UNIVERSITE NATIONALE DU VIETNAM, HANOI
INSTITUT FRANCOPHONE INTERNATIONAL
TSHIBANDA NKOLONGO Franck
"Cartographie de caracteritiques de la surface du sol par traitement de données
Sentinel-2"
"Lập bản đồ đặc tính mặt đất bằng xử lý dữ liệu SENTINEL-2"
MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE
HANOI – 2019
UNIVERSITE NATIONALE DU VIETNAM, HANOI
INSTITUT FRANCOPHONE INTERNATIONAL
TSHIBANDA NKOLONGO Franck
"Cartographie et analyse de changements spectraux sur une chronique de
données Sentinel-2"
"Lập bản đồ đặc tính mặt đất bằng xử lý dữ liệu SENTINEL-2"
Spécialité: Systèmes intelligents et multimédia (SIM)
Code: Programme pilote
MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE
Sous la direction de :
Mme. GOMEZ Cécile , Chargée de recherche à l’IRD
M. BAILLY Jean-Stéphane, Enseignant chercheur à AgroParisTech
HANOI – 2019
UNIVERSITÉ NATIONALE DU VIETNAM À HANOÏ
INSTITUT FRANCOPHONE INTERNATIONAL
MÉMOIRE DE FIN D’ÉTUDES DE MASTER INFORMATIQUE
Cartographie des caractéristiques de la surface du sol par
traitement de données Sentinel-2
TSHIBANDA NKOLONGO Franck
Encadrants :
Gomez Cécile M.
Chargée de recherche
(IRD, UMR LISAH)
Jean-Stéphane Bailly
Enseignant chercheur
(AgroParisTech, UMR LISAH)
01 Avril - 30 Septembre 2019
ATTESTATION SUR L’HONNEUR
J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données
et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La
source des informations citées dans ce mémoire a été bien précisée.
LỜI CAM ĐOAN
Tôi cam đoan đây là công trình nghiên cứu của riêng tôi.
Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai
công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã
được chỉ rõ nguồn gốc.
TSHIBANDA NKOLONGO
Table des matières
Introduction..........................................................................................................................................1
1. Enjeux et objectifs de l’étude.......................................................................................................1
1.1 Enjeux de l’étude.................................................................................................................1
a) Lien entre EDS et Infiltrabilité..........................................................................................1
1.2. La Télédétection..................................................................................................................3
1.2.1. Éléments de contexte...................................................................................................3
1.2.2. Télédétection Multispectrale.......................................................................................3
a) Principes généraux........................................................................................................3
b) Spectroscopie................................................................................................................5
c) Télédétection en milieu agricole...................................................................................6
1.2.3. Télédétection Multispectrale et Multi Temporelle: Sentinel-2....................................8
1.3 Objectif de l’étude..............................................................................................................10
1.4 Approches adoptées...........................................................................................................10
2. Contexte Administratif du stage.................................................................................................11
2.1. Situation au sein de l’UMR LISAH..................................................................................11
2.2. Situation dans le projet TOSCA A-MUSE........................................................................11
Matériels et Données..........................................................................................................................13
2.1. Site d’étude.............................................................................................................................13
2.1.1. Localisation géographique.............................................................................................13
2.1.2. Les parcelles observées..................................................................................................14
2.2. Présentation des données disponibles.....................................................................................14
2.2.1. Données satellitaires.......................................................................................................15
2.2.1.1. Caractéristiques brutes...........................................................................................15
2.2.2. Données terrain...............................................................................................................18
Méthodologie d’analyse de profils temporels spectraux....................................................................26
3.1. Contexte..................................................................................................................................26
3.1.1 Introduction à la classification........................................................................................26
3.1.2 Données Fonctionnelles et Analyse fonctionnelle..........................................................27
3.2. Méthode de Classification Kmeans........................................................................................29
3.2.1. Algorithme.....................................................................................................................30
3.2.2. Choix du nombre K de classes.......................................................................................31
3.2.3. Implémentation KMeans................................................................................................33
3.2.4 Critères de qualité de classification.................................................................................33
3.3. Méthode de Classification Funcy...........................................................................................34
3.3.1. Préparation des données.................................................................................................34
3.3.2. Classification fonctionnelle basée sur le modèle de mélange EM.................................35
3.3.3. Implémentation de la classification fonctionnelle..........................................................37
3.3.4 Mesure de qualité............................................................................................................40
3.4. Implémentation selon les approches.......................................................................................40
Résultats.............................................................................................................................................45
4. 1. Approche univariée................................................................................................................45
4. 1.1. Classification sur indice de végétation (NDVI)............................................................45
4. 1.2. Classification de la végétation verte Observée sur le terrain........................................49
4. 2. Approche multivariée.............................................................................................................53
4. 2. 1. Classification sur Sentinel-2 multispectrale.................................................................53
4. 2.2. Classification sur les variables observées au sol...........................................................58
4.3. Comparaison des méthodes...................................................................................................61
4.3.1. Kmeans, funHDDC et Funcy : Univariée.......................................................................62
4.3.2. Kmeans, funHDDC et Funcy : multivariée.....................................................................63
Conclusion..........................................................................................................................................65
Bibliographie......................................................................................................................................67
Index des illustrations
l o g o .....................................................................................................................................................3
l o g o 2 ..................................................................................................................................................3
F i g u r e 1 . 1 : P r o c e s s u s d ’ a c q u i s i t i o n i m a g e e n t é l é d é t e c t i o n ..................................4
Figure 1.2 : Gamme de spectre électromagnétique longueur d’onde et
f r é q u e n c e . ........................................................................................................................................6
F i g u r e 1 . 3 : l o n g u e u r d ' o n d e e t l a r g e u r d e b a n d e S e n t i n e l - 2 ..................................9
Figure 2.1 : Localisation, modèle numérique de terrain et vue satellitaire
( i m a g e Q u i c k b i r d ) d u b a s s i n v e r s a n t d e K a m e c h . ......................................................1 3
F i g u r e 2 . 2 : P a r c e l l a i r e d u B a s s i n Ve r s a n t d e K a m e c h ( 2 , 6 3 k m 2 , e n n o i r e )
sur laquelle est délimité le contour des 39 parcelles-tests associées aux
o b s e r v a t i o n s d e t e r r a i n ( e n r o u g e ) . ...................................................................................1 4
F i g u r e 2 . 3 : R é p a r t i t i o n t e m p o r e l l e d e s i m a g e s d e l a s é r i e ....................................1 5
F i g u r e 2 . 4 : h i s t o g r a m m e s N D V I 1 4 i m a g e s ..................................................................1 7
Figure 2.5: Exemple de fichier d’Observation des états de surface (EDS) 39
p a r c e l l e s o b s e r v é e s d e K a m e c h 0 2 - 1 2 - 2 0 1 6 .................................................................1 8
F i g u r e 2 . 6 : h i s t o g r a m m e s v é g é t a t i o n v e r t e 1 4 d a t e s ................................................1 9
F i g u r e 2 . 7 : h i s t o g r a m m e s v é g é t a t i o n s è c h e 1 4 d a t e s ...............................................2 0
F i g u r e 2 . 8 : h i s t o g r a m m e s t r a v a i l d u s o l 1 4 d a t e s ......................................................2 1
F i g u r e 2 . 9 : h i s t o g r a m m e s r u g o s i t é 1 4 d a t e s .................................................................2 2
F i g u r e 2 . 1 0 : h i s t o g r a m m e s f a c i è s 1 4 d a t e s ...................................................................2 3
F i g u r e 2 . 11 : C a r t e d ’ o c c u p a t i o n d e s o l P a r c e l l a i r e K a m e c h . ..............................2 4
I m a g e 1 9 ..........................................................................................................................................3 1
F i g u r e 3 . 1 : c l a s s i f i c a t i o n S e n t i n e l - 2 a v e c K M e a n s .................................................3 1
F i g u r e 3 . 2 : m é t h o d e d u c o u d e ( e l b o w ) ( s o u r c e : w w w. s c i k i t - y b . o r g ) ..............3 3
I m a g e 8 ............................................................................................................................................3 4
Figure 3.3 : . Approche multi-date ordonnée multivariée Sentinel-2 et
o b s e r v a t i o n d e d o n n é e s ...........................................................................................................4 2
I m a g e 1 ............................................................................................................................................4 2
Figure 3.4 : . Approche multi-date ordonnée univariée végétation verte et
i n d i c e d e v é g é t a t i o n .................................................................................................................4 4
I m a g e 2 ............................................................................................................................................4 4
Figure 4.1 . choix du nombre de classes du NDVI global par la méthode
c a s c a d e K M c a l i n s k i c r i t e r i o n l a .........................................................................................4 6
Figure 4.2 . choix du nombre de classes du NDVI par la méthode du coude 46
Figure 4.3 . Graphiques des trajectoires des centres de chaque classe pour
t o u t e s l e s m é t h o d e s ..................................................................................................................4 7
Figure 4.4 . Localisation des classes du NDVI échelle pixellaire et pixel
m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) .....................................................................4 8
Figure 4.5 . choix du nombre de classes de végétation verte méthode
c a s c a d e K M c a l i n s k i c r i t e r i o n ..............................................................................................5 0
Figure 4.6 . Graphiques des trajectoires des centres de chaque classe pour
t o u t e s l e s m é t h o d e s ..................................................................................................................5 1
Figure 4.7 . Localisation des classes du taux de végétation verte : échelle
p a r c e l l a i r e ( f u n H D D C e t F u n c y ) ........................................................................................5 2
Figure 4.8. choix du nombre de classes du S-2 multispectral méthode
c a s c a d e K M c a l i n s k i c r i t e r i o n ..............................................................................................5 4
Figure 4.9 . choix du nombre de classes du S-2 multispectral méthode du
c o u d e ...............................................................................................................................................5 4
Figure 4.10 . Graphiques des trajectoires des centroïdes de chaque classe
d e s p i x e l s d a n s t o u t e s l e s b a n d e s s p e c t r a l e s : K m e a n s e t F u n c y ........................5 5
F i g u r e 4 . 11 . G r a p h i q u e s d e s t r a j e c t o i r e s d e s c e n t r o ï d e s d e c h a q u e c l a s s e d e s
p i x e l s d a n s l e s b a n d e s s p e c t r a l e s 1 e t 1 0 f u n H D D C .................................................5 6
Figure 4.12 . Localisation des classes des trajectoires des pixels : échelle
p i x e l l a i r e e t p i x e l m a j o r i t a i r e : ( K m e a n s , f u n H D D C , F u n c y ) ..............................5 7
Figure 4.13 . Graphiques des trajectoires des centres de chaque classe de
m u l t i v a r i a b l e o b s e r v é e s : f u n H D D C .................................................................................5 9
Figure 4.14 . Graphiques des trajectoires des centres de chaque classe de
m u l t i v a r i a b l e o b s e r v é e s : F u n c y ........................................................................................5 9
Figure 4.15 . Localisation des classes des trajectoires multivariable
o b s e r v é e s e t E D S : f u n H D D C , F u n c y .............................................................................6 1
Figure 4.16 . comparaison des résultats des indices de rand ajustés Vgtv :
K m e a n s , f u n H D D C e t F u n c y ................................................................................................6 2
F i g u r e 4 . 1 7 . M a t r i c e d e c o n f u s i o n d e l a V é g é t a t i o n v e r t e .....................................6 2
Figure 4.18 . comparaison des résultats des indices de rand ajustés variables
o b s e r v é e s : K m e a n s , f u n H D D C e t F u n c y ......................................................................6 3
4 . 1 9 . M a t r i c e d e c o n f u s i o n d e s v a r i a b l e s o b s e r v é e s .................................................6 3
Résumé
Réalisée en lien avec une activité de recherche au sein de l’unité mixte de
recherche (UMR) du laboratoire d’études des interactions entre sols agrosystème et
hydrosystème (LISAH), cette étude porte sur l’analyse de la forte variabilité des états
de surfaces au cours d’une année culturale, notamment des cycles de développement
des cultures, liée aux différentes pratiques agricoles ainsi qu'aux conditions
météorologiques changeants, qui rendent difficile l'utilisation de méthodes classiques
de cartographie d'occupation du sol. Nous proposons de développer puis de tester de
nouvelles méthodes plus automatiques et robustes, permettant d'exploiter le potentiel
offert par les séries temporelles d’images satellites à haute résolution visible selon
deux approches : univariée (NDVI) et multivariée (10 bandes de réflectance), basés
sur des algorithmes d’apprentissage non supervisés dans le bassin versant de
Kamech, en Tunisie. Une méthode permettant de reconstituer les successions de
cultures a pu être mise en œuvre et testée à l'aide d'analyse de données satellitaires
Sentinel-2, couplée à des observations de terrain. Une approche base de données est
utilisée pour identifier les différents cycles de développement culturaux à partir du
profil temporel NDVI de chaque pixel. Les résultats obtenus démontrent la pertinence
de l'approche innovante ici testée.
Mots clés : agriculture, classification fonctionnelle, télédétection, occupation
du sol, série temporelle, NDVI, algorithme, États de surfaces
Abstract
Conducted in connection with a research activity within the Joint Research
Unit (UMR) of the Agrosystem and Hydrosystem Soil Interactions Laboratory
(LISAH), this study focuses on analyses the high variability of surface conditions
during a crop year, particularly crop development cycles, linked to different
agricultural practices and changing weather conditions, which make it difficult to use
conventional land use mapping methods. We propose to develop and test new, more
automatic and robust methods to exploit the potential offered by time series of highresolution visible satellite images using two approaches: univariate (NDVI) and
multivariate (10 reflectance bands), based on unsupervised learning algorithms in the
Kamech watershed in Tunisia. A method for reconstructing crop successions could be
implemented and tested using Sentinel-2 satellite data analysis, coupled with field
observations. A database approach is used to identify the different crop development
cycles based on the NDVI time profile of each pixel. The results obtained
demonstrate the relevance of the innovative approach tested here.
Keywords: agriculture, functional classification, remote sensing, Tunisia, land cover,
time series, NDVI, algorithm
Remerciement
Tous mes remerciements s’adressent aux responsables et corps scientifiques
de l’Institut Francophone International M. Ngô Tự Lập, Directeur, et son adjoint, M.
Hồ Tường Vinh qui ont contribué à ce que ce travail devienne réalité et qui y ont,
pendant ces deux années, apporté leur contribution. Mes remerciements s'adressent
également à mes superviseurs de stage : Cécile Gomez (IRD , UMR LISAH) et JeanStéphane Bailly (AgroParisTech, UMR LISAH). Leur temps qu’ils ont consacrés, leur
patience, leur aide et leur disponibilité ont permis une collaboration enrichissante,
autant sur le plan professionnel que personnel. En outre, je leur suis très
reconnaissant pour m’avoir fait participer dans un projet d’envergure à savoir le
projet A-MUSE qui porte sur la surveillance de de caractéristiques observables de la
surface du sol en lien avec l’infiltrabilité. J’associe toute l’UMR LISAH qui m'a fait
découvrir le milieu de la recherche et m'a donné l'envie de continuer à le faire. Un
grand merci à tous ceux qui ont participé aux différents comités de suivi de ce travail,
Je remercie Monsieur Jérôme MOLENAT, Directeur du LISAH pour m’avoir
accueilli dans sa structure. Je remercie également les agents du laboratoire avec qui
j’ai collaboré durant ce stage.
Chapitre 1
Introduction
1. Enjeux et objectifs de l’étude
1.1 Enjeux de l’étude
Les sols agricoles cultivés en pluvial représentent 80% des terres cultivées dans
le monde et assurent 70% des ressources alimentaires mondiales, jouant ainsi un rôle
crucial sur la sécurité alimentaire mondiale Cornelius Senf et al. [2]. Ainsi dans les
pays sud méditerranéens, ils occupent entre 15% et 20% du territoire, emploie
environ le quart de la population et consomment entre 70 % et 80% des ressources en
eau [5]. La gestion non optimisée de consommation croissante en eau, pose de
nombreux problèmes dans la société. Les tensions entre différents usagers
concurrents (domestique et industriel) subsistent, les inégalités sociales s’aggravent
lorsque l’accès à l’eau devient difficile, de nombreuses dégradations
environnementales s’observent (salinisation des terres, …) Joanna Roussillon [4].
Nous nous intéressons particulièrement dans notre étude au bassin-versant de
Kamech, de la région agricole du cap bon, situé au nord de la Tunisie. Dans cette
zone on y observe une activité agricole régulière aux grands enjeux économiques : en
Tunisie, l’agriculture génère entre 8.5 % et 11.5 % du PIB national (2012) si l’on
ajoute l’agroalimentaire et assure 16% d’emplois de la population active
[www.statistiques-mondiales.com] [1]. En climat semi-aride, les conditions
météorologiques sont peu favorables à la production faisant face aux aléas
climatiques et au déficit de la balance agricole alimentaire. On
observe
périodiquement des chutes de rendements agricoles liées aux irrégularités des
périodes pluviales, si ce n’est parfois la perte totale des récoltes.
a) Lien entre EDS et Infiltrabilité
La formation des ruissellements dans les sols cultivés semi-arides ou
méditerranéens en régime permanent sont fortement influencée par l’état structural de
la surface. La structure du sol en surface se dégrade sous l’effet des précipitations ce
qui se traduit par la formation de différents types morphologiques de croûte de
1
battance contrôlant ainsi la partition ruissellement/infiltration (Bresson et Boiffin,
1990; Valentin et Bresson, 1992; Le Bissonnais et al., 1995; Léonard et Andrieux,
1998). Ces auteurs ont fait émerger le concept d’état de surface du sol [EDS]
(Boiffin, 1984; Auzet, 2000). Il désigne l’état hydrique et structural, la couverture
éventuelle du sol. Les EDS jouent sur les processus hydrologiques de la surface du
sol : l’interception, l’infiltration, le stockage dans les dépressions ainsi que
l’arrachement et le transport des particules de terre. Leur variabilité spatio-temporelle
est un des facteurs permettant d’expliquer la récurrence des dégâts liés au
ruissellement dans des secteurs caractérisés par des conditions climatiques et
topographiques modérés. Plusieurs travaux ont montré les interactions existant entre
les pratiques agricoles et la dégradation structurale de la surface (Monnier et al.,
1986; Van Dijk et al., 1996; Martin et al., 2004). De ce fait, les EDS présentent une
variabilité spatiale et temporelle forte, largement contrôlée par les interactions entre
calendriers climatique et cultural. En intégrant ces interactions, les EDS constituent
des indicateurs permettant de tenir compte de la variabilité spatiale des processus
hydrodynamiques de surface Auzet et al., 2005b [24] et, de ce fait, sont utilisés dans
des démarches expertes afin d’estimer le volume d’eau ruisselé (modèle hydrologique
STREAM Cerdan et al., 2002b [25].
L’UMR LISAH de Montpellier travaille notamment grâce à la télédétection sur
l’apport de solutions à ce type des problèmes. Avec des travaux qui s’inscrivent dans
un cadre général de modélisation intégrée du bassin versant de Kamech et consistant
en une méthode générique de prédiction des états de surface connaissant un ensemble
de facteurs explicatifs comme la pluviométrie ou les pratiques culturales. Cependant
cette méthode nécessite une régularité dans l’observation spatio-temporelle des
caractéristiques d’occupation du sol.
L’utilisation des séries temporelles d’images satellitaires peuvent être un
moyen efficace permettant le suivi du développement des pratiques culturales, des
pratiques d’irrigation,... C’est dans ce cadre que s’inscrit ce travail de fin d’études.
Les modèles développés au LISAH n’intègrent pour l’instant qu’une information
assez globale concernant les données satellites. Afin d’affiner l’étude du modèle du
LISAH, il devient primordial de connaître plus précisément la nature des images
satellites des parcelles agricoles et de saisir l’information contenue dans leur
ordonnancement temporel. Les progrès observés dans le monde de l’imagerie spatiale
satellitaire offrent de nombreuses possibilités d’améliorations du suivi de ces cultures
2
en continu, notamment avec une grande fréquence d’acquisition des images associée
à une haute résolution spatiale.
1.2. La Télédétection
1.2.1. Éléments de contexte
L'objectif principal de l'agriculture de précision est d'optimiser la
productivité des cultures tout en tenant compte de la protection environnementale,
ceci dans une logique de développement durable [14]. Utiliser l'agriculture de
précision permet une meilleure conservation des enregistrements des actions ou
pratiques menées sur les parcelles. Ces informations enregistrées peuvent par la suite
être utilisées pour des comparaisons sur différentes saisons agricoles. La possibilité
d'analyse sur l'ensemble des informations ainsi produites permet une meilleure
connaissance des changements spatiaux temporelles des parcelles. Ces connaissances
permettent une meilleure gestion des cultures avec comme conséquence, l’évolution
du rendement [14].
L'obtention d'informations à l'aide de méthodes traditionnelles d'acquisition de
données (avec contact directe avec les objets) pour la gestion des cultures est moins
aisée et financièrement plus coûteuse. D’où l’intérêt de l’utilisation de la
télédétection fournissant une grande masse d'information sur les variations spatiales
et spectrales résultant des caractéristiques du sol et des cultures à l'intérieur de la
parcelle. Un avantage potentiel de ce type de méthode est qu'elle n'est limitée ni par
l'intervalle d'échantillonnage ni par les interpolations géostatistiques qu'on pourrait
faire si on utilisait des données échantillonnées de manière ponctuelle au sol.
1.2.2. Télédétection Multispectrale
a)
Principes généraux
La télédétection est une technique qui, par l'acquisition d'images, permet
d'obtenir de l'information sur la surface de la Terre sans contact direct avec celle-ci en
utilisant des dispositifs embarqués à bord de plateformes (Satellite, Avion ou drone).
Les capteurs enregistrent le rayonnement électromagnétique émis et réfléchi par un
observable (surface de la terre). Il s’agit ensuite de traiter et analyser cette
information.
3
Dans la plupart des cas, la télédétection implique une interaction entre
l'énergie incidente et les objets, en utilisant des capteurs imageurs (passifs). Elle
comporte 6 étapes , dont le processus est décrit ci-dessous (figure 1.1):
Figure 1.1 : Processus d’acquisition image en télédétection
• Source d'énergie ou d'illumination (Soleil)
La présence d’une source d'énergie est une étape primordiale en télédétection pour
illuminer la cible ou l’objet se trouvant sur la zone d’étude. Dans ce cas de capteurs
de télédétection dit «actifs», la source d’énergie utilisée provient du capteur de
télédétection lui-même. Dans ce cas de capteurs de télédétection dit « passifs », la
source d’énergie utilisée est celle provenant du Soleil.
Dans notre travail de stage, nous utilisons uniquement des données provenant d’un
capteur passif.
• Rayonnement et atmosphère
Le rayonnement électromagnétique (soit du capteur dans le cas de la télédétection
active, soit du soleil dans le cas de la télédétection passive) interagit deux fois avec
l'atmosphère dans ce processus de télédétection : premièrement durant son parcours
entre la source d'énergie et l’objet observable, le rayonnement entre en interaction
permanente avec l'atmosphère, et une seconde interaction se produit lors du trajet
entre la cible et le capteur.
4
• Interaction avec l’objet
Une fois parvenue à l’objet, l'énergie interagit avec la surface de celle-ci. La nature
de cette interaction dépend des caractéristiques du rayonnement et des propriétés de
la surface.
• Enregistrement de l'énergie par le capteur
Une fois l'énergie diffusée ou émise par la cible, elle doit être captée à distance (par
un capteur qui n'est pas en contact avec la cible) pour être enfin enregistrée.
• Transmission, réception et traitement
L'énergie enregistrée par le capteur est transmise, souvent par des moyens
électroniques, à une station de réception où l'information est transformée en images
(numériques ou photographiques).
• Interprétation, analyse et application
Une interprétation visuelle et/ou numérique de l'image traitée est ensuite nécessaire
pour l’extraction de l'information de l'image afin de mieux comprendre la cible, avec
comme but la découverte de nouveaux aspects pour aider à résoudre un problème
particulier.
Ainsi les capteurs de télédétection mesurent des valeurs quantitatives des propriétés
physiques des surfaces ciblées telles que la réflectance, la température, ou la
rétrodiffusion pour les capteurs actifs. Un des axes principaux de la télédétection est
la conversion de ces valeurs en informations spatialement et temporellement
comparables.
b)
Spectroscopie
● Le spectre électromagnétique
Le spectre électromagnétique c’est la description de l’ensemble des
rayonnements électromagnétiques classés: par fréquence, longueur d’onde ou énergie,
5
il s'étend des courtes longueurs d'onde (dont font partie les rayons gamma et les
rayons X) aux grandes longueurs d'onde (micro-ondes et ondes radio). Ainsi la
télédétection utilise plusieurs régions du spectre électromagnétique (figure 1.2).
Les plus petites longueurs d'onde utilisées pour la télédétection se situent dans
l'ultraviolet. Ce rayonnement se situe au-delà du violet de la partie du spectre visible.
Certains matériaux de la surface terrestre, surtout des roches et minéraux, entrent en
fluorescence ou émettent de la lumière visible quand ils sont illuminés par un
rayonnement ultraviolet.
Dans le cadre de notre étude, la gamme du spectre utilisée s’étend du visible soit 400
nm jusqu’au proche infrarouge à 2400 nm.
Figure 1.2 : Gamme de spectre électromagnétique longueur d’onde et fréquence.
c)
●
Télédétection en milieu agricole
Interactions avec l'atmosphère
Le rayonnement électromagnétique interagit deux fois avec l’atmosphère,
premièrement avant d'atteindre la surface de la Terre, il traverse une certaine
épaisseur atmosphérique et deuxièmement après avec touché la surface de la terre.
Les particules et les gaz dans l'atmosphère peuvent dévier ou bloquer le
rayonnement incident. Ces effets sont causés par les mécanismes de diffusion et
6
d'absorption. L'atmosphère ne laisse passer le rayonnement solaire que dans un
nombre limité de bandes spectrales appelées fenêtres atmosphériques. Si l'atmosphère
est relativement transparente dans le visible et présente une large fenêtre
atmosphérique dans l'infrarouge (de 8 à 14μm), elle est opaque de 22μm à 1mm, cem), elle est opaque de 22μm), elle est opaque de 22μm à 1mm, cem à 1mm, ce
qui explique la non utilisation de cette portion de spectre en télédétection.
Une correction de l'absorption atmosphérique est appliquée sur les images en
estimant la quantité de vapeur d'eau dans la colonne d'air traversée par l'observation,
puis on passe à la correction de l'absorption gazeuse. Cette phase est réalisée par des
modèles de corrections atmosphériques tels que les modèles ATCOR, MAJA
(MACCS ATCOR Joint Algorithm, prononcer « maya ») ou encore Sen2Cor.
● Interaction avec l’eau
Du proche infrarouge (750 à 1500 nm) à l'infrarouge thermique (3000 nm) , la
vapeur d'eau est principalement responsable de l'absorption du spectre. Elle absorbe
davantage les grandes longueurs d'onde du rayonnement visible (380 à 780 nm) et du
proche infrarouge (750 à 1500 nm) . Ainsi, l'eau paraît généralement bleue ou bleuvert car elle réfléchit davantage les petites longueurs d'onde, elle paraît encore plus
foncée si elle est observée sous les longueurs d'onde du rouge ou du proche
infrarouge. Lorsque les couches supérieures de l'eau contiennent des sédiments en
suspension, la transmission diminue, la réflexion augmente et l'eau paraît plus
brillante.
● Interaction avec le sol
Dans le sol, deux éléments chimiques majeurs affectent majoritairement le
spectre : les minéraux (argileux, ferriques et carbonatés) et la matière organique [19].
A titre d’exemple, la présence de carbonate de calcium dans les sols entraîne une
bande d’absorption autour de 2340 nm, due aux vibrations d’ions CO3. Les
caractéristiques physiques du sol, liées à la granulométrie, la géométrie de
l’échantillon, l’angle de vue de la source lumineuse (angle incident et angle azimut)
influencent quant à eux la forme générale du spectre à travers un changement
d’intensité des bandes d’absorption spectrale et de hauteur de ligne de base [20], mais
n’affectent généralement pas la position des bandes d’absorption [20]. L’effet de la
granulométrie des sols (taille des particules) joue ainsi un rôle sur l’intensité du
spectre. Plus la granulométrie est fine, plus l’intensité du spectre est forte. Ainsi, les
sols sableux ont logiquement les bandes d’absorption de l’eau les moins marquées.
7
● Interactions avec la végétation sèche
En automne, les feuilles contiennent moins de chlorophylle et plus de cellulose
(végétation sèche). Elles absorbent alors moins de rouge, et paraissent donc rouges
ou jaunes (le jaune est une combinaison des longueurs d'onde du vert et du rouge).
Dû à la cellulose, le spectre de réflectance de végétaux secs est absorbé autour de
2100 nm. Cette caractéristique peut être utilisée pour distinguer les déchets végétaux
du sol en calculant une variable spectrale appelée indice d’absorption de la cellulose
(CAI), qui décrit la profondeur de la caractéristique d’absorption de la lignocellulose
dans la région de l’infrarouge à ondes courtes (2000 à 2200 nm).
● Interactions avec la végétation verte
Les feuilles, qui contiennent un maximum de chlorophylle en été, sont donc
plus vertes pendant cette saison. La structure interne des feuilles en santé agit comme
un excellent réflecteur diffus pour les longueurs d'onde de l'infrarouge. Si nos yeux
pouvaient percevoir l'infrarouge, les feuilles paraîtraient très éclatantes sous ces
longueurs d'onde. Les scientifiques utilisent d'ailleurs les bandes infrarouge et rouge
pour déterminer l'état de santé de la végétation par le calcul de l’indice de végétation
NDVI (Normalized Difference Vegetation Index).
1.2.3. Télédétection Multispectrale et Multi Temporelle: Sentinel-2
L'un des grands avantages de la télédétection satellitaire est sa capacité à
acquérir périodiquement de l'information d'une même région de la Terre. Les
caractéristiques spectrales de la région observée peuvent changer avec le temps. La
comparaison d'images multi-temporelles permet de détecter ces changements. Par
exemple, durant la période de croissance de la végétation, de nombreuses espèces se
transforment continuellement et notre capacité à détecter ces changements dépend de
la fréquence avec laquelle les données sont recueillies. En acquèrant des données
périodiquement et de façon continue, il est possible de suivre les changements qui
surviennent à la surface de la Terre, qu'ils soient naturels (comme le développement
de la végétation ou l'évolution d'une inondation) ou de source humaine (comme le
développement des milieux urbains ou la déforestation).
Les systèmes modernes d'observation de la Terre fournissent des données de
télédétection à différentes résolutions spatiales et temporelles. Parmi les capteurs
8
optiques, aujourd'hui Sentinel-2 qui est un satellite d’observation de la terre de
l’Agence Spatiale Européenne, fournit des données à haute résolution temporelle
(tous les 5 jours) et haute résolution spatiale (10 m) dans 13 bandes spectrales , qui
peuvent être utiles pour surveiller la dynamique de la couverture terrestre.
Figure 1.3 : longueur d'onde et largeur de bande Sentinel-2
Des travaux utilisant la télédétection multispectrale et temporelle, pour le suivi
des éléments de surfaces et l’identification des natures de culture à partir de leurs
séries temporelles ont été démontré à plusieurs reprises. Furlan et al. [23] proposent
une méthode de classification qui exploite la très haute résolution temporelle des
images SPOT végétation en utilisant comme vecteurs caractéristiques les profils
NDVI des images. Un profil temporel NDVI annuel est calculé pour chaque classe en
moyennant les valeurs NDVI des zones d’entraînement, puis est utilisé comme base
pour le processus de classification. Le profil NDVI lissé de chacun des pixels est
comparé grâce à une distance de mesure (Coefficient de Jaccard et DTW) pour ceux
disponibles pour chaque classe. L’utilisation d’une structure hiérarchique des classes
basée sur le coefficient de Jaccard permet d’en regrouper certaines lorsque leur
similitude limite leur distinction. Wardlow et Egbert [22] proposent une méthode de
combinaison d’analyses graphiques et statistiques sur des données NDVI issues d’une
série temporelle MODIS sur une année civile, avec une résolution spatiale de 250 m
et temporelle de 16 jours, pour quelques 2000 champs cultivés. Il en découle des
résultats obtenus, la possibilité de détecter pour chacune des cultures majoritaires
associées à certaines pratiques agricoles (cultures doubles, jachères, irrigation) une
9
- Xem thêm -