Correction and evaluation of the topography induced-biases on satellite observations of the snow surface temperature

5/6 mois - Fevrier - Juillet 2022

Version française :

Contexte et objectif :
Le satellite Trishna, qui sera lancé fin 2024, fournira des images infrarouges thermiques à haute résolution à l’échelle mondiale tous les trois jours, divisant par deux la résolution et le temps de revisite des satellites actuellement en orbite. Ces images représentent une opportunité majeure pour surveiller de manière précise et extensive la température de surface de la neige, qui est un paramètre fondamental du bilan énergétique de surface des zones enneigées. Cependant, l’extraction de la température de surface de la neige dans les zones de montagne est difficile en raison des modifications induites par la topographie sur les flux radiatifs et sur l’émissivité de la neige. L’objectif de ce stage est d’implémenter plusieurs corrections topographiques dans un algorithme de correction atmosphérique pour l’extraction de la température de surface sur des zones de montagne et enneigées. L’importance absolue et relative des biais induits par la topographie seront évaluées en comparant des produits satellitaires corrigés avec des observations in-situ de la température de surface de la neige.

Missions :

• Le candidat développera un algorithme de correction atmosphérique pour la récupération de la température de surface à partir des mesures de radiance infrarouge thermique au sommet de l’atmosphère mesurées par satellite. L’algorithme tiendra compte des modifications de la radiance longwave incidente, de la composition atmosphérique et de l’émissivité induites par la topographie par rapport à une surface plane. L’algorithme sera développé pour les images Landsat 8 et 9 TIRS et adapté à Landsat 7 ETM+ et Ecostress.
• L’algorithme sera appliqué aux radiances infrarouges thermiques acquises par des capteurs spatiaux au cours des différentes étapes de la saison hivernale. Les résultats seront comparés à des observations in-situ de la température de surface acquises à l’aide de caméras infrarouges thermiques et de radiomètres. Le candidat utilisera des données in situ pour évaluer l’importance relative des biais induits par la topographie.

Points fort : autonomie dans l’utilisation de Python, connaissances de transfert radiatif et de traitement des données géospatiales

English version :

Context and goal :
The Trishna satellite, which will be launched at the end of 2024, will soon provide high resolution thermal infrared images at a global scale every three days, halving both the resolution and the revisit time of the satellites currently in orbit. These images represent a major opportunity to accurately and extensively monitor the surface temperature of snow, which is a fundamental parameter of the surface energy budget of snow covered areas. However, the retrieval of the snow surface temperature in mountainous areas is challenging because of the modifications induced by topography on the radiative fluxes and on the snow emissivity. The goal of this internship is to implement multiple topographic corrections into an atmospheric correction algorithm for the retrieval of the surface temperature over mountainous, snow-covered areas. The relevance and relative importance of the topography-induced biases will be evaluated by comparing corrected satellite products with in-situ observations of the snow surface temperature.

Missions :

• The candidate will implement an atmospheric correction algorithm for the surface temperature retrieval from the thermal infrared top-of-atmosphere radiance measurements from satellite. The algorithm will account for the modifications of the downwelling longwave radiance, the atmospheric composition and emissivity induced by topography with respect to a flat surface. The algorithm will be developed for Landsat 8 and 9 TIRS images and eventually adapted to Landsat 7’s ETM+ and Ecostress.
• The algorithm will be applied to thermal infrared radiances acquired by space-borne sensors during different stages of the winter season. The results will be compared to in-situ observations of the surface temperature acquired using thermal infrared cameras and radiometers. The candidate will use in-situ data to evaluate the relative importance of the topography induced biases.

Highlights : autonomy in the use of Python, knowledge of radiative transfer and geospatial data processing

References :

Robledano, Alvaro, et al. "Modelling surface temperature and radiation budget of snow-covered complex terrain." The Cryosphere 16.2 (2022) : 559-579.

Tardy, Benjamin, et al. "A software tool for atmospheric correction and surface temperature estimation of Landsat infrared thermal data." Remote Sensing 8.9 (2016) : 696.

Zhu, Xiaolin, et al. "Retrieval of land surface temperature with topographic effect correction from Landsat 8 thermal infrared data in mountainous areas." IEEE Transactions on Geoscience and Remote Sensing 59.8 (2020) : 6674-6687.