The Inframetrics 760 airborne thermal infrared data on the

The Inframetrics 760 airborne thermal infrared data
on the ReSeDA experiment
7-bis-Quality assessment and second recalibration of brightness
temperature maps
(second version by T. Wassenaar)
(this chapter is partially written in french, sorry for this inconvenience)
7-bis-1-Ré-étalonnage de « RawSBTMed » à l’aide de mesures au sol
La validation des estimations Inframetrics 760 à l’aide de mesures au sol réalisée par F. Jacob
a montré l’existence d’un biais important (voir 7-Quality assessment and first recalibration of
brightness temperature maps). Estimant que cela était dû à une mauvaise calibration du
capteur, des relations linéaires ont été établies (pour chaque altitude et chaque jour) entre les
mesures au sol et la valeur du pixel dans lequel cette mesure est supposée avoir été effectuée.
Le mot « supposée » indique ici une première hypothèse qui avait été sous-entendue. On peut
en discerner un certain nombre d’autres qui méritent d’être explicitées et vérifiées dans la
mesure du possible. Ceci est d’autant plus important que l’application de cette régression a
une forte incidence sur les données et donc sur leur qualité.
Les hypothèses de comparabilité reconsidérées :
•
comparabilité temporelle : l’ensemble des lignes de vol, chacune d’une durée d’environ
2 minutes, est acquis sur une durée de près de ¾ d’heure, en général à proximité du midi
solaire. Toutes les images sont acquises instantanément et sont comparées à la moyenne
de la température mesurée en routine au sol pendant le temps total d’acquisition. La
température connaît une variabilité temporelle parfois non-négligeable alors que
l’ensemble des pixels couvrant un site de mesure au sol donné est souvent acquis pendant
une durée très limitée. De plus, de part la composition des images et leur normalisation
temporelle, la valeur du pixel correspond à la médiane des valeurs acquises sur ce pixel au
cours de l’ensemble du vol. Sans considérer l’heure précise d’acquisition, différente pour
chaque comparaisons « pixel-mesure au sol », nous constatons que la médiane par pixel
devra être comparée à une valeur moyenne mesurée au sol qui a des caractéristiques
temporelles différentes. L’évolution précise de cette température n’est pas considérée dans
la régression, car nous souhaitons considérer la température comme « normalisée » et
n’évoluant pas pendant cette intervalle. L’ampleur de l’évolution constitue cependant un
indicateur de la qualité du re-étalonnage ;
•
comparabilité directionnelle : les sites de mesures au sol sont supposés être observés
par la caméra dans des configurations géométriques comparables à celle des mesures au
sol (i.e. un angle zénithal de quelques 10 à 25° vers le sud), et là où cette configuration
diffère cela est supposé avoir peu d’influence. Cela paraît acceptable pour les observations
réalisées à 3000m altitude dont on ne retient que les angles inférieur à 20°. Par contre
l’angle zénithal de visée peut aller jusqu’à 40° pour les images acquises à 1500m. Cela
peut biaiser la médiane, surtout là où l’échantillonnage directionnel est pauvre, et donc
troubler la régression ;
•
comparabilité de localisation et d’échantillonnage spatial : la localisation
géographique des mats de mesure au sol est supposée connue avec une précision
métrique ; la zone de quelques mètres carrés observés au sol est supposée représentative
de la zone couverte par le pixel qui la comprend ; le calage géométrique est supposé
parfait pour l’ensemble des images couvrant les sites de mesure. On a constaté que
l’aspect spatial représente de loin le niveau le plus élevé d’imprécision. Il peut donc
affecter fortement les régressions établies.
!
La précision avec laquelle la localisation des mats de mesure est connue est décrite
dans le paragraphe Géoréférencement. Cette précision varie entre 10 et plus de 30
mètres. Ainsi, en fonction du site et de sa position relative à l’intérieur du pixel qui la
contient, il y a au moins 2 pixels contiguës « candidat » à contenir le mat de mesure et
souvent tout pixel dans un voisinage 3x3 doit être considéré candidat à chance égale.
!
Comme l’ont rapporté Gu et al. (2002), la précision du géoréférencement de chaque
image Inframetrics varie en fonction de l’angle de vue. Pour la partie centrale de
l’image (angle zénithal de vue < 10°) l’écart-type serait inférieur à 1 pixel. Dans ce cas
nous devons considérer qu’à un endroit précis, l’erreur est potentiellement de 1 pixel.
Pour des pixels « off-nadir » l’erreur pourrait aller jusqu’à 4 pixels. En termes
généraux le géoréférencement est donc moins fiable pour l’image de médiane basée
sur les images acquises à 1500 mètres.
!
L’écart entre les surfaces d’intégration de la mesure au sol (2.6 à 8.6m2) et celle
d’Inframetrics (pixel de 625m2) est énorme. Afin que ces observations puissent être
considérées comme comparables et dans le contexte de l’imprécision de
géoréférencement décrit ci-dessus, il faudrait que le signal émis par la surface soit
homogène à travers une surface de plusieurs milliers de mètres carrés autour du mat de
mesure. Cette condition n’est pas toujours satisfaite. En particulier les sites de mesures
sur tournesol connaissent de très fortes variabilités spatiales. Dans ces conditions, la
seule hypothèse possible permettant de comparer les mesures à différentes résolutions
est de supposer que la variabilité observée entre pixels dans la zone concernée de
l’image est une indication de la variabilité intra-pixel à l’échelle de la mesure au sol.
Ceci est une approximation donnant une « variabilité minimale ». La variabilité peut
en réalité se révéler plus forte.
En conclusion nous constatons que dans tous les cas nous devons considérer dans la
comparaison les valeurs contenues dans un voisinage d’au moins 3x3 pixels autour du
pixels contenant a priori le mat de mesure. Dans le cas où sa position près de la bordure
de la parcelle (cas des parcelles 203 et 501) ou dans une zone de variabilité intraparcellaire (à certaines périodes cas des parcelles 102, 121) induit une forte variabilité
entre les valeurs observées dans ce voisinage, d’autres informations (évolution
temporelle de la Tb mesurée au sol) doivent être à la base d’une affectation manuelle de
« plus grande probabilité » de la mesure au sol à un des pixels du voisinage. Si en plus la
variabilité intra-parcellaire induite une variabilité plus grande dans un voisinage plus
grand, il doit être considéré possible que la mesure « ponctuelle » au sol correspond à un
niveau radiométrique dépassant la gamme observée dans le voisinage 3x3.
Dans la comparaison, la valeur du pixel retenu avec plus ou moins de confiance devra donc
correspondre à une valeur contenue dans la gamme de températures mesurée au sol durant la
campagne.
Les hypothèses statistiques reconsidérées :
•
nombre d’observations : il est considéré que dans tous les cas le nombre d’observations
disponibles suffit à établir une régression linéaire significative. Nous constatons tout de
même que ce nombre est variable et ne dépasse très souvent pas le nombre de trois ! Cela
est extrêmement faible et exige que l’on vérifie la significativité de la relation établie.
Calculée à un seuil de confiance de 5%, cette significativité doit être considérée comme
un minimum absolu car elle ne tient pas compte des imprécisions dans la sélection des
observations. Elle ignore aussi le fait que ce sont pas toujours les mêmes sites de mesures
qui fournissent les observations.
•
intervalle de confiance : dans l’approche précédente présentée par F. Jacob (7-Quality
assessment and first recalibration of brightness temperature maps), l’intervalle de
confiance de la régression (donc l’imprécision de l’estimation Inframetrics induite par réétalonnage) n’est pas considéré, ou considéré nul. Faute de pouvoir tenir compte des
autres sources d’erreur, cet intervalle doit être pris en compte dans les calculs futurs basés
sur les mesures Inframetrics. Il représente la meilleure précision que l’on puisse espérer
pour les images étalonnées finales (sachant que cette précision doit varier à travers
l’image dans une gamme inconnue).
7-bis-2-Recalibration results
Various linear regressions between Inframetrics data and ground data were performed:
•
raw regressions on data corrected for sensor shifts and time evolution (as the regressions
done by F. Jacob, but on images with a different shift corrections usually (7-Quality
assessment and first recalibration of brightness temperature maps)); these regressions are
presented in file FigInf760_reetalon.pdf.
•
raw regressions on data not corrected for sensor shifts and time evolution (done just as an
indication of the effect of the corrections); these regressions are presented in file
FigInf760_reetalonNoTimeNorm.pdf
•
final regressions based on Inframetrics data that have been chosen according to the above
described criteria, so if necessary in a supervised way; these regressions are presented in
file FigInf760_Rereetalon.pdf
Table 7-bis-1 presents a synthesis of regression inputs and results.
The last columns of the table contain information that allow to analyse the precision of the
regression analysis. This may be used as an indication of the quality of the recalibrated results
that will be available to the user.
Regression results can be roughly divided in two periods.
•
The first period last till the middle of June. Regressions are generally based on 4 points,
originating from three wheat fields and one alfalfa field. They provide a rather constant
linear regression slope with determination coefficients higher than 0.95 and confidence
intervals often lower than 1 K.
•
The second period started mid-June. Regressions are based on two or three measurements
on sunflower fields and one on alfalfa. The majority of the linear regressions for this
period are not statistically significant (in red or purple in Table 7-bis-1). The confidence
interval may exceeds 2°C (very large on 28-07 and 29-07).
Caracteristics of regression input data:
field
I760
Nb of
field measured
Alt.
SBT
SBT
points
crops
range range
Day
12/03
26/03
26/03
10/04
10/04
16/04
16/04
18/04
01/05
02/05
15/05
22/05
22/05
09/06
09/06
12/06
24/06
08/07
08/07
28/07
29/07
29/07
04/09
04/09
09/09
18/09
18/09
3000
3000
1500
3000
1500
3000
1500
1500
1500
3000
1500
3000
1500
3000
1500
1500
1500
3000
1500
1500
3000
1500
3000
1500
1500
3000
1500
4
4
4
4
2
4
4
4
4
4
4
5
3
6
6
6
4
3
3
4
4
4
3
3
3
3
3
13.37
14.38
15.00
14.84
8.30
11.79
11.77
13.07
11.15
9.36
5.03
12.98
11.73
13.56
14.04
16.43
6.49
13.83
14.31
18.09
18.27
18.06
8.29
8.91
12.46
11.70
12.28
11.60
12.00
11.70
12.30
8.10
8.70
8.30
10.90
7.80
8.90
3.90
9.00
7.70
9.20
9.70
10.90
5.20
7.50
8.40
6.00
5.30
6.60
3.00
4.30
8.70
10.40
12.00
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf.
wheat + alf. + sunfl.
wheat + alf.
wheat + alf. + sunfl.
wheat + alf. + sunfl.
wheat + alf. + sunfl.
wheat + alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
alf. + sunfl.
Linear regression results:
slope
offset
RMSE
determination
coefficient
confidence
interval
(°C +/-)
1.115
1.177
1.289
1.208
1.229
1.324
1.442
1.193
1.329
1.061
1.281
1.452
1.536
1.362
1.351
1.431
1.099
1.744
1.703
1.72
1.74
1.46
1.898
1.779
1.362
1.126
1.017
-5.6694
-16.075
-14.163
-10.977
-11.683
-19.48
-30.463
-8.9942
-18.735
-8.2577
-13.806
-29.077
-24.86
-22.69
-19.597
-25.361
-11.891
-60.776
-59.83
-31.368
-35.46
-20.02
-36.994
-31.297
-14.26
-8.3167
-3.342
0.381
0.332
0.319
0.744
*
0.237
0.431
0.577
0.507
0.298
0.324
0.336
0.074
0.433
0.420
0.664
0.902
0.665
0.288
1.473
1.124
2.137
0.316
0.026
0.468
0.041
0.266
0.993
0.994
0.994
0.977
*
0.996
0.984
0.983
0.977
0.991
0.956
0.990
1.000
0.981
0.984
0.967
0.774
0.956
0.993
0.838
0.915
0.708
0.968
1.000
0.985
1.000
0.997
1.057
0.919
0.884
2.062
*
0.657
1.196
1.600
1.405
0.826
0.899
0.849
0.252
1.039
1.008
1.593
2.501
2.256
0.977
4.084
3.116
5.924
1.073
0.089
1.590
0.139
0.903
Table 7-bis-1. Regression results used for recalibration of Inframetrics 760 data.
* : not enough data ;
blue : supervised modification of I760 reference pixel ;
red : regression results are not significant at a 5% significance level ;
purple : supervised modification of reference pixel, but still no significant regression result.
Apart from the low number of available data, the lower quality of the regressions in the
second period compared to the first period, may be related to the spatial variability of ground
measurements area. As described in previous paragraphs (7-bis-1), the surfaces on which
ground measurements have been obtained are not comparable to Inframetrics measurements if
they were not homogeneous throughout some 1000 m2 around the ground measurement sites.
•
For alfalfa field 203 and sunflower field 501, the reference pixel is close to a field border
(at the 20 m resolution, borders are rather fuzzy and often cause a high variability in the
neighbourhood around the reference pixel). However, the ground measurements on these
sites can be allocated without doubt to the neighbour pixel on the inside of the field. (Note
that the ground measurements on fields 501 are only available for two flight campaigns).
•
The other ground measurement sites which are available during the summer (in sunflower
fields 121 and 102), are both situated in heterogeneous areas and at the transition between
a normally developing crop and vegetation under stress with probably a high portion of
bare soil. These heterogeneities are visible both on Inframetrics images and NDVI images
obtained from POLDER measurements. The position of ground measurements relatively
to these transitions are not known accurately. However, the evolution of the measurements
on these two site along the experiment (Figure 7-bis-1) shows that the two sites have a
very different behaviour. This will be used to obtain information on the position of the
ground measurement sites. Figure 7-bis-2 shows the continuous evolution of the
brightness temperature as observed by the field radiometers in fields 102 and 121. On the
12th of June the thermal measurements correspond to the brightness temperature of a bare
and dry soil observed under sunny end of spring meteorological conditions (NDVI images
show that the soil is almost bare). Both sites have a similar temperature. During the
second half of June some cloudy and rainy days occur. At the end of June, at a moment
when the surface is drying and the crop developing, a significant difference starts to
appear between the midday surface brightness temperatures of both sites. After that
period, field 102 always show a temperature which is much lower (10-15 K) than the one
on field 121. Then, we assumed that measurements on field 102 were representative of a
rather well developed crop, while the measurements on field 121 were more representative
of a bare soil surface. Following these observations and regarding our hypothesis on
spatial scale change in the case of a high spatial variability (preceding paragraph), we
suppose that the brightness temperature measured on field 102 corresponds to the lowest
Inframetrics temperature encountered within the 3x3 pixel neighbourhood. The situation
of field 121 is considered to be extreme enough to justify the selection of a “hot” (bare
soil) pixel for computing the regression that is situated outside the 3x3 pixel
neighbourhood : (1) the restricted neighbourhood covers a transitional zone within which
no pixel can be considered to represent the rather extreme situation of the measurement
site, and (2) the comparison of the NDVI and brightness temperature images show that
errors in geometrical correction sometimes cause a significant spatial shift of this
transitional zone.
Figure 7-bis-1: Evolution of surface temperature measured with the KT instruments on wheat,
sunflower and alfalfa fields.
Figure 7-bis-2: Evolution of thermal infrared brightness temperature in two sunflower fields
measured at the ground level with KT instruments for the period between June 12, 1997, and
August 4, 1997.
Flight Altitude : 1500m
Date
Standard deviation
March 26th
April 10th
April 16th
April 18th
May 1st
th
May 15
May 22nd
June 9th
June 12th
June 24th
July 8th
July 28th
July 29th
September 4th
September 9th
September 18th
4.1226
5.0878
4.6002
4.7037
5.1048
3.2312
3.9146
2.8041
3.316
3.369
5.086
6.1307
6.1271
3.5672
3.8214
3.9648
Flight Altitude : 3000m
Date
Standard deviation
March 12th
3.416
March 26th
3.7447
April 10th
4.5311
April 16th
3.717
May 2nd
3.8809
May 22nd
June 9th
3.3199
2.3599
July 8th
4.2636
July 29th
September 4th
5.3699
3.1062
September 18th
3.5878
Table 7-bis-2: Standard deviation of the brightness temperature in the images before
recalibration (based on the whole pixel population available within the study area). Remember
that the “images” correspond to the median “cartography” based on the individual camera
images after shift correction (see 6-Computation of surface brightness temperature maps).
As can be seen in Table 7-bis-1, even after supervised modification of reference pixel
locations, many of the regressions established in the summer period (based on sunflower
ground measurements) remain non significant (red and purple colours in table 7-bis-1). The
confidence interval is often very high (see also the error bars in the graphs presenting the
regression: FigInf760_Rereetalon.pdf). It is therefore clear that this information will have to
be considered when using the data “recalibrated” on the basis of these relationships. The high
slopes obtained for supervised regressions in summer also rise question about the supervised
regression quality. A higher spatial variability of brightness temperature in the summer period
is known to be normal. Here, the standard deviation of the “raw” image data of the summer
period is already higher than the standard deviation in spring (Table 7-bis-2). It is
questionable whether an increase of this variability actually corresponds to a realistic
situation. We therefore made a last attempt to evaluate the correctness of the regressions. This
attempt consisted in adding “fictive” data in the figures of the regression lines (coloured dots
in FigInf760_reetalon.pdf, FigInf760_Rereetalon.pdf) and see whether the regression lines
respect these “validation” points. These "validation" data were obtained by selecting some
sites in the study area that were supposed to have a surface brightness temperature almost
similar to the air temperature (water, forest). In general these data were in accordance with the
established regression lines and did not provide a justification for forcing summer regression
slopes to spring values. They do justify most supervised interventions, that lead to a better fit
with the “validation” data.
7-bis-3 Some conclusions
The quality of the final recalibrated data is supposed to be the best that can be reached within
the context of our limited knowledge on the conditions at the time of data acquisition. The
most essential limitations with respect to the final data quality concern (1) the lack of metadata on the stability of the sensor sensibility : sudden in-flight shifts and even manual
interventions have been observed, but not recorded ; and (2) a serious lack of ground truth
data of good quality. Concerning the second part, more than just the generally 3 radiometers
available, lets say 6 field measurements, with constant locations on different and
homogeneous surfaces covering more or less well the whole temperature range of the study
area, would have allowed us to produce regressions with a high and constant level of
significance. Unfortunately the actual situation is rather opposite to this prerequisite,
especially in summer : the precision of the measurement locations is too limited, too few
measurements are available, located on surfaces with too similar temperatures and a too high
degree of spatial variability, thereby seriously compromising the quality of the recalibration
results. The measurement of brightness temperatures of relatively cold (water) and hot (bare
soil) surfaces would have been extremely useful.
At present time, we consider that the data we have produced can be used as model input, but it
is important that at least the limits of the maximum precision (table 7-bis-1) will be taken into
account in these future woks.
7-bis-4 Related references
•
Gu, X.-F., Jacob, F., Hanocq, J.-F., & Tallet, N. (2002). Acquisition and processing of airborne
thermal infrared data during the ReSeDA experiment. In: Proceedings of the EGS2000 ReSeDA
special session.
•
7-Quality assessment and first recalibration of brightness temperature maps
(first version by F. Jacob)