la croissance de la végétation à des techniques d'apprentissage automatiques pour la caractérisation des paysages. Une attention particulière est accordée au traitement de différentes questions, telles que l'automatisation, les informations manquantes (déterminées par des passages satellitaires, des effets de réflexion des nuages, des ombres ou encore la présence de neige), l'apprentissage et les données de validation limitées, les échantillonnages temporels irréguliers (différent nombre d'images disponible pour chaque période et région, données inégalement réparties dans le temps), la variabilité des données, et enfin la possibilité de travailler avec différents ensembles de données et nomenclatures. Dans ce but, une méthodologie de traitement a été mise au point, totalement automatique, où aucune sélection de date ou travail manuel de l'utilisateur est nécessaire, et permettant donc l'utilisation de nomenclatures et ensembles de données différentes. Ainsi, la méthodologie développée démontre la faisabilité de la production automatique de cartes d'occupation du sol à grande échelle, traitant le volume et la variabilité des données, les données de référence limitées et les informations manquantes, en intégrant des connaissances spécialisées et différents algorithmes de traitement de données. Ce travail est encadré par le programme de soutien à la recherche «Terre, Océan, Surfaces Continentales, Atmosphère» (TOSCA) du Centre National d'Études Spatiales, par rapport à trois projets de recherche: Production de cartes d'occupation des sols à échelle régionale a partir de données SPOT HRV multitemporelles par Jordi Inglada, et Traitement et utilisation de séries temporelles d'images LANDSAT pour préparer le traitement et les applications de Venμs et Sentinel-2 et Centre D'ALgorithmie et de VAlidation des Données Venμs et Sentinel-2 (CALVADOVS) par Olivier Hagolle. Il dépend de l'école doctorale Sciences de l'Univers, de l'Environnement et de l'Espace (SDU2E) de l'Université Paul Sabatier et il a été développé au laboratoire Centre d'Études Spatiales de la BIOsphère (CESBIO) de Toulouse, France.

Exploitation of high spatial, spectral and temporal resolution Earth observation imagery for large area land cover estimation

Estimation de l’occupation des sols à grande échelle pour l'exploitation d’images d’observation de la Terre à hautes résolutions spatiale, spectrale et temporelle

Résumé

Mots clés

Domaines

Dates et versions

Identifiants

Citer

Exporter

Collections

Partager