SlideShare une entreprise Scribd logo
ONERA DOTA
ONERA skills in remote sensing
X. Briottet
Xavier.Briottet@onera.fr
2
Outlines
Introduction
Illustrations of some recent applications: urban area, bare soil,
vegetation, industrial plume
Data base
Facilities: in lab, on ground and Airborne
3
Introduction: some generalities
Visible
Near-
infrared
UV ← Thermal infrared → Radio"Mid-wave" IR,
3 - 5 µm
Wavelength(µm)
Photonsreceived(s-1) "Long-wave" IR,
8-14 µm
Reflected
daylight
Thermal
emission
400 500 600 700 800 900 1000
Bølgelengde (nm)
Intensitet
Wavelength (nm)
Reflectance
Panchromatic
>250nm
Multispectral
40-100nm
Hyperspectral
10 to 300 bds
2 à 20 nm.
@FFI
Introduction: general hyperspectral image system
Hyperspectral
instrument
Atmosphere
compensation
Opt. Prop., T
retrieval
Anomaly detection
.
. .
Processing
Radiometric /
Geometric
corrections
Classification / Change
detection / spectral
matching
Ex: Land cover
mapping
Spectral data base
Chemical / physical
properties
estimation
Ex: Hydric stress of
the vegetation
5
Urban area
Preprocessing (2/3)
WHY? To overcome the atmosphere effects: optical properties, temperature
[0.4 – 2.5 µm]
• Aerosols
(AOT, type)
Spectral Data Base required
0
0,05
0,1
0,15
0,2
0,25
0 0,05 0,1 0,15 0,2 0,25
Epaisseurs optiques de référence
Epaisseursoptiquesinversées
440nm
670nm
550nm
•Remote sensing of aerosols in urban areas from very high spatial resolution images: application of the OSIS code to multispectral PELICAN airborne data, C. Thomas, X. Briottet and
R. Santer, International Journal of Remote Sensing, Volume 34, Issue 3, 2013 Special Issue: Sustainable Urbanization, DOI:10.1080/01431161.2012.716173, pages 919-937
Atmospherecharacterization
In Lab characterization and
Calibration
Thomas PhD@ONERA, 2011
Preprocessing (3/3)
[0.4 – 2.5 µm] : Water vapor (abundance)
AtmosphereCharacterization
[3.0 – 12.0 µm] : Water vapor and Temperature profils (PhD S. Lesage)
λri λm1 λm2 λrj
Lri
Lrj
Lm1
Lm2
Radiance
: L = b.λ + c
),( 2
refOHLIRR LwfR =
Radiance Image
Image of water
vapor content
CH2O (g/cm-²)
Histogr. CH2O
@Aviris (Railroad Valley USA, 98)
« Direct and Inverse Radiative Transfer Solutions for Visible and Near-Infrared Hyperspectral Imagery »; C.
Miesch, L. Poutier, V. Achard, X. Briottet, X. Lenot, Y. Boucher; IEEE TGARS, Vol. 43, N°.7, July 2005, pp
1552-1562
Aviris (Railroad Valley USA, 98)
Method: Neural Network
Performance:
T(z): Biais = - 0.04 K,
rms=0.24 K
H20(z): Biais=0.02 g/cm²,
rms =0.12 g/cm²
Heighttransmission
wavelength
∆λ
∆z
CO2 Absorption band: T(z)
H2O Absorption band: T(z), H2O(z)
Land Cover mapping in urban area: context
“2008 Remote Sensing Data
Fusion Contest”@P. Deliot,
V.Achard – ONERA,
[670nm,550nm,470nm]; [buildings,
shadow, vegetation, road, river],
96% of well classified pixels
DOTA/POSPh.DéliotetV.Achard
Main Limitation: shadows
Sunny
Shadow
Impact du relief sur le bilan
de transfert radiatif
Atmospheric correction (1/2)
Urban environment issues : shadows, occultations,
vertical facades
Objective : from the sensor radiance, going back to
the reflectance ρ
[1] Miesch et al., « Direct and inverse radiative transfer solutions for visible and near-infrared hyperspectral imagery », Geo.and Remote Sensing, 2005.
[2] Chen et al., « Efficient empirical reflectance retrieval in urban environment », IEEE Journ. of sel. top. in applied earth obs. and remote sensing, 2012.
[3] Lachérade et al., « ICARE : a physically-based model to correct atmospheric and geometric effects from high spatial and spectral remote sensing
images over 3D urban areas », Meteorology and Atmospheric Physics, 2008.
Comparison of three methods
COCHISE[1]
Flat ground hypothesis :
○ Irefl neglected
○ Idiff, Icoup, and Renv processed without
considering the relief
Limitation : no proper correction in shadowed
areas
Empirical method[2]
Fast algorithm correcting both shadows and
relief effects without DEM
Suited to classification applications
Limitation : some radiative terms are roughly
approximated, which prevent this method to
be used for spectrum identification
ICARE[3]
Efficient method suited to 3D environment (DEM
known)
Suited to spectrum identification
X. Briottet, X. Ceamanos, G. Roussel
Detection of vehicules - Land Cover mapping in urban
area – without taking into account the 3D shape
(empirical correction) (Collaboration with DSO-Singapore)
Shadow detection Anomaly detection
classification
Atm. Correction
Will depend on the
irradiation at ground
level
Anomaly
Classification
Noatm.Corr.Withatm.Corr.
Identification
Hyperspectral Image Pan Image
•JSTARS-2012-00371.R2 Efficient Empirical Reflectance Retrieval in Urban Environments, M. Chen, X. Briottet, Sze Kim Pang,
•IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, pblished in 2013
Method:
A shadow mask is processed using the Nagao algorithm[4]
Idir, Idiff, Ratm, Renv and τup are processed using Comanche, a
direct radiative transfert code
Itot is processed differently for sunlit and shadowed areas
Sunlit areas Shadowed areas
11
Correction sol plat: Cochise
Correction empirique ombre et
soleil (Chen et al;, 2014)
ANR HYEP Applications : milieux urbains – Quelle correction
atmosphérique pour quelle résolution spatiale? (Post Doc G. Roussel)
LIVE/CNRS-ONERA
Roussel et al., Whispers, 2016
Objectif: préparation de la
mission spatiale
hyperspectrale HYPXIM
Atmospheric correction: ICARE
ICARE : a MNE is required an input
[0.4 – 2.5 µm]: to retrieve the surface reflectance
Depends on the landscape: Heterogeneous, mountain, town
Radiance (shadows,
slopes effects…)
Corrected reflectance
with ICARE@ONERA
“ICARE: A physically-based model to correct atmospheric and geometric effects from high spatial and spectral remote sensing images over 3D urban areas", S.
Lachérade, C. Miesch, D. Boldo (IGN), X. Briottet, C. Valorge (CNES), H. Le Men (IGN), Volume 102, Numbers 3-4 / December, 2008, Special Issue on CAPITOUL
Experiment (Special Editors: L. Gimeno, V. Masson and A. J. Arnfield), Meteorology and Atmospheric Physics Publisher Springer Wien, pp 209-222
Limitations due to the
transparency of the tree
(PhD K.Adeline, 2013), see
also unmixing in urban
area, PhD I. Meganem,
2012)
FUSION Hyperspectral with 3D telemeter
54.2%
Gain of 20%
74.1%
• 2 arbres: tilleul, magnolia
• Mesures LiDAR terrestre
full waveform d’un arbre
isolé et séparation
feuilles/élements ligneux
• Outil de modélisation 3D
et de simulation: DART
Atmospheric correction: tree shadow
13
Impact de la modélisation d’un arbre sur le bilan radiatif à l’ombre
Adeline K.R.M., X. Briottet, J.-P. Gastellu-Etchegorry and F. Vinatier. Impact of tree crown transmission on 3D radiative
regime with geometric, voxel-based and exact tree reconstruction from TLS measurements and DART. En préparation
...
Données et méthode
Résultats
Contribution des
éclairements
Modèle LiDAR
Transmission
diffuse
Transmission
directe
Transmission
directe
Modèle turbide
discret
Modèle turbide
géométrique
• Code de base: ICARE
• Ajouter la contribution
de l’éclairement
transmis direct + diffus
• Moyens: DART (code de transfert radiatif
3D incluant la canopée)
• Correction physique incluant :
- plan d’expériences et analyse de
sensibilité
- régression statistique optimisée
multivariée linéaire et non linéaire
- approche spectrale et spatiale
• 1 méthode opérationnelle et 1 méthode de
validation
Atmospheric correction: ICARE VEG (ANR VEGDUD)
14
Adeline K.R.M., X. Briottet and X. Ceamanos. ICARE-VEG: a 3D physics-based atmospheric correction method
improved for the processing of tree shadows in high spatial hyperspectral urban images. EN COURS DE RÉDACTIONà
IEEE Transactions on Geoscience and Remote Sensing.
Adaptation d’une méthode de correction atmosphérique à la présence
d’arbres
Stratégie
Chaîne de traitement ICARE-VEG
Meilleure estimation de la
réflectance à l’ombre des
arbres (erreur absolue
moyenne réduite à < 4%
dans la moitié des cas
étudiés)
données
UMBRA
Spectral Unmixing
Objective: using the spectral richness, unmixing the pixel information to retrieve
the main spectral signatures and their corresponding abundances
Common assumption: linear mixing of the optical properties
Limitations:
• VIS-NIR-SWIR: if the irradiance is not homogeneous over the pixel, if 3D
structure (environment coupling)
• In the MWIR and LWIR: non linearity due to the Planck Law (work on
progress)
Ex: urban area in the VIS-NIR-SWIR
Physical based Mixing model: linear quadratric
Method: blind source separation (Non Negative Matrix Factorization)
Meganem PhD, 2012, collaboration
with OMP
On the track: PhD's with GIPSA,
PhD with OMP
•TGRS-2012-00483.R1 Linear-quadratic mixing model for reflectances in urban environments, I. Meganem, P. Déliot, X. Briottet, Y. Deville, S. Husseini, accepted in Dec
2012, published in 2013
16
ADEME + ANR HYEP Applications : milieux urbains – Classification
des surfaces urbaines : résolution spatiale vs domaine spectral
SVM classification
map - Same GSD.
SVM classification map Nominal GSD
With a same GSD, SWIR band improves the
good classification performances
With their nominal resolutions, Pléiades (2m)
and HYPXIM (8m) have similar classification
performances
Ongoing:
• Fusion Pan/hyper (Loncan, ONERA-
GIPSA-Lab)
• Improve the number of class
• Unmixing taking into account the intraclass
variability(C. Revel, OMP-ONERA)
Etude ADEME Ilot de fraicheur urbain, R. Oltra Carrio, X. Briottet, 2014
Hyper_1.6m S2_1.6m
Pleiades_1.6m
Results of a supervised classification
(SVM) on the radiance image
Image Kappa Overall accuracy (%)
SENTINEL 2_1.6m 0,88 89,7
Hyper_1.6m 0,86 87,9
PLEIADES_1.6m 0,80 82,6
HYPER_8m 0,77 80,7
SENTINEL-2_9.6m 0,66 71,4
Pleiades_1.6m Hyper_8m S2_9.6m
17
Perspectives milieux urbains dans le domaine réflectif
En cours:
• fusion Hyper / Panchro : thèse L. Loncan ONERA/Gipsa-Lab
• Démélange (variabilité intraclasse et mélange non linéaire quadratique) :
thèse C. Revel ONERA/OMP
• Identification des espèces d’arbre en milieu urbain : thèse J. Aval
ONERA/ISAE
L. Loncan, L. B. Almeida, J. M. Bioucas-Dias, X.
Briottet, J. Chanussot, N. Dobigeon, S. Fabre, W. Liao,
G. Licciardi, M. Simoes, J-Y. Tourneret, M.
Veganzones, G. Vivone, Q. Wei and N. Yokoya,
"Hyperspectral pansharpening: a review," IEEE Geosci.
and Remote Sens. Mag., to appear
Atmospheric correction: [3.0 – 12.0 µm]
Temperature Emissivity Separation
Real Scene Radiance Acquisition
Emissivity
Image
Temperature
Image
ill posed
problem
Several methods developped depending on the spectral
richness (PhD Kanani ONERA/LSIIT)
Perfo/labo~0.021+-0.014@4cm-1
Perfo/labo~0.015+-0.02@4cm-1
Manuel Cubero-Castan, Jocelyn Chanussot, Véronique Achard, Xavier Briottet, Michal Shimoni. "A physics-based unmixing method to estimate
subpixel temperatures on mixed pixels", Geoscience and Remote Sensing, IEEE Transactions on. Vol. 53, N. 4, 03/2015
Error budget to retrieve (Ts, ε) in urban area from AHS
data
Error source LSE RMSE LST RMSE (K)
TES algorithm 0.001 0.1
Atmospheric correction 0.005 0.4
3D structure (Test 4) 0.005 0.2
Root Sum Square 0.007 0.5
Man-made
materials
Asphalt
Error source LSE RMSE LST RMSE (K)
TES algorithm 0.017 0.9
Atmospheric correction 0.005 0.4
Root Sum Square 0.018 1
"TITAN : an Infrared Radiative Transfer Model for Heterogeneous 3-D
Surface - Application over Urban Areas", G. Fontanilles, X. Briottet, T.
Tremas, Applied Optics, Vol. 47, Issue 31, pp. 5799-5810
R. Oltra-Carri´o, M. Cubero-Castan, X. Briottet & J. Sobrino, “Analysis of the
performance of the TES algorithm over urban areas”, IEEE Transactions on
Geoscience and Remote Sensing, , vol.52, no.11, pp.6989-6998, Nov. 2014
Preprocessing
• Sysiphe project
Mission preparation:
• MISTIGRI, THIRSTY, SOIF, India-France project (2016-)
• Unmixing to retrieve the intrapixel Ts,i (TOSCA CATUT
INRA/ONERA/COSTEL)
On going works
21
Vegetation
Fucused on :
• Species discrimination
To detect :
• Indirect pollution effect
• Vegetation stress
22
Caractérisation de la biodiversité végétale en
milieu montagnard Thèse T. Erudel (2014-2017)
Labex DRIIHM GEODE-ONERA (1/2)
Objectif de l’OHM du Haut-Vicdessos : mettre en évidence
l’impact des actions anthropiques sur un système socio-
écologique.
Nécessité de mettre en place une cartographie
spatialement exhaustive de la biodiversité.
Site d’étude : Bernadouze (Ariège/Pyrénées)
Forêt : classification des espèces
Tourbière : biodiversité, fonction habitat
Les données disponibles
Mesures in situ et relevés botaniques (septembre
2014)
Données hyperspectrales et LiDAR acquises lors de
la campagne aéroportée IGN/ONERA (septembre
2014)
Données issues d’autres campagnes (septembre
2012, juin2014) disponibles Possibilité d’étude
multi-temporelle
Images hyperspectrales VIS/NIR
(campagne IGN/ONERA de septembre 2014)
Image LiDAR (campagne IGN/ONERA de septembre 2014)
Difficultés
Variabilités intra-espèces et inter-espèces importantes
Topographie en zone montagneuse
Ombrage
Délinéation des couronnes d’arbres
23
Analyse spectrale
par classe
Signatures spectrales
relevées in situ
Carte des relevés botaniques
Outils spectraux d’analyse
indices spectraux
critères de similarité
Méthodes de régression
Creux à Grassette Butte à Sphaignes Fourré à Saules
Caractérisation de la biodiversité végétale en
milieu montagnard Thèse T. Erudel (2014-2017)
Labex DRIIHM GEODE-ONERA (2/2)
24
Vers une cartographie automatique du patrimoine
arboré en milieu urbain Thèse J. Aval (2015-2018)
ISAE-ONERA-INRA (1/2)
Spéciation des arbres
Spectre Texture Géométrie
11/04/2016
Evolutions
temporelles
Hyperspectral LiDARPanchromatique
Comment?
Par
Approche expérimentale à partir de données acquises sur Toulouse
Les points durs sont :
Combinaison de données hétérogènes multiéchelles
Exploitation de données multitemporelles
t
25
Hyperspectral
Panchromatique
Zone d’étude
11/04/2016
LiDAR
0.4 à 2.5 µm à 1.6 m de résolution spatiale
1 à 5 pts / m², 20 cm de résolution en hauteur
14 cm de résolution spatiale
Spectre
Texture
Géométrie
Combinaison de données
multi-capteurs
multi-résolutions
Vers une cartographie automatique du patrimoine
arboré en milieu urbain Thèse J. Aval (2015-2018)
ISAE-ONERA-INRA (2/2)
26
Bare soil
Cartographie du taux d’humidité superficielle des
sols nus
Imageur Hymap (DLR): Domaine spectral : 0,4 -
2,5 µm ; GSD : 4 m, H : 2 km
SMC gravimétrique (%g)
Parcelle 1Parcelle 1
Parcelle 2Parcelle 2
NINSOL
WISOIL NSMI
NINSOL
Intérêt pour HYPXIM (cf phase 0)
Dépend de la texture (argile, limon,
sable)
•"Influence of soil moisture content on spectral reflectance of bare soils in the 0.4–14 µm
domain, Audrey Lesaignoux, Sophie Fabre & Xavier Briottet, International Journal of
Remote Sensing, Volume 34, Issue 7, 2013, DOI:10.1080/01431161.2012.743693,
pages 2268-2285
Improvement of soil moisture retrieval from hyperspectral VNIR-SWIR data using clay content
information. From laboratory to field experiments, Rosa Oltra-Carrió, Frederic Baup, Sophie
Fabre, Remy Fieuzal, Xavier Briottet, Remote Sens. 2015, 7(3), 3184-3205;
doi:10.3390/rs70303184
Estimation of Soil Moisture Content on Spectral Reflectance of Bare Soils in the 0.4 -2.5 µm
Domain, Sophie Fabre, Xavier Briottet, Audrey Lesaignoux, Sensors 2015, 15, 3262-3281;
doi:10.3390/s150203262
Texture des sols : Cartographie du taux d’argile
Travaux ONERA/CESBIO/LISAH (Projet TOSCA-HUMPER)
La haute résolution spatiale permet d’obtenir
des cartes de taux d’argile plus précises
28
Evaluating the sensitivity of clay content prediction to atmospheric effects and degradation of image spatial resolution using Hyperspectral VNIR/SWIR
imagery, C. Gomez, R. Oltra-Carrió, S. Bacha, P. Lagacherie, X. Briottet, Remote Sensing of Environment, Volume 164, July 2015, Pages 1–15,
doi:10.1016/j.rse.2015.02.019
29
Travaux en cours
Texture de sols :
• CNS cartographie numérique des sols (TOSCA avec LISAH)
Minéralogie
• Discrimination des argiles à partir de drone: thèse BRGM/ONERA
Pollution des sols :
• Hydrocarbure
• Préparation de la mission HYPXIM
30
Industrial plumes
Aerosol
Gas
Aerosol characterization [0.4 – 2.5 µm]
Urban aerosol
PhD ONERA C.Thomas
Collaboration ONERA/ DSO
Umbra 2012
Aerosol of biomass fire
PhD A.Alakian, A. Deschamps
Col. With CEA
Aerosol of industrial plume
PhD A. Deschamps (col. CEA)
•Main constraints: aerosol data base
On the tracks: To apply our method on a large diversity of Industrial plants
UMBRA experiment,
2012, ONERA-IGN
(K. Adeline et al., 2013)
•AVIRIS
•Objective: aerosol map in urban area
•Methodes based on Sun / shadow
measures using a LUT
• Aerosol: type, Aerosol Optical Thickness
•CASI data, EUFAR, Fos, France, 2010, @ONERA.
•Objective: aerosol map of biomass fire
•Methode: LUT
• Aerosol: type, AOT, black carbon rate,
effective radius
•O
•S
•PELICAN, Musarde, 2009,
•Toulouse, France @ONERA
•Objective: plume aerosol
• Methode: LUT
• Aerosol: type, AOT
SETHI experiment, Fos, June
2013, ONERA
(P. Dubois-Fernandez et al., 2013)
HYSPEX HYSPEX
Alakian, Marion, Briottet., 2008., "Remote sensing of aerosol plumes: A semianalytical model", Applied Optics, 47, pp. 1851-1866, 2008
Simultaneous retrieval of CO2 and aerosols in a plume from hyperspectral imagery: application to the characterization of a forest fire smoke using AVIRIS data, A. DESCHAMPS, R.
MARION, X. BRIOTTET, P.Y. FOUCHER, IJRS, to be published in 2013
OSIS: remote sensing code for estimating aerosol optical properties in urban areas from very high spatial resolution images, Colin Thomas, Xavier Briottet, and Richard Santer, APPLIED
OPTICS / Vol. 50, No. 28 / 1 October 2011
Gas emissions of industrial plant
SWIR range (PhD A. Deschamps, 2012)
• Objective: CH4, CO2, N2O, NO2
• Methode: CIBR/JRGE
• Retrieved properties on Gas: type, abundance
• Limitations: difficult when the ground reflectance level
is weak
MWIR/LWIR range (PhD R.Idoughi, 2016)
• Objective: all gas
• Method: on development, to be taken into
Account Soil variability, T / concentration
coupling
• Outputs: Gas (type, abundance)=> mass flux
CO2 retrieval at 2µm –
AVIRIS image
A. Deschamps, R. Marion , X. Briottet and P.Y. Foucher “Simultaneous retrieval of CO2 and aerosols in a plume from hyperspectral imagery: application to the characterization of a forest fire
smoke using AVIRIS data”, Remote Sensing Environnement, 2012
ρSO2
SO2 Signature
SO2 characterization over an industrial plantur site
industriel - Telops data, Onera processing
Estimated SO2 flux from Telops image ~ 100g.s-1
R. Idoughi, T. H. G. Vidal, P-Y. Foucher, M-A.Gagnon, and X. Briottet. “Background radiance estimation for
gas plume quantification in downlooking thermal infrared images”. special issue on Applications of
Spectroscopy in Environmental Monitoring of Gases and Aerosols - Journal of Spectroscopy accepted in Feb
2016
33
Data Base
34
Taxonomy and data base: RTRA Acclimat (CNRM, Geode, ONERA), ANR HYEP
(LIVE, IGN, ONERa, ESPACE, GIPSA-Lab), ANR VEGDUD (IRSTV, LPGN, INRA, ONERA), DSO….
Heiden, U., Segl, K., Kaufmann, H. (2007): Determination of robust spectral features for identification of urban surface materials in
hyperspectral remote sensing data. – Remote Sensing of Environment, 111, 4, 537-552, DOI: 10.1016/j.rse.2007.04.008.
ONERA@ANR VEGDUD
ONERA@RTRA ACCLIMAT
@ONERA
Spectral Data base
Facilities
• covering the entire optical domain
• large amount of material classes: vegetation and soils with
different water contents, manmade materials….
MEMOIRES DATA BASE
ASTER + more than 1000 spectra
Facilities to measure the spectral reflectance
180°
0°
60°
Moyens de télédétection au DOTA
• Les moyens de télédétection existants
• Les moyens de télédétection en cours de
développement
SOMMAIRE
0,4 1,4 2,4 3,4 4,4 5,4 6,4 7,4 8,4 9,4 10,4 11,4
Sysiphe : GSD 50 cm @2000m
∆λ: 5-6 nm ∆ν: 11 cm-1 ∆ν: 5 cm
CamV2 : GSD 14 cm @2000m
HySpex : ∆λ 5-6nm, GSD 1-2m @2000m
Longueur d'onde (µm)
Caméras LWIR: bande large
Instrumentations aéroportées ONERA
Systèmes
embarquables sur
drones
POD SETHI Radar/optique
Campagnes aéroportées multi-
instruments
HySpex (POC P. Déliot)
Sysiphe (POC L.
Rousset-Rouvière)
POD (POC DOTA Y-M Frédéric)
Moyensoptiques
SYSIPHE (POC L. Rousset-Rouvière)
Spectral imager MWIR / LWIR
SIELETERS (ONERA)
Spectral imager VIS/SWIR
Hyspex Odin-1024 (NEO)
- Spectral reflectance / emissivity and
temperature georeferenced maps
- Spectral georeferenced radiance
Products Real time
image
processing
System
(FFI/NEO)
Archiving and
processing data system
STAD (ONERA)
Le moyen Onera SETHI : Radar - Optique
Poc : patricia.dubois-fernandez@onera.fr
Radar P L X
Center frequency
(MHz)
340 1300 950
0
Instrumented
bandwidth (MHz)
240 200 150
0
Best achievable
resolution (cm)
62 75 10
Polarisation Full Full Full
Tranmit peak
power (W)
500 200 200
Antenna dip
ole
s
patch
array.
horn
s
Elevation aperture 100
°
30° 14°
Azimuth aperture 50° 10° 14°
Boresight Left
loo
k.
Left or
right
look.
0°
-80°
Géométrie d’observation des différents
capteurs embarqués
Caractéristiques principales
des instruments Radar
embarqués
DLR/Do228D-CFFU
UMS /SAFIRE
Toulouse/Francazal
Falcon 20 ATR 42 Piper
Aztec
IGN/King Air
Endurance max: 6 h
Max range 2200 km
Plafond: 7500 m
CU max: 3300 kg
Endurance max: 4 h
Max range 1000 km
Plafond: 4000 m
CU max: 180 kg
Endurance max: 5 h
Max range 4100 km
Plafond: 12000 m
CU max: 1200 kg
Endurance max: 7 h
Max range 2350 km
Plafond: 7500 m
CU max: 1150 kg
Endurance max: 5 h
Max range 2200 km
Plafond: 9000 m
CU max: 1000 kg
Principaux avions avec « trappe photo »
utilisés par l’Onera
Autres porteurs utilisés par l’Onera : pods ou
drones en coopération avec le Dpt Radar
Pods Stemme/Onera
Pods Falcon 20
(Onera/ DGA-EV
Onera/AvDef)
Endurance max:
Max range 1200 km
Plafond: 9000 m
CU max: 50 kg/pod
Endurance max: 2h30
Max range 1500 km
Plafond: 9000 m
CU max: 120 kg/pod
Pods radar : bandes X, Ka
+ Panchromatique vis et IR
+ hyperspectral VIS/SWIR
Drones/Onera
Pods SETHI: bandes P, L and X,
Polarimetrie, Interferometrie
+ CU Hyperspectral
43
Catalogue de données et métadonnées : ce module est un pilier majeur du projet LIMA.
Adapté à l’organisation du travail ONERA (projets, campagnes, acquisitions, vérités terrains….)
Vitrine du patrimoine ONERA en termes de données
Respect de référentiels normatifs (ISO19115, INSPIRE) => recherche sur catalogues externes
(Géoportail, catalogue Pléiades, …)
LIMA-Exploitation : Base de données d’acquisition
de télédétection
TERRISCOPE (2016-2018) Description scientifique et
technique : structure et composition de l’équipement
1. Une plateforme de mesures avions légers et drone de classe 150kg,
avec des systèmes de mesures optiques au meilleur niveau de
l’état de l’art
2. Une plateforme de mesure drones à voilure fixe de classe 25kg, avec
des systèmes de mesures optiques compacts ou miniaturisés,
également au meilleur niveau de l’état de l’art
3. Des capacités sol, communes à tous les instruments, de :
•Préparation mission,
•Traitements et archivages des données (intégrés dans LIMA),
•Moyens d’étalonnage des nouveaux capteurs
44
TERRISCOPE (2016-2018) : Les porteurs - Plateforme de
mesures avions légers et drone de classe 150kg
• Acquisition d’un drone catégorie F
• Utilisation des porteurs SAFIRE et Onera
CU > 40 kg (75 kg)
Autonomie : 1200 km (2000)
Base de vol : zone ségréguée
Stemme
CU 80 kg
Autonomie :
600 km
Piper Aztec
CU 200 kg
Autonomie :
1000 km
Drones catégorie F
(moins 150 kg - 20-75kg
d’emport)
Motoplaneur
Avions légers et…
« labo volant »
ATR42 CU 2500 kg
Autonomie : 3000 kmCapacité vol 1 avion : 1 CU
importante ou plusieurs
charges utiles de la gamme 1-
10 kg simultanément.
TERRISCOPE (2016-2018) Les porteurs - Plateforme de
mesures avions légers et drone de classe 150kg MOYENS
A ACQUERIR
Multispectral VISNIR
•1 à 8 bandes
•Résolution spatiale 1-2 cm
•~6000 x 4000 pixels (min 2000 x
2000)
Hyperspectral
•0.4-2.5µm, 200 à 400 bandes
•Résolution spatiale 5cm -1m
Exemple : Aisa FENIX sensor
L: 387 mm W: 222.5 mm H: 450 mm Mass: 15 kg
Multispectral LWIR/MWIR
•Faible bruit
•1 à 4 bandes (8-12µm et
potentiellement 3-5µm)
•Résolution spatiale 2-5 cm
•600 x 400 pixel min
Dual DigiTherm
Lidar 3D FW
•Lidar télémétrique « fullwave »
•4 point / m2 min
•Résolution spatiale 5 cm min
•Géoreférencement
TERRISCOPE (2016-2018) Les porteurs – Plateforme de
mesure drone classe 25 kg
Bases de vol : Esperce (1 km Ariège), Caylus, Lannemezan ….
Capacité vol 1 ou 2 avions : 2 charges utiles simultanément, en formation
Ex : imagerie laser + hyperspectral, hyperspectral
• Acquisition de 4 drones catégorie E, une catapulte et une station
sol
CU 5 kg -> upgrade 10 kg sur
investissement AJS
Autonomie : 1000 km
Drones catégorie E (moins de 25 kg)
Emport : 5 kg – Upgrade pour emport 10 kg à la fin du projet
47
TERRISCOPE (2016-2018) Les porteurs – Plateforme de
mesure drone classe 25 kg MOYENS A ACQUERIR
Multispectral VISNIR
•1 à 8 bandes
•Résolution spatiale 1-2 cm
•~5000 x 4000 pixels
(min 1000 x 1000)
CamLight IGN
Hyperspectral
•0.4-1µm 60 à 120 bandes
•0.4-2.5µm si possible
•Résolution spatiale ~5-20cm
Multispectral MWIR/LWIR
•Faible bruit
•Bi-bande (8-12µm et
potentiellement 3-5µm)
•Résolution spatiale 2-5 cm
•600 x 400 pixel min
Sofradir SOIE
Lidar 3D FW
•Lidar télémétrique
« fullwave »
•4 point / m2 min
•Résolution spatiale
5 cm min
•Géoreférencement
49
Thank you …
Porquerolles, France, HYSPEX on Sethi, 2013
Fauga, France, HYSPEX, 2012
Porquerolles Castle, France, Pan on Sethi, 2013
Toulouse, France, HYSPEX, 2012

Contenu connexe

Similaire à Xavier BRIOTTET : Activités sur l'ensemble du domaine optique (0.4-12 µm)

Magister bouderba
Magister bouderbaMagister bouderba
Magister bouderba
Yasmina Bouderba
 
Article extraction de route
Article extraction de routeArticle extraction de route
Article extraction de routeIbtissam Zaaj
 
Présentation these_8fevrier2013
Présentation these_8fevrier2013Présentation these_8fevrier2013
Présentation these_8fevrier2013
Mohamed Drissi
 
Approches méthodologiques pour la cartographie des habitats naturels par télé...
Approches méthodologiques pour la cartographie des habitats naturels par télé...Approches méthodologiques pour la cartographie des habitats naturels par télé...
Approches méthodologiques pour la cartographie des habitats naturels par télé...ACSG - Section Montréal
 
Long resume in French v3
Long resume in French v3Long resume in French v3
Long resume in French v3Luca Lorenzi
 
Cours Topographie haute résolution & lidar, M1 2021.pdf
Cours Topographie haute résolution & lidar, M1 2021.pdfCours Topographie haute résolution & lidar, M1 2021.pdf
Cours Topographie haute résolution & lidar, M1 2021.pdf
LaurentMasselin1
 
L'imagerie satellitaire, une source d'information incontournable
L'imagerie satellitaire, une source d'information incontournableL'imagerie satellitaire, une source d'information incontournable
L'imagerie satellitaire, une source d'information incontournable
VisionGEOMATIQUE2014
 
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE DE...
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE  DE...MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE  DE...
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE DE...
Abou Bakeur Ghehioueche
 
Soutenance de Thèse
Soutenance de ThèseSoutenance de Thèse
Soutenance de Thèse
pbosser
 
Cb1 reseaux2 g-lagrange-ecotel04-final
Cb1 reseaux2 g-lagrange-ecotel04-finalCb1 reseaux2 g-lagrange-ecotel04-final
Cb1 reseaux2 g-lagrange-ecotel04-finalmadecam11
 
Concours de recrutement des assistants des universités
Concours de recrutement des assistants des universitésConcours de recrutement des assistants des universités
Concours de recrutement des assistants des universités
Ahmed Ammar Rebai PhD
 
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptxcours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
AbdessamadAmimi1
 
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
hagolleo
 
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
iosrjce
 
L010616372
L010616372L010616372
L010616372
IOSR Journals
 
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat pou...
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat  pou...Apport de la correction atmosphérique sur l'imagerie satellitale Landsat  pou...
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat pou...ACSG - Section Montréal
 
Estimation et suivide la degradation liée à l’exploitation artisanale
Estimation et suivide la degradation liée à l’exploitation artisanaleEstimation et suivide la degradation liée à l’exploitation artisanale
Estimation et suivide la degradation liée à l’exploitation artisanale
CIFOR-ICRAF
 
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
CIFOR-ICRAF
 
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
Association pour le Système d'Information du Territoire
 
Topométrie mesures des distance
Topométrie mesures des distanceTopométrie mesures des distance
Topométrie mesures des distance
Mouhssine Toni
 

Similaire à Xavier BRIOTTET : Activités sur l'ensemble du domaine optique (0.4-12 µm) (20)

Magister bouderba
Magister bouderbaMagister bouderba
Magister bouderba
 
Article extraction de route
Article extraction de routeArticle extraction de route
Article extraction de route
 
Présentation these_8fevrier2013
Présentation these_8fevrier2013Présentation these_8fevrier2013
Présentation these_8fevrier2013
 
Approches méthodologiques pour la cartographie des habitats naturels par télé...
Approches méthodologiques pour la cartographie des habitats naturels par télé...Approches méthodologiques pour la cartographie des habitats naturels par télé...
Approches méthodologiques pour la cartographie des habitats naturels par télé...
 
Long resume in French v3
Long resume in French v3Long resume in French v3
Long resume in French v3
 
Cours Topographie haute résolution & lidar, M1 2021.pdf
Cours Topographie haute résolution & lidar, M1 2021.pdfCours Topographie haute résolution & lidar, M1 2021.pdf
Cours Topographie haute résolution & lidar, M1 2021.pdf
 
L'imagerie satellitaire, une source d'information incontournable
L'imagerie satellitaire, une source d'information incontournableL'imagerie satellitaire, une source d'information incontournable
L'imagerie satellitaire, une source d'information incontournable
 
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE DE...
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE  DE...MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE  DE...
MODÉLISATION DU CLUTTER DE MER À HAUTE RÉSOLUTION EN UTILISANT UN MÉLANGE DE...
 
Soutenance de Thèse
Soutenance de ThèseSoutenance de Thèse
Soutenance de Thèse
 
Cb1 reseaux2 g-lagrange-ecotel04-final
Cb1 reseaux2 g-lagrange-ecotel04-finalCb1 reseaux2 g-lagrange-ecotel04-final
Cb1 reseaux2 g-lagrange-ecotel04-final
 
Concours de recrutement des assistants des universités
Concours de recrutement des assistants des universitésConcours de recrutement des assistants des universités
Concours de recrutement des assistants des universités
 
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptxcours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
cours-LasergrammetrieLe « LiDAR», de l’anglais « Light.pptx
 
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
Physique de la mesure en télédétection optique, Partie 1 : photométrie et rad...
 
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
Optimisation du modèle d’Okumura Hata par la régression linéaire. Application...
 
L010616372
L010616372L010616372
L010616372
 
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat pou...
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat  pou...Apport de la correction atmosphérique sur l'imagerie satellitale Landsat  pou...
Apport de la correction atmosphérique sur l'imagerie satellitale Landsat pou...
 
Estimation et suivide la degradation liée à l’exploitation artisanale
Estimation et suivide la degradation liée à l’exploitation artisanaleEstimation et suivide la degradation liée à l’exploitation artisanale
Estimation et suivide la degradation liée à l’exploitation artisanale
 
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
PROFEEAC CP1: Estimation et Suivide la Degradation Liéeà L’exploitation Artis...
 
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
1ères Rencontres ASIT VD : Tout sur le LiDAR : de la technologie aux applicat...
 
Topométrie mesures des distance
Topométrie mesures des distanceTopométrie mesures des distance
Topométrie mesures des distance
 

Plus de kmichel69

Les données tridimensionnelles en géomorphologie fluviale: K.Michel
Les données tridimensionnelles en géomorphologie fluviale: K.MichelLes données tridimensionnelles en géomorphologie fluviale: K.Michel
Les données tridimensionnelles en géomorphologie fluviale: K.Michel
kmichel69
 
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
kmichel69
 
RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
 RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol... RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
kmichel69
 
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
kmichel69
 
Graphes paysagers- Xavier Girardet
Graphes paysagers- Xavier GirardetGraphes paysagers- Xavier Girardet
Graphes paysagers- Xavier Girardet
kmichel69
 
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
kmichel69
 
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
kmichel69
 
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
kmichel69
 
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
kmichel69
 
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
kmichel69
 
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographesLaurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
kmichel69
 
Roman joliveau
Roman joliveauRoman joliveau
Roman joliveau
kmichel69
 
Compte-rendu de session
Compte-rendu de sessionCompte-rendu de session
Compte-rendu de session
kmichel69
 
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologieOlivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
kmichel69
 
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en WallonieAdrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
kmichel69
 
Gaëtan CURT : Photogrammétrie rapprochée
Gaëtan CURT : Photogrammétrie rapprochéeGaëtan CURT : Photogrammétrie rapprochée
Gaëtan CURT : Photogrammétrie rapprochée
kmichel69
 

Plus de kmichel69 (16)

Les données tridimensionnelles en géomorphologie fluviale: K.Michel
Les données tridimensionnelles en géomorphologie fluviale: K.MichelLes données tridimensionnelles en géomorphologie fluviale: K.Michel
Les données tridimensionnelles en géomorphologie fluviale: K.Michel
 
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
VilO3D: Scénariser la fabrique urbaine en 3D. H.Mathian, S.Servigne, A-S Clém...
 
RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
 RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol... RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
RêVeRIES: retour sur les protocoles participatif pour compter les arbres, Ol...
 
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
Véléval : retours d'expériences sur les protocoles d'enquêtes. Matthieu Adam ...
 
Graphes paysagers- Xavier Girardet
Graphes paysagers- Xavier GirardetGraphes paysagers- Xavier Girardet
Graphes paysagers- Xavier Girardet
 
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
Pauline DUSSEUX : Exploitation de séries temporelles d'images satellites à ha...
 
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
 
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
Florent RENARD : Influence de la topographie et de l’occupation du sol sur la...
 
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
Laurent COSTA : Plateformes géo-collaboratives et programmes de recherches hi...
 
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
 
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographesLaurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
Laurent BEAUGUITTE : L'analyse des réseaux sociaux pour les géographes
 
Roman joliveau
Roman joliveauRoman joliveau
Roman joliveau
 
Compte-rendu de session
Compte-rendu de sessionCompte-rendu de session
Compte-rendu de session
 
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologieOlivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
Olivier BARGE : Cerf-volant et photogrammétrie pour l'archéologie
 
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en WallonieAdrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
Adrien MICHEZ : Gestion des 12 000 km de bandes riveraines en Wallonie
 
Gaëtan CURT : Photogrammétrie rapprochée
Gaëtan CURT : Photogrammétrie rapprochéeGaëtan CURT : Photogrammétrie rapprochée
Gaëtan CURT : Photogrammétrie rapprochée
 

Xavier BRIOTTET : Activités sur l'ensemble du domaine optique (0.4-12 µm)

  • 1. ONERA DOTA ONERA skills in remote sensing X. Briottet Xavier.Briottet@onera.fr
  • 2. 2 Outlines Introduction Illustrations of some recent applications: urban area, bare soil, vegetation, industrial plume Data base Facilities: in lab, on ground and Airborne
  • 3. 3 Introduction: some generalities Visible Near- infrared UV ← Thermal infrared → Radio"Mid-wave" IR, 3 - 5 µm Wavelength(µm) Photonsreceived(s-1) "Long-wave" IR, 8-14 µm Reflected daylight Thermal emission 400 500 600 700 800 900 1000 Bølgelengde (nm) Intensitet Wavelength (nm) Reflectance Panchromatic >250nm Multispectral 40-100nm Hyperspectral 10 to 300 bds 2 à 20 nm. @FFI
  • 4. Introduction: general hyperspectral image system Hyperspectral instrument Atmosphere compensation Opt. Prop., T retrieval Anomaly detection . . . Processing Radiometric / Geometric corrections Classification / Change detection / spectral matching Ex: Land cover mapping Spectral data base Chemical / physical properties estimation Ex: Hydric stress of the vegetation
  • 6. Preprocessing (2/3) WHY? To overcome the atmosphere effects: optical properties, temperature [0.4 – 2.5 µm] • Aerosols (AOT, type) Spectral Data Base required 0 0,05 0,1 0,15 0,2 0,25 0 0,05 0,1 0,15 0,2 0,25 Epaisseurs optiques de référence Epaisseursoptiquesinversées 440nm 670nm 550nm •Remote sensing of aerosols in urban areas from very high spatial resolution images: application of the OSIS code to multispectral PELICAN airborne data, C. Thomas, X. Briottet and R. Santer, International Journal of Remote Sensing, Volume 34, Issue 3, 2013 Special Issue: Sustainable Urbanization, DOI:10.1080/01431161.2012.716173, pages 919-937 Atmospherecharacterization In Lab characterization and Calibration Thomas PhD@ONERA, 2011
  • 7. Preprocessing (3/3) [0.4 – 2.5 µm] : Water vapor (abundance) AtmosphereCharacterization [3.0 – 12.0 µm] : Water vapor and Temperature profils (PhD S. Lesage) λri λm1 λm2 λrj Lri Lrj Lm1 Lm2 Radiance : L = b.λ + c ),( 2 refOHLIRR LwfR = Radiance Image Image of water vapor content CH2O (g/cm-²) Histogr. CH2O @Aviris (Railroad Valley USA, 98) « Direct and Inverse Radiative Transfer Solutions for Visible and Near-Infrared Hyperspectral Imagery »; C. Miesch, L. Poutier, V. Achard, X. Briottet, X. Lenot, Y. Boucher; IEEE TGARS, Vol. 43, N°.7, July 2005, pp 1552-1562 Aviris (Railroad Valley USA, 98) Method: Neural Network Performance: T(z): Biais = - 0.04 K, rms=0.24 K H20(z): Biais=0.02 g/cm², rms =0.12 g/cm² Heighttransmission wavelength ∆λ ∆z CO2 Absorption band: T(z) H2O Absorption band: T(z), H2O(z)
  • 8. Land Cover mapping in urban area: context “2008 Remote Sensing Data Fusion Contest”@P. Deliot, V.Achard – ONERA, [670nm,550nm,470nm]; [buildings, shadow, vegetation, road, river], 96% of well classified pixels DOTA/POSPh.DéliotetV.Achard Main Limitation: shadows Sunny Shadow Impact du relief sur le bilan de transfert radiatif
  • 9. Atmospheric correction (1/2) Urban environment issues : shadows, occultations, vertical facades Objective : from the sensor radiance, going back to the reflectance ρ [1] Miesch et al., « Direct and inverse radiative transfer solutions for visible and near-infrared hyperspectral imagery », Geo.and Remote Sensing, 2005. [2] Chen et al., « Efficient empirical reflectance retrieval in urban environment », IEEE Journ. of sel. top. in applied earth obs. and remote sensing, 2012. [3] Lachérade et al., « ICARE : a physically-based model to correct atmospheric and geometric effects from high spatial and spectral remote sensing images over 3D urban areas », Meteorology and Atmospheric Physics, 2008. Comparison of three methods COCHISE[1] Flat ground hypothesis : ○ Irefl neglected ○ Idiff, Icoup, and Renv processed without considering the relief Limitation : no proper correction in shadowed areas Empirical method[2] Fast algorithm correcting both shadows and relief effects without DEM Suited to classification applications Limitation : some radiative terms are roughly approximated, which prevent this method to be used for spectrum identification ICARE[3] Efficient method suited to 3D environment (DEM known) Suited to spectrum identification X. Briottet, X. Ceamanos, G. Roussel
  • 10. Detection of vehicules - Land Cover mapping in urban area – without taking into account the 3D shape (empirical correction) (Collaboration with DSO-Singapore) Shadow detection Anomaly detection classification Atm. Correction Will depend on the irradiation at ground level Anomaly Classification Noatm.Corr.Withatm.Corr. Identification Hyperspectral Image Pan Image •JSTARS-2012-00371.R2 Efficient Empirical Reflectance Retrieval in Urban Environments, M. Chen, X. Briottet, Sze Kim Pang, •IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, pblished in 2013 Method: A shadow mask is processed using the Nagao algorithm[4] Idir, Idiff, Ratm, Renv and τup are processed using Comanche, a direct radiative transfert code Itot is processed differently for sunlit and shadowed areas Sunlit areas Shadowed areas
  • 11. 11 Correction sol plat: Cochise Correction empirique ombre et soleil (Chen et al;, 2014) ANR HYEP Applications : milieux urbains – Quelle correction atmosphérique pour quelle résolution spatiale? (Post Doc G. Roussel) LIVE/CNRS-ONERA Roussel et al., Whispers, 2016 Objectif: préparation de la mission spatiale hyperspectrale HYPXIM
  • 12. Atmospheric correction: ICARE ICARE : a MNE is required an input [0.4 – 2.5 µm]: to retrieve the surface reflectance Depends on the landscape: Heterogeneous, mountain, town Radiance (shadows, slopes effects…) Corrected reflectance with ICARE@ONERA “ICARE: A physically-based model to correct atmospheric and geometric effects from high spatial and spectral remote sensing images over 3D urban areas", S. Lachérade, C. Miesch, D. Boldo (IGN), X. Briottet, C. Valorge (CNES), H. Le Men (IGN), Volume 102, Numbers 3-4 / December, 2008, Special Issue on CAPITOUL Experiment (Special Editors: L. Gimeno, V. Masson and A. J. Arnfield), Meteorology and Atmospheric Physics Publisher Springer Wien, pp 209-222 Limitations due to the transparency of the tree (PhD K.Adeline, 2013), see also unmixing in urban area, PhD I. Meganem, 2012) FUSION Hyperspectral with 3D telemeter 54.2% Gain of 20% 74.1%
  • 13. • 2 arbres: tilleul, magnolia • Mesures LiDAR terrestre full waveform d’un arbre isolé et séparation feuilles/élements ligneux • Outil de modélisation 3D et de simulation: DART Atmospheric correction: tree shadow 13 Impact de la modélisation d’un arbre sur le bilan radiatif à l’ombre Adeline K.R.M., X. Briottet, J.-P. Gastellu-Etchegorry and F. Vinatier. Impact of tree crown transmission on 3D radiative regime with geometric, voxel-based and exact tree reconstruction from TLS measurements and DART. En préparation ... Données et méthode Résultats Contribution des éclairements Modèle LiDAR Transmission diffuse Transmission directe Transmission directe Modèle turbide discret Modèle turbide géométrique
  • 14. • Code de base: ICARE • Ajouter la contribution de l’éclairement transmis direct + diffus • Moyens: DART (code de transfert radiatif 3D incluant la canopée) • Correction physique incluant : - plan d’expériences et analyse de sensibilité - régression statistique optimisée multivariée linéaire et non linéaire - approche spectrale et spatiale • 1 méthode opérationnelle et 1 méthode de validation Atmospheric correction: ICARE VEG (ANR VEGDUD) 14 Adeline K.R.M., X. Briottet and X. Ceamanos. ICARE-VEG: a 3D physics-based atmospheric correction method improved for the processing of tree shadows in high spatial hyperspectral urban images. EN COURS DE RÉDACTIONà IEEE Transactions on Geoscience and Remote Sensing. Adaptation d’une méthode de correction atmosphérique à la présence d’arbres Stratégie Chaîne de traitement ICARE-VEG Meilleure estimation de la réflectance à l’ombre des arbres (erreur absolue moyenne réduite à < 4% dans la moitié des cas étudiés) données UMBRA
  • 15. Spectral Unmixing Objective: using the spectral richness, unmixing the pixel information to retrieve the main spectral signatures and their corresponding abundances Common assumption: linear mixing of the optical properties Limitations: • VIS-NIR-SWIR: if the irradiance is not homogeneous over the pixel, if 3D structure (environment coupling) • In the MWIR and LWIR: non linearity due to the Planck Law (work on progress) Ex: urban area in the VIS-NIR-SWIR Physical based Mixing model: linear quadratric Method: blind source separation (Non Negative Matrix Factorization) Meganem PhD, 2012, collaboration with OMP On the track: PhD's with GIPSA, PhD with OMP •TGRS-2012-00483.R1 Linear-quadratic mixing model for reflectances in urban environments, I. Meganem, P. Déliot, X. Briottet, Y. Deville, S. Husseini, accepted in Dec 2012, published in 2013
  • 16. 16 ADEME + ANR HYEP Applications : milieux urbains – Classification des surfaces urbaines : résolution spatiale vs domaine spectral SVM classification map - Same GSD. SVM classification map Nominal GSD With a same GSD, SWIR band improves the good classification performances With their nominal resolutions, Pléiades (2m) and HYPXIM (8m) have similar classification performances Ongoing: • Fusion Pan/hyper (Loncan, ONERA- GIPSA-Lab) • Improve the number of class • Unmixing taking into account the intraclass variability(C. Revel, OMP-ONERA) Etude ADEME Ilot de fraicheur urbain, R. Oltra Carrio, X. Briottet, 2014 Hyper_1.6m S2_1.6m Pleiades_1.6m Results of a supervised classification (SVM) on the radiance image Image Kappa Overall accuracy (%) SENTINEL 2_1.6m 0,88 89,7 Hyper_1.6m 0,86 87,9 PLEIADES_1.6m 0,80 82,6 HYPER_8m 0,77 80,7 SENTINEL-2_9.6m 0,66 71,4 Pleiades_1.6m Hyper_8m S2_9.6m
  • 17. 17 Perspectives milieux urbains dans le domaine réflectif En cours: • fusion Hyper / Panchro : thèse L. Loncan ONERA/Gipsa-Lab • Démélange (variabilité intraclasse et mélange non linéaire quadratique) : thèse C. Revel ONERA/OMP • Identification des espèces d’arbre en milieu urbain : thèse J. Aval ONERA/ISAE L. Loncan, L. B. Almeida, J. M. Bioucas-Dias, X. Briottet, J. Chanussot, N. Dobigeon, S. Fabre, W. Liao, G. Licciardi, M. Simoes, J-Y. Tourneret, M. Veganzones, G. Vivone, Q. Wei and N. Yokoya, "Hyperspectral pansharpening: a review," IEEE Geosci. and Remote Sens. Mag., to appear
  • 18. Atmospheric correction: [3.0 – 12.0 µm] Temperature Emissivity Separation Real Scene Radiance Acquisition Emissivity Image Temperature Image ill posed problem Several methods developped depending on the spectral richness (PhD Kanani ONERA/LSIIT) Perfo/labo~0.021+-0.014@4cm-1 Perfo/labo~0.015+-0.02@4cm-1 Manuel Cubero-Castan, Jocelyn Chanussot, Véronique Achard, Xavier Briottet, Michal Shimoni. "A physics-based unmixing method to estimate subpixel temperatures on mixed pixels", Geoscience and Remote Sensing, IEEE Transactions on. Vol. 53, N. 4, 03/2015
  • 19. Error budget to retrieve (Ts, ε) in urban area from AHS data Error source LSE RMSE LST RMSE (K) TES algorithm 0.001 0.1 Atmospheric correction 0.005 0.4 3D structure (Test 4) 0.005 0.2 Root Sum Square 0.007 0.5 Man-made materials Asphalt Error source LSE RMSE LST RMSE (K) TES algorithm 0.017 0.9 Atmospheric correction 0.005 0.4 Root Sum Square 0.018 1 "TITAN : an Infrared Radiative Transfer Model for Heterogeneous 3-D Surface - Application over Urban Areas", G. Fontanilles, X. Briottet, T. Tremas, Applied Optics, Vol. 47, Issue 31, pp. 5799-5810 R. Oltra-Carri´o, M. Cubero-Castan, X. Briottet & J. Sobrino, “Analysis of the performance of the TES algorithm over urban areas”, IEEE Transactions on Geoscience and Remote Sensing, , vol.52, no.11, pp.6989-6998, Nov. 2014
  • 20. Preprocessing • Sysiphe project Mission preparation: • MISTIGRI, THIRSTY, SOIF, India-France project (2016-) • Unmixing to retrieve the intrapixel Ts,i (TOSCA CATUT INRA/ONERA/COSTEL) On going works
  • 21. 21 Vegetation Fucused on : • Species discrimination To detect : • Indirect pollution effect • Vegetation stress
  • 22. 22 Caractérisation de la biodiversité végétale en milieu montagnard Thèse T. Erudel (2014-2017) Labex DRIIHM GEODE-ONERA (1/2) Objectif de l’OHM du Haut-Vicdessos : mettre en évidence l’impact des actions anthropiques sur un système socio- écologique. Nécessité de mettre en place une cartographie spatialement exhaustive de la biodiversité. Site d’étude : Bernadouze (Ariège/Pyrénées) Forêt : classification des espèces Tourbière : biodiversité, fonction habitat Les données disponibles Mesures in situ et relevés botaniques (septembre 2014) Données hyperspectrales et LiDAR acquises lors de la campagne aéroportée IGN/ONERA (septembre 2014) Données issues d’autres campagnes (septembre 2012, juin2014) disponibles Possibilité d’étude multi-temporelle Images hyperspectrales VIS/NIR (campagne IGN/ONERA de septembre 2014) Image LiDAR (campagne IGN/ONERA de septembre 2014) Difficultés Variabilités intra-espèces et inter-espèces importantes Topographie en zone montagneuse Ombrage Délinéation des couronnes d’arbres
  • 23. 23 Analyse spectrale par classe Signatures spectrales relevées in situ Carte des relevés botaniques Outils spectraux d’analyse indices spectraux critères de similarité Méthodes de régression Creux à Grassette Butte à Sphaignes Fourré à Saules Caractérisation de la biodiversité végétale en milieu montagnard Thèse T. Erudel (2014-2017) Labex DRIIHM GEODE-ONERA (2/2)
  • 24. 24 Vers une cartographie automatique du patrimoine arboré en milieu urbain Thèse J. Aval (2015-2018) ISAE-ONERA-INRA (1/2) Spéciation des arbres Spectre Texture Géométrie 11/04/2016 Evolutions temporelles Hyperspectral LiDARPanchromatique Comment? Par Approche expérimentale à partir de données acquises sur Toulouse Les points durs sont : Combinaison de données hétérogènes multiéchelles Exploitation de données multitemporelles t
  • 25. 25 Hyperspectral Panchromatique Zone d’étude 11/04/2016 LiDAR 0.4 à 2.5 µm à 1.6 m de résolution spatiale 1 à 5 pts / m², 20 cm de résolution en hauteur 14 cm de résolution spatiale Spectre Texture Géométrie Combinaison de données multi-capteurs multi-résolutions Vers une cartographie automatique du patrimoine arboré en milieu urbain Thèse J. Aval (2015-2018) ISAE-ONERA-INRA (2/2)
  • 27. Cartographie du taux d’humidité superficielle des sols nus Imageur Hymap (DLR): Domaine spectral : 0,4 - 2,5 µm ; GSD : 4 m, H : 2 km SMC gravimétrique (%g) Parcelle 1Parcelle 1 Parcelle 2Parcelle 2 NINSOL WISOIL NSMI NINSOL Intérêt pour HYPXIM (cf phase 0) Dépend de la texture (argile, limon, sable) •"Influence of soil moisture content on spectral reflectance of bare soils in the 0.4–14 µm domain, Audrey Lesaignoux, Sophie Fabre & Xavier Briottet, International Journal of Remote Sensing, Volume 34, Issue 7, 2013, DOI:10.1080/01431161.2012.743693, pages 2268-2285 Improvement of soil moisture retrieval from hyperspectral VNIR-SWIR data using clay content information. From laboratory to field experiments, Rosa Oltra-Carrió, Frederic Baup, Sophie Fabre, Remy Fieuzal, Xavier Briottet, Remote Sens. 2015, 7(3), 3184-3205; doi:10.3390/rs70303184 Estimation of Soil Moisture Content on Spectral Reflectance of Bare Soils in the 0.4 -2.5 µm Domain, Sophie Fabre, Xavier Briottet, Audrey Lesaignoux, Sensors 2015, 15, 3262-3281; doi:10.3390/s150203262
  • 28. Texture des sols : Cartographie du taux d’argile Travaux ONERA/CESBIO/LISAH (Projet TOSCA-HUMPER) La haute résolution spatiale permet d’obtenir des cartes de taux d’argile plus précises 28 Evaluating the sensitivity of clay content prediction to atmospheric effects and degradation of image spatial resolution using Hyperspectral VNIR/SWIR imagery, C. Gomez, R. Oltra-Carrió, S. Bacha, P. Lagacherie, X. Briottet, Remote Sensing of Environment, Volume 164, July 2015, Pages 1–15, doi:10.1016/j.rse.2015.02.019
  • 29. 29 Travaux en cours Texture de sols : • CNS cartographie numérique des sols (TOSCA avec LISAH) Minéralogie • Discrimination des argiles à partir de drone: thèse BRGM/ONERA Pollution des sols : • Hydrocarbure • Préparation de la mission HYPXIM
  • 31. Aerosol characterization [0.4 – 2.5 µm] Urban aerosol PhD ONERA C.Thomas Collaboration ONERA/ DSO Umbra 2012 Aerosol of biomass fire PhD A.Alakian, A. Deschamps Col. With CEA Aerosol of industrial plume PhD A. Deschamps (col. CEA) •Main constraints: aerosol data base On the tracks: To apply our method on a large diversity of Industrial plants UMBRA experiment, 2012, ONERA-IGN (K. Adeline et al., 2013) •AVIRIS •Objective: aerosol map in urban area •Methodes based on Sun / shadow measures using a LUT • Aerosol: type, Aerosol Optical Thickness •CASI data, EUFAR, Fos, France, 2010, @ONERA. •Objective: aerosol map of biomass fire •Methode: LUT • Aerosol: type, AOT, black carbon rate, effective radius •O •S •PELICAN, Musarde, 2009, •Toulouse, France @ONERA •Objective: plume aerosol • Methode: LUT • Aerosol: type, AOT SETHI experiment, Fos, June 2013, ONERA (P. Dubois-Fernandez et al., 2013) HYSPEX HYSPEX Alakian, Marion, Briottet., 2008., "Remote sensing of aerosol plumes: A semianalytical model", Applied Optics, 47, pp. 1851-1866, 2008 Simultaneous retrieval of CO2 and aerosols in a plume from hyperspectral imagery: application to the characterization of a forest fire smoke using AVIRIS data, A. DESCHAMPS, R. MARION, X. BRIOTTET, P.Y. FOUCHER, IJRS, to be published in 2013 OSIS: remote sensing code for estimating aerosol optical properties in urban areas from very high spatial resolution images, Colin Thomas, Xavier Briottet, and Richard Santer, APPLIED OPTICS / Vol. 50, No. 28 / 1 October 2011
  • 32. Gas emissions of industrial plant SWIR range (PhD A. Deschamps, 2012) • Objective: CH4, CO2, N2O, NO2 • Methode: CIBR/JRGE • Retrieved properties on Gas: type, abundance • Limitations: difficult when the ground reflectance level is weak MWIR/LWIR range (PhD R.Idoughi, 2016) • Objective: all gas • Method: on development, to be taken into Account Soil variability, T / concentration coupling • Outputs: Gas (type, abundance)=> mass flux CO2 retrieval at 2µm – AVIRIS image A. Deschamps, R. Marion , X. Briottet and P.Y. Foucher “Simultaneous retrieval of CO2 and aerosols in a plume from hyperspectral imagery: application to the characterization of a forest fire smoke using AVIRIS data”, Remote Sensing Environnement, 2012 ρSO2 SO2 Signature SO2 characterization over an industrial plantur site industriel - Telops data, Onera processing Estimated SO2 flux from Telops image ~ 100g.s-1 R. Idoughi, T. H. G. Vidal, P-Y. Foucher, M-A.Gagnon, and X. Briottet. “Background radiance estimation for gas plume quantification in downlooking thermal infrared images”. special issue on Applications of Spectroscopy in Environmental Monitoring of Gases and Aerosols - Journal of Spectroscopy accepted in Feb 2016
  • 34. 34 Taxonomy and data base: RTRA Acclimat (CNRM, Geode, ONERA), ANR HYEP (LIVE, IGN, ONERa, ESPACE, GIPSA-Lab), ANR VEGDUD (IRSTV, LPGN, INRA, ONERA), DSO…. Heiden, U., Segl, K., Kaufmann, H. (2007): Determination of robust spectral features for identification of urban surface materials in hyperspectral remote sensing data. – Remote Sensing of Environment, 111, 4, 537-552, DOI: 10.1016/j.rse.2007.04.008. ONERA@ANR VEGDUD ONERA@RTRA ACCLIMAT @ONERA
  • 35. Spectral Data base Facilities • covering the entire optical domain • large amount of material classes: vegetation and soils with different water contents, manmade materials…. MEMOIRES DATA BASE ASTER + more than 1000 spectra Facilities to measure the spectral reflectance 180° 0° 60°
  • 37. • Les moyens de télédétection existants • Les moyens de télédétection en cours de développement SOMMAIRE
  • 38. 0,4 1,4 2,4 3,4 4,4 5,4 6,4 7,4 8,4 9,4 10,4 11,4 Sysiphe : GSD 50 cm @2000m ∆λ: 5-6 nm ∆ν: 11 cm-1 ∆ν: 5 cm CamV2 : GSD 14 cm @2000m HySpex : ∆λ 5-6nm, GSD 1-2m @2000m Longueur d'onde (µm) Caméras LWIR: bande large Instrumentations aéroportées ONERA Systèmes embarquables sur drones POD SETHI Radar/optique Campagnes aéroportées multi- instruments HySpex (POC P. Déliot) Sysiphe (POC L. Rousset-Rouvière) POD (POC DOTA Y-M Frédéric) Moyensoptiques
  • 39. SYSIPHE (POC L. Rousset-Rouvière) Spectral imager MWIR / LWIR SIELETERS (ONERA) Spectral imager VIS/SWIR Hyspex Odin-1024 (NEO) - Spectral reflectance / emissivity and temperature georeferenced maps - Spectral georeferenced radiance Products Real time image processing System (FFI/NEO) Archiving and processing data system STAD (ONERA)
  • 40. Le moyen Onera SETHI : Radar - Optique Poc : patricia.dubois-fernandez@onera.fr Radar P L X Center frequency (MHz) 340 1300 950 0 Instrumented bandwidth (MHz) 240 200 150 0 Best achievable resolution (cm) 62 75 10 Polarisation Full Full Full Tranmit peak power (W) 500 200 200 Antenna dip ole s patch array. horn s Elevation aperture 100 ° 30° 14° Azimuth aperture 50° 10° 14° Boresight Left loo k. Left or right look. 0° -80° Géométrie d’observation des différents capteurs embarqués Caractéristiques principales des instruments Radar embarqués
  • 41. DLR/Do228D-CFFU UMS /SAFIRE Toulouse/Francazal Falcon 20 ATR 42 Piper Aztec IGN/King Air Endurance max: 6 h Max range 2200 km Plafond: 7500 m CU max: 3300 kg Endurance max: 4 h Max range 1000 km Plafond: 4000 m CU max: 180 kg Endurance max: 5 h Max range 4100 km Plafond: 12000 m CU max: 1200 kg Endurance max: 7 h Max range 2350 km Plafond: 7500 m CU max: 1150 kg Endurance max: 5 h Max range 2200 km Plafond: 9000 m CU max: 1000 kg Principaux avions avec « trappe photo » utilisés par l’Onera
  • 42. Autres porteurs utilisés par l’Onera : pods ou drones en coopération avec le Dpt Radar Pods Stemme/Onera Pods Falcon 20 (Onera/ DGA-EV Onera/AvDef) Endurance max: Max range 1200 km Plafond: 9000 m CU max: 50 kg/pod Endurance max: 2h30 Max range 1500 km Plafond: 9000 m CU max: 120 kg/pod Pods radar : bandes X, Ka + Panchromatique vis et IR + hyperspectral VIS/SWIR Drones/Onera Pods SETHI: bandes P, L and X, Polarimetrie, Interferometrie + CU Hyperspectral
  • 43. 43 Catalogue de données et métadonnées : ce module est un pilier majeur du projet LIMA. Adapté à l’organisation du travail ONERA (projets, campagnes, acquisitions, vérités terrains….) Vitrine du patrimoine ONERA en termes de données Respect de référentiels normatifs (ISO19115, INSPIRE) => recherche sur catalogues externes (Géoportail, catalogue Pléiades, …) LIMA-Exploitation : Base de données d’acquisition de télédétection
  • 44. TERRISCOPE (2016-2018) Description scientifique et technique : structure et composition de l’équipement 1. Une plateforme de mesures avions légers et drone de classe 150kg, avec des systèmes de mesures optiques au meilleur niveau de l’état de l’art 2. Une plateforme de mesure drones à voilure fixe de classe 25kg, avec des systèmes de mesures optiques compacts ou miniaturisés, également au meilleur niveau de l’état de l’art 3. Des capacités sol, communes à tous les instruments, de : •Préparation mission, •Traitements et archivages des données (intégrés dans LIMA), •Moyens d’étalonnage des nouveaux capteurs 44
  • 45. TERRISCOPE (2016-2018) : Les porteurs - Plateforme de mesures avions légers et drone de classe 150kg • Acquisition d’un drone catégorie F • Utilisation des porteurs SAFIRE et Onera CU > 40 kg (75 kg) Autonomie : 1200 km (2000) Base de vol : zone ségréguée Stemme CU 80 kg Autonomie : 600 km Piper Aztec CU 200 kg Autonomie : 1000 km Drones catégorie F (moins 150 kg - 20-75kg d’emport) Motoplaneur Avions légers et… « labo volant » ATR42 CU 2500 kg Autonomie : 3000 kmCapacité vol 1 avion : 1 CU importante ou plusieurs charges utiles de la gamme 1- 10 kg simultanément.
  • 46. TERRISCOPE (2016-2018) Les porteurs - Plateforme de mesures avions légers et drone de classe 150kg MOYENS A ACQUERIR Multispectral VISNIR •1 à 8 bandes •Résolution spatiale 1-2 cm •~6000 x 4000 pixels (min 2000 x 2000) Hyperspectral •0.4-2.5µm, 200 à 400 bandes •Résolution spatiale 5cm -1m Exemple : Aisa FENIX sensor L: 387 mm W: 222.5 mm H: 450 mm Mass: 15 kg Multispectral LWIR/MWIR •Faible bruit •1 à 4 bandes (8-12µm et potentiellement 3-5µm) •Résolution spatiale 2-5 cm •600 x 400 pixel min Dual DigiTherm Lidar 3D FW •Lidar télémétrique « fullwave » •4 point / m2 min •Résolution spatiale 5 cm min •Géoreférencement
  • 47. TERRISCOPE (2016-2018) Les porteurs – Plateforme de mesure drone classe 25 kg Bases de vol : Esperce (1 km Ariège), Caylus, Lannemezan …. Capacité vol 1 ou 2 avions : 2 charges utiles simultanément, en formation Ex : imagerie laser + hyperspectral, hyperspectral • Acquisition de 4 drones catégorie E, une catapulte et une station sol CU 5 kg -> upgrade 10 kg sur investissement AJS Autonomie : 1000 km Drones catégorie E (moins de 25 kg) Emport : 5 kg – Upgrade pour emport 10 kg à la fin du projet 47
  • 48. TERRISCOPE (2016-2018) Les porteurs – Plateforme de mesure drone classe 25 kg MOYENS A ACQUERIR Multispectral VISNIR •1 à 8 bandes •Résolution spatiale 1-2 cm •~5000 x 4000 pixels (min 1000 x 1000) CamLight IGN Hyperspectral •0.4-1µm 60 à 120 bandes •0.4-2.5µm si possible •Résolution spatiale ~5-20cm Multispectral MWIR/LWIR •Faible bruit •Bi-bande (8-12µm et potentiellement 3-5µm) •Résolution spatiale 2-5 cm •600 x 400 pixel min Sofradir SOIE Lidar 3D FW •Lidar télémétrique « fullwave » •4 point / m2 min •Résolution spatiale 5 cm min •Géoreférencement
  • 49. 49 Thank you … Porquerolles, France, HYSPEX on Sethi, 2013 Fauga, France, HYSPEX, 2012 Porquerolles Castle, France, Pan on Sethi, 2013 Toulouse, France, HYSPEX, 2012