REPUBLIQUE DU TCHAD Unité-Travail-Progrès *********** MINISTERE DE L’ENSEIGNEMENT SUPERIEUR, DE LA RECHERCHE SCIENTIFIQUE ET DE L’INNOVATION ************* FACULTE DES SCIENCES EXACTES ET APPLIQUEES ************** MASTER DE PHYSIQUE *************** Option: PHYSIQUE DE L’ATMOSPHERE ET DU CLIMAT Thème: TELEDETECTION ET INDICE DE VEGETATION Présenté par: ADOUM ZAKARIA MOUSSA LIDAM MITNA TCHISSIA SALEH SEID SALEH Année universitaire: 2022-2023 Chargé du cours: Dr ADOUM MAHAMAT MOUSSA Plan du Travail I. Introduction à la télédétection & Indices de végétation II. Quelques applications des indices de végétation en télédétection III. Méthodologie de traitement IV. Avantages et inconvenant de la télédétection V. Conclusion I.INTRODUCTION A LA TELEDETECTION ET DES INDICES DE VEGETATION La télédétection est l'ensemble des techniques utilisées pour déterminer à distance les propriétés d'objets naturels ou artificiels à partir des rayonnements qu'ils émetten ou réfléchissent. Les techniques de télédétection comprennent l'ensemble du processus : la capture et l’enregistrement de l'énergie d'un rayonnement émis ou réfléchi par les objets observés, le traitement des données résultantes et enfin l'analyse des données finales. Ce processus met en œuvre un capteur (appareil photographique, laser, radar, sonar, lidar, sismographe, gravimètre,...) qui est généralement embarqué à bord d'une plateforme mobile : avion, satellite, ballon, navire.... La télédétection moderne repose normalement sur des traitements numériques mais peut tout aussi bien utiliser des méthodes non numériques. Une grande partie du spectre électromagnétique du rayonnement X aux ondes radios (en passant par l'ultraviolet, la lumière visible et l'infrarouge) peut être utilisée. Chaque partie du spectre est susceptible de fournir des informations sur l'objet : forme, température, composition chimique, moléculaire et minéralogie, distance…. Un indice de végétation est une valeur caractérisant un type de végétation, déterminée à partir des réflectances obtenues dans différentes bandes spectrales. Les indices de végétation sont utilisés pour identifier et suivre la dynamique de la végétation, mais aussi pour estimer certains paramètres biophysiques des couverts végétaux, comme la biomasse, l'indice de surface foliaire, etc.. Les indices de végétation peuvent aussi servir à assurer le suivi des zones où la végétation peut subir des stress, et détecter une éventuelle sècheresse. Cependant, comment sont appliqués les indices de végétations en télédétection ? Comment se font les traitements des données en télédétection ? Quels peuvent être leurs avantages et leurs inconvenants ? Répondre à ces questions fera l’objet de notre investigation. II. APPLICATION DES INDICES DE VEGETATION EN TELEDETECTION L’indice de végétation est un paramètre important de l’analyse du développement des cultures ; Ils existent plusieurs indices de végétation et chacun d’eux joue un rôle précis en télédétection notamment dans l’amélioration des cultures. Indice de végétation par différence normalisée (NDVI) Parmi les différents indices de végétation couramment utilisés pour évaluer la végétation, l’indice NDVI est particulièrement approprié pour suivre l’évolution des cultures car il permet de mesurer la biomasse photosynthétiquement active des plantes. Néanmoins, il est important de noter que l’indice de végétation NDVI peut être influencé par la luminosité du sol et les effets atmosphériques, ce qui peut fausser les résultats. Heureusement, il existe d’autres indices tels que l’EVI, le SAVI, l’ARVI, le GCL ou le SIPI, qui atténuent ces effets indésirables et offrent une meilleure précision dans l’évaluation de la végétation. Formule : NDVI = (NIR – ROUGE) / (NIR + ROUGE) NDVI est l’indice de végétation le plus largement utilisé en télédétection. Il peut être appliqué pendant toute la saison de production agricole, à l’exception des situations où la couverture végétale est extrêmement réduite, ce qui se traduit par une réflectance spectrale trop faible. Les valeurs de l’indice de végétation NDVI sont les plus précises pendant la saison agricole, notamment lors du stade de croissance active de la culture Indice de Végétation Chlorophylle Red-Edge (RECl) Plant Phenotyping Vegetation Indices for Chlorophyll Blog Hiphen L’indice de végétation ReCI réagit à la quantité de chlorophylle présente dans les feuilles, laquelle est influencée par la disponibilité en azote. L’indice de végétation ReCI permet ainsi de mesurer l’activité photosynthétique de la végétation. Formule : ReCI = (NIR / RED) – 1 Étant donné que la teneur en chlorophylle dépend directement du niveau d’azote dans les plantes, responsable de leur “verdure”, cet indice de végétation en télédétection permet de détecter les zones présentant des feuilles jaunes ou tombantes. Les valeurs de l’indice ReCI sont les plus utiles lors de la phase de développement végétatif actif, mais ne conviennent pas à la saison de récolte. Indice de teneur en eau par différence normalisé (NDWI) L’indice de végétation NDWI a été développé initialement avec le but de délimiter les masses d’eau libres et d’évaluer leur turbidité en réduisant la réflectance provenant du sol et de la végétation terrestre. L’indice de végétation NDWI est calculé en utilisant une combinaison de bandes proche infrarouge et visible. Formule : NDWI = (VERT – NIR) / (VERT + NIR) L’indice de végétation NDWI est souvent confondu avec l’indice NDMI (indice d’humidité par différence normalisé). L’indice NDWI utilise les canaux SWIR (infrarouge à ondes courtes) et NIR (proche infrarouge). La réflectance NIR permet d’analyser la teneur en matière sèche du feuillage végétal et la structure interne des feuilles, tandis que la réflectance SWIR permet d’évaluer les changements dans la teneur en eau des plantes et la structure du mésophylle. En combinant les bandes NIR et SWIR, on obtient une meilleure estimation de la teneur en eau de la plante, car la présence d’eau dans la structure interne de la feuille influence la réflectance spectrale dans la région SWIR. Indice de neige par différence normalisée (NDSI) L’indice de végétation NDSI est utilisé pour détecter la présence de couverture neigeuse en utilisant des combinaisons de bandes vertes visibles (VIS) et du proche infrarouge (SWIR ou NIR). Le choix de ces bandes est basé sur la réflectance élevée de la neige dans le SWIR et la faible réflectance dans le VIS, tandis que les nuages ont une réflectance élevée dans ces régions spectrales. Cette caractéristique permet de distinguer les nuages de la neige. La présence de neige est évaluée en calculant le rapport de la différence de réflectance entre les bandes VIS et SWIR. Formule : NDSI = (VERT – SWIR1) / (VERT + SWIR1) L’indice de végétation NDSI est comparable au Couverture de neige fractionnaire (FSC) dans sa capacité à détecter la présence de neige. Cependant, l’indice de végétation NDSI offre une précision supérieure par rapport au FSC, fournissant ainsi des données plus détaillées et plus fiables pour l’analyse de la couverture neigeuse. L’indice de végétation NDSI peut être utilisé dans la cartographie de la neige, pour différencier la neige des nuages. III. Méthodologie de traitement des données de télédétection Acquisition de données satellitaires Des caméras spécialement conçues pour la télédétection jouent un rôle crucial en fournissant aux scientifiques des images à distance pour mieux comprendre la Terre. Dans le même temps, chacun peut bénéficier de l’évaluation plus précise d’une zone d’intérêt (ZI) et prendre des décisions éclairées grâce à des capteurs satellites de télédétection qui offrent une perspective élargie et d’amples informations. Voici quelques exemples concrets : Les caméras installées sur les appareils de télédétection et les avions capturent des images couvrant d’immenses étendues de la surface terrestre et permettent d’accéder à des détails qui seraient autrement inaccessibles. Les sonars des navires établissent des cartes des fonds marins sans nécessité de plongées en profondeur. Les caméras des satellites saisissent les variations de température, y compris dans les zones éloignées et inaccessibles de l’océan. Deux formes principales de données satellitaires sont les images optiques et radar, issues de différents types de télédétection. Les images optiques fournissent une vue panoramique impressionnante de la planète. De plus, la télédétection radar peut révéler des informations telles que l’humidité du sol, la végétation submergée, la contamination de l’eau et la biomasse dans les zones forestières, autant de détails invisibles à l’œil nu. En combinaison avec d’autres sources de données, les informations fournies par la télédétection offrent aux planificateurs urbains une vision plus complète et actualisée de leurs zones de responsabilité. La consommation d’eau, l’humidité du sol, les infestations de parasites et de mauvaises herbes, les périodes de jachère et l’expansion urbaine ne sont que quelques exemples des éléments mesurables et surveillables grâce à ces avancées technologiques. Prétraitement des images satellitaires 1. Le désennuagement : Les images issues d’acquisition spatiale dans les bandes spectrales visibles présentent souvent des nuages, ce qui nuit à l’interprétation de ce que l’on peut observer sur le sol. Pour éviter de classifier les zones ennuagées dans une des classes de la nomenclature en vigueur, on va chercher à masquer les zones de nuages qui seront ignorées pour les études ultérieures (ou à l’inverse, on se concentrera sur ces régions si les nuages constituent la classe d’intérêt). Jeppensen et al. [1] font usage d’une architecture type U-Net qui permet de mettre en évidence la possibilité pour un classifieur CNN de distinguer non seulement les nuages du reste des objets avec lesquels ils pourraient être confondus comme la neige, mais également, en proposant une étude spectrale, de démontrer que cette architecture peut se contenter de canaux RGB et InfraRouge (IR) pour dénuager efficacement. Le modèle a été entraîné et évalué sur les jeux de données Landsat 8 Biome et SPARCS contenant des masques labellisés manuellement. Il faut donc reconstituer un jeu de données pour chaque nouveau capteur, les résolutions et bandes spectrales variant d’un satellite à un autre. Pour pallier ce besoin de données labellisées en chaque pixel, Li et al. [2] propose un modèle reposant sur un apprentissage faiblement supervisé. Au lieu d’affecter un label à chaque pixel dans le jeu d’apprentissage, chaque image du jeu est scindée en blocs de même taille auxquels on attribue la classe de nuage ou non. Le seuil d’activation nuage / non nuage est déterminé en comparant l’activation moyenne sur des blocs ne contenant pas de nuages. 2. Pan-sharpening : C’est un processus de fusion de l’imagerie panchromatique à haute résolution et multi spectrale à basse résolution pour créer une seule image couleur de haute résolution. Pour obtenir ces images à haute résolution spatiale et riches sur le plan spectral, les capteurs acquièrent toujours un canal supplémentaire, appelé un canal panchromatique (canal PAN), en plus des canaux spectraux (canaux MS). Le canal panchromatique perçoit l’ensemble des photons de la région observée, et donc sa résolution peut être rendue meilleure que celle des canaux spectraux. Le processus post-acquisition de pan-sharpening permet de ré-échantillonner les canaux spectraux à la résolution du canal panchromatique qui apporte une information de texture bien plus riche. 3. Imagerie hyperspectrale (HS) L’imagerie hyperspectrale est une technique non destructive qui explore le spectre électromagnétique au-delà des trois canaux spectraux (RGB) des caméras de couleur standard. Cette méthode permet de détecter un très grand nombre de bandes allant typiquement du visible jusqu’au proche infrarouge. Les processus d’avant deep learning mettent en œuvre une étape de mise en correspondance de caractéristiques spatiales (feature matching) et donc sont sensibles à l’étape d’extraction de ces caractéristiques. Pouvoir s’acquitter de cette étape avec un modèle d’apprentissage profond, qui est justement guidé par les données fournies pour extraire les caractéristiques pertinentes pour la tâche dédiée, est un grand avantage. Parmi les nombreux avantages des indices de végétation en télédétection, la précision des données et le contrôle à distance sont les principaux moteurs de l’adoption de la technologie. IV. Avantages et inconvenant de la télédétection Comme toute autre méthode de collecte et d’analyse de données, la télédétection a ses avantages et ses limites. Parmi les nombreux avantages de la télédétection, on peut citer : Capacité à couvrir d’immenses zones, avec l’ajout d’une répétabilité, est un outil inestimable pour les études régionales et la détection des changements dans les champs, les forêts, les plans d’eau, et beaucoup d’autres. La télédétection facilite l’acquisition de données à diverses échelles et résolutions. Les images à faible ou moyenne résolution sont souvent accessibles gratuitement. Les images composites en couleur provenant de la télédétection offrent des représentations nettement plus précises du paysage sous-jacent qu’une image à une seule bande ou qu’une photo prise depuis un avion. Les données de télédétection sont aisément traitées et interprétées par des ordinateurs pour diverses applications pratiques. Les données recueillies par les satellites peuvent être fournies sous de multiples formats, il est simple de les intégrer à d’autres ensembles de données en vue de prendre des décisions plus éclairées. Voici les limitations de la télédétection : Lorsqu’elle est employée pour l’étude détaillée de petites zones, la télédétection de pointe peut engendrer des coûts substantiels. Les systèmes actifs de télédétection, tels que les radars, émettent des rayonnements électromagnétiques pouvant interférer avec l’objet de l’étude. Cependant, il est souvent possible de les remplacer par des solutions optiques non perturbantes. Un exemple est la constellation EOS SAT, où le premier satellite de télédétection optique, EOS SAT-1, surveille actuellement des zones agricoles et forestières. Lors de l’analyse d’une image, il est crucial de garder à l’esprit qu’elle peut être influencée par des facteurs autres que ceux qui sont mesurés. Il existe un risque d’erreur de classification si des phénomènes distincts examinés semblent identiques. C’est pourquoi l’expertise d’un professionnel est nécessaire pour une analyse précise de l’image. Une formation spécifique est requise pour utiliser correctement les outils de télédétection, ce qui peut entraîner des coûts plus élevés à long terme. En revanche, si vous optez pour l’analyse de vos données via une plateforme de traitement d’images comme EOSDA LandViewer, cela peut être abordable, voire gratuit. Image de télédétection de la région de San-Francisco sur EOSDA Landviewer. V. Conclusion En somme, l’évolution de la technologie de télédétection et les outils d’indices de végétation ont apportés des améliorations significatives dans la collecte, le traitement et l’analyse des données à distance. Elles permettent aux cultivateurs de surveiller la santé des cultures, évaluer leur productivité et même suivre les changements environnementaux. Références Landsat Soil Adjusted Vegetation Index. U.S. Geological Survey. [1] Jeppesen, J. H., Jacobsen, R. H., Inceoglu, F., & Toftegaard, T. S. (2019). A cloud detection algorithm for satellite imagery based on deep learning. Remote sensing of environment, 229, 247-259. [2] Li, Y., Chen, W., Zhang, Y., Tao, C., Xiao, R., & Tan, Y. (2020). Accurate cloud detection in high-resolution remote sensing imagery by weakly supervised deep learning. Remote Sensing of Environment, 250, 112045. [3] Huang, W., Xiao, L., Wei, Z., Liu, H., & Tang, S. (2015). A new pan-sharpening method with deep neural networks. IEEE Geoscience and Remote Sensing Letters, 12(5), 1037-1041. [4] Xing, Y., Wang, M., Yang, S., & Jiao, L. (2018). Pan-sharpening via deep metric learning. ISPRS Journal of Photogrammetry and Remote Sensing, 145, 165-183. [5] Yang, S., Wang, M., Chen, Y., & Sun, Y. (2012). Single-image super-resolution reconstruction via learned geometric dictionaries and clustered sparse coding. IEEE Transactions on Image Processing, 21(9), 4016-4028. [6] Wei, Y., Yuan, Q., Shen, H., & Zhang, L. (2017). Boosting the accuracy of multispectral image pansharpening by learning a deep residual network. IEEE Geoscience and Remote Sensing Letters, 14(10), 1795-1799. [7] Kim, J., Kwon Lee, J., & Mu Lee, K. (2016). Accurate image super-resolution using very deep convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1646-1654). Sunil Kumar. Principles of Remote Sensing. National Water Academy in Pune.
