Optical satellite imagery is often contaminated by the persistent presence of clouds and atmospheric haze. Without an effective method for removing this contamination, most optical remote sensing applications are less reliable. In this research, a methodology has been developed to fully automate and improve the Haze Optimized Transformation (HOT)-based haze removal. The method is referred to as AutoHOT and characterized with three notable features: a fully automated HOT process, a novel HOT image post-processing tool and a class-based HOT radiometric adjustment method. The performances of AutoHOT in haze detection and compensation were evaluated through three experiments with one Landsat-5 TM, one Landsat-7 ETM+ and eight Landsat-8 OLI scenes that encompass diverse landscapes and atmospheric haze conditions. The first experiment confirms that AutoHOT is robust and effective for haze detection. The average overall, user’s and producer’s accuracies of AutoHOT in haze detection can reach 96.4%, 97.6% and 97.5%, respectively. The second and third experiments demonstrate that AutoHOT can not only accurately characterize the haze intensities but also improve dehazed results, especially for brighter targets, compared to traditional HOT radiometric adjustment.

Measurements of CP observables in B ⁰ → DK ^∗0 decays are presented, where D represents a superposition of D ⁰ and $$ {\overline{D}}^0 $$ D ¯ 0 states. The D meson is reconstructed in the two-body final states K ⁺ π ⁻, π ⁺ K ⁻, K ⁺ K ⁻ and π ⁺ π ⁻, and, for the first time, in the fourbody final states K ⁺ π ⁻ π ⁺ π ⁻, π ⁺ K ⁻ π ⁺ π ⁻ and π ⁺π⁻π⁺π⁻. The analysis uses a sample of neutral B mesons produced in proton-proton collisions, corresponding to an integrated luminosity of 1.0, 2.0 and 1.8 fb⁻¹ collected with the LHCb detector at centre-of-mass energies of $$ \sqrt{s}=7,8 $$ s = 7 , 8 and 13 TeV, respectively. First observations of the decays B ⁰ → D(π ⁺ K ⁻)K ^∗0 and B ⁰ → D(π ⁺ π ⁻ π ⁺ π ⁻)K ^∗0 are obtained. The measured observables are interpreted in terms of the CP -violating weak phase γ.

L'indice de surface foliaire (ISF) quantifie la densité de la végétation indépendamment du type de couverture terrestre. L'ISF mesure la surface totale du feuillage par unité de surface terrestre. L'ISF a été identifié par le Système mondial d'observation du climat comme une variable climatique essentielle nécessaire pour la modélisation et le suivi des écosystèmes, de la météo et du climat. Ce produit comprend une couverture à l'échelle nationale (Canada) de cartes mensuelles de l'ISF maximal pendant une saison de croissance (mai-juin-juillet-août-septembre) à une résolution de 20 mètres.

La mission Sentinel-2 de Copernicus est conçue pour fournir des données pouvant être utilisées pour cartographier les variables biophysiques de la végétation a une échelle globale. Les estimations des variables biophysiques de la végétation ne sont pas encore produites de manière opérationnelle par le segment au sol de Sentinel-2. Plutôt, un algorithme de prédiction, appelé Simplified Level 2 Prototype Processor (SL2P), a été défini par l'Agence Spatiale Européenne. SL2P utilise deux réseaux neuronaux à rétropropagation, un pour estimer le variable biophysique de la végétation et l’autre pour quantifier l'incertitude de l'estimation, en utilisant une base de données de conditions de canopée globalement représentatives peuplée à l'aide de simulations de modèle de transfert radiatif de la canopée. SL2P a été mis en œuvre dans la boîte à outils LEAF du Centre Canadien de Télédétection qui s'appuie sur Google Earth Engine. Ce document décrit une implémentation PYTHON de SL2P (SL2P-PYTHON) qui fournit des estimations identiques estimations obtenues avec LEAF en utilisant la même image Sentinel-2 en entrée.