An assessment of three candidate compositing methods for global MERIS time series

Abstract

Compositing has long been used to produce complete, cloud-free images over large areas. Several compositing methods have been developed and implemented for global time series, and each method corrects for angular effects and atmospheric variations differently. This study assesses the performance of three compositing methods on real and simulated medium-resolution imaging spectrometer (MERIS) images. The three methods considered are best index slope extraction (BISE), mean compositing (MC), and the method of Hagolle et al. The optimal method was selected using two criteria, namely a qualitative examination of the temporal MERIS reduced resolution (RR) profiles, and a quantitative analysis of the noise introduced into composite images of the reflectance data time series. The latter calculation relies on the standard deviation of the normalized error based on simultaneous SPOT VEGETATION images. All three methods succeed in reproducing the long-term temporal evolution of the normalized difference vegetation index (NDVI). The BISE method, however, produces a temporal profile with more short-term variations. The other two methods produce very similar noise levels, with MC holding a small but consistent advantage. Owing to its performance and simplicity, the MC method has been selected to process global MERIS time series.

La technique de compositing a longtemps été utilisée pour produire des images complètes et sans nuages au-dessus de vastes territoires. Plusieurs méthodes de compositing ont été développées et implantées pour les séries temporelles à l’échelle du globe, chacune corrigeant différemment les effets angulaires et les variations atmosphériques. La présente étude évalue la performance de trois méthodes de compositing appliquées sur des images MERIS (« medium resolution imaging spectrometer ») réelles et simulées. Les trois méthodes considérées sont la méthode BISE (« best index slope extraction »), MC (« mean compositing ») et la méthode de Hagolle et al. La méthode optimale a été choisie en utilisant deux critères: un examen qualitatif des profils temporels à résolution réduite (RR) de MERIS et une analyse quantitative du bruit introduit dans les images composites des séries temporelles de données de réflectance. Ce dernier calcul repose sur l’écart type de l’erreur normalisée basée sur les images simultanées de SPOT VEGETATION. Les trois méthodes reproduisent avec succès l’évolution temporelle à long terme du NDVI (« normalized diference vegetation index »). La méthode BISE donne toutefois un profil temporel avec plus de variations à court terme. Les deux autres méthodes produisent des niveaux de bruit très similaires, la méthode MC montrant cependant un avantage léger mais constant. En raison de sa performance et de sa simplicité, la méthode MC a été choisie pour traiter les séries temporelles de MERIS à l’échelle du globe.[Traduit par la Rédaction]