Remote sensing of snow at different spatial scales : an analysis for snow cover fraction retrieval from Sentinel-3

In the last years new Earth Observation missions are made available by the European Community\ESA program Copernicus, with the characteristic to be free-of-charge and operationally available for all the globe. The Copernicus program includes six different constellations of satellites, i.e. the Sentinels. Sentinel-2 is a mission composed by two twin satellites that can provide a revisit time of 2-3 days at mid-latitude, and can monitor snow with a spatial resolution of 20 m. Sentinel-3 is a medium spatial resolution satellite with a daily revisit time at mid-latitude, that provides images at 300 m. New techniques for snow monitoring, and in particular for SCF extraction can be investigated for these sensors, focusing on the integrated use of high and low resolution. In this thesis we propose four new methods to derive SCF maps from Sentinel-3 OLCI images using the synergy with Sentinel-2 data. The proposed methods have been designed to be general, and thus applicable to other sensors sharing similar characteristics with Sentinel-3, such as MODIS data. Since MODIS has a standard snow product with a suggested method for the SCF estimation and it is one of the most used low resolution sensor, we firstly tested the proposed methodologies on the MODIS sensor, in order to better understand its improvement capability. Then, the best method has been applied on Sentinel-3. Among the methods proposed for SCF estimation, three of them are actively using the high resolution information acquired by the Sentinel-2 sensor, while the fourth method is based on a machine learning Support Vector Regression approach, which has been trained exploiting the SCF extracted from the high resolution Sentinel-2 snow maps. The result obtained with each method is then compared with the reference method, using as comparison metric the RMSE with respect to a reference dataset extracted from the high resolution Sentinel-2 data.

Negli ultimi anni nuove missioni di osservazione della terra sono state rese disponibili dal programma della Comunità Europea \ ESA Copernicus, con le caratteristiche di essere gratuito e disponibile per tutto il globo. Il programma Copernicus include sei differenti costellazioni di satelliti, i Sentinel. Sentinel-2 è una missione composta da due satelliti gemelli che possono garantire un tempo di rivisitazione alle medie latitudini di due-tre giorni, e possono monitorare la neve cojn una risoluzione spaziale di 20 metri. Sentinel-3 è un satellite a media risoluzione spaziale con un tempo di rivisitazione giornaliero alle medie latitudini e fornisce immagini con una risoluzione spaziale di 300 metri. Nuove tecniche per il monitoraggio della neve, e in particolare per l’estrazione della Snow Cover Fraction possono essere investigati per questi sensori, concentrandosi sull’uso integrato di alta e bassa risoluzione. In questa tesi vengono proposti quattro nuovi metodi per derivare la SCF dal sensore OLCI a bordo di Sentinel-3, usandolo in sinergia con i dati Sentinel-2. I metodi proposti sono stati pensati per essere generali, e quindi applicabili ad altri sensori che condividono caratteristiche simili a Sentinel-3, come ad esempio MODIS. Poiché MODIS ha un prodotto neve standard, con un metodo consigliato per la stima della SCF ed è uno dei sensori a bassa risoluzione più usati, le metodologie proposte sono state testate prima su MODIS, in modo da comprendere meglio le possibilità di miglioramento introdotte. Successivamente il metodo migliore è stato applicato a Sentinel-3. Tra i metodi proposti per la stima della SCF, tre usano attivamente l’informazione ad alta risoluzione acquisita da Sentinel-2, mentre il quarto metodo è basato su un approccio machine learning, il Support Vector Regression, che è stato addestrato sfruttando la SCF estratta dalle mappe Sentinel-2 ad alta risoluzione. Il risultato ottenuto con ogni metodo è stato poi confrontato con il metodo di riferimento utilizzando come metrica di confronto il RMSE rispetto a un dataset di riferimento estratto dal dato Sentinel-2 ad alta risoluzione.