Suivi des agrosystèmes sensibles pour la préservation de la biodiversité : le cas du Grand Hamster d’Alsace, premiers résultats

Le paysage agricole alsacien constitue l’habitat du Grand Hamster, présent en France uniquement dans cette région et aujourd’hui en voie d’extinction. Le rongeur est fortement menacé par la régression des surfaces de fourrages et de céréales, les seules à lui offrir nourriture et protection lors de la période vulnérable de fin d’hibernation, remplacées par la culture intensive du maïs, à ce moment là à l’état de sol nu.

 

Dans le contexte de préservation à long terme des populations de hamster, le SERTIT réalise chaque année la cartographie de l’environnement du grand hamster à partir de données SPOT et/ou Pléiades, afin d’évaluer rapidement et de manière ciblée la qualité de l'habitat autour des noyaux de population, d’identifier les sites critiques, et d’apprécier l’efficacité des mesures existantes de protection de l’espèce.

 

Une surveillance encore plus régulière, mensuelle, voire hebdomadaire, de l’évolution du paysage serait certainement très bénéfique pour la compréhension des menaces qui pèsent sur le rongeur et l’observation des effets positifs des mesures de protection. L’intérêt est surtout de voir l’évolution des surfaces favorables au hamster, d’identifier la proportion de cultures fourragères et de céréales d’hiver par rapport aux terres nues, de détecter la précocité éventuelle de certaines cultures de printemps qui pourraient être profitable au hamster, ou de mettre en évidence un gel tardif des cultures d’hiver à l’impact très négatif puisqu’il réduirait l’espace favorable au rongeur.

 

Ainsi, les données SPOT 4 acquises sur l’Alsace dans le cadre du programme Take Five et simulant les futures données Sentinel-2 nous donnent pour la première fois l’opportunité de faire un suivi de l’évolution des cultures favorables au hamster dans un même cycle de vie du rongeur.

 

En parallèle à ces acquisitions satellites, des missions sur le terrain synchrones ou quasi-synchrones sont organisées afin de valider les observations faites à partir des données de télédétection, et cela sur une même sélection de parcelles échantillons (situées sur des sites clé pour le hamster).

 

La première acquisition exploitable a été faite le 4 mars 2013, journée durant laquelle des relevés in situ ont également été réalisés. A cette période, les hamsters sont encore dans leur phase d’hibernation, une partie des cultures d’hiver est en cours de croissance, de vastes parcelles de terre nue labourée couvrent l’espace agricole et de vieux champs de luzerne sèche sont présents.

 

L’analyse radiométrique de cette donnée SPOT 4 permet de différencier trois classes d'occupation du sol dans les parcelles échantillon : terre nue, blé et luzerne / prairie. Il est difficile de distinguer la luzerne des prairies, leurs signatures spectrales étant très proches. Les observations satellites et les relevés terrain concordent assez bien, les caractéristiques spectrales des différentes classes d’occupation du sol étant relativement bien distinctes. Nous constatons tout de même près de 23% d'erreurs, liées principalement à la détection difficile des cultures en cours de croissance trop jeunes et donc trop peu denses et de l'occupation du sol sur les parcelles trop petites / trop étroites. Une résolution plus fine des données satellites, ou une série temporelle plus longue permettrait certainement de résoudre en partie ces problèmes de détection.

 

Les observations suivantes, à condition que la météo s'arrange un peu, permettront d’approfondir ces conclusions et d’évaluer les bénéfices de la multi-temporalité des données.

 

 

There is an issue with Paris

=>

When Mireille Huc steps in my office saying "il y a un problème" (there is an issue), it is generally due to a new case that is not handled by our level 2A methods. This time, she said : "there is an issue with Paris".

 

Such issues happen regularly each time we observe a new type of Landscape. That's why it so important to process a wide range of landscapes and images to qualify our methods. Here are a few examples of the issues we encounter once in a while :

  • The very turbid Gironde estuary classified as snow, because very bright in the visible while dark in the SWIR, as for snow
  • false clouds due to drying white soils whose reflectance is increasing
  • False  Cloud Shadows after fields were irrigated in Mexico, whose reflectance decreases quickly
  • Snow in the middle of desert in South Tunisia (a dry salt lake,  bright in the visible, and dark in the SWIR)

 

This time, on this SPOT4 (Take5) time series near Versailles, the clouds are well classified, the atmospheric correction seems to work, but ... but, this zone oulined in blue in the North East Corner, it is Paris centre. It means the region is under water, but if Paris had been under water for two months, we would have known (given what they say when there is only one inch of snow). Mireille checked the data, and it turns out that Paris centre meets all the criteria we use to detect water (computed at 200m resolution):

  • NDVI <0

    SPOT4(Take5) time series near Versailles. Colour composite: (R,G,B)=(NIR, Red, Green). The clouds are circled in green, their shadow in black, and wter bodies and Paris centre in blue. Click twice on each image to see it at 40m resolution.

  • NDWI <0
  • Red Reflectance  < 0.1

 

It is the first town for which we observe this issue, maybe because of Paris huge density, of its slate roofs, and because of the winter period with no leaves on the trees.

A solution would be to process the water mask at a higher resolution (100m, 60m). Or could we just say that our "water" mask is in fact a "water and dense town centre with slate roofs" mask ? Or even better ask Parisians to grow plants on their roofs.

 

Meanwhile,  one can note on this time series that despite a repetitivity of 5 days, we only got one partially clear image in March, but this month was exceptionally cloudy, they say in Paris. The onset of vegetation can also be clearly seen on the last image of the series, after nice weather came back at the beginning of April.

 

 

 

Il y a un problème avec Paris

=>

Quand Mireille Huc entre dans mon bureau en disant "il y a un problème", c'est en général qu'un nouveau cas, non prévu dans nos méthodes, est apparu. Cette fois-ci, c'était "il y a un problème avec Paris".

 

Ce genre de cas arrive quasiment à chaque nouveau type de paysage, c'est pourquoi il est très important de valider nos méthodes dans un grand nombre de cas. Voici quelques exemples de problèmes déjà rencontrés :

  • l'estuaire de la Gironde déclaré "couvert de neige" car très brillant dans le visible, avec sa charge en sédiments, mais très sombre dans le SWIR, comme la neige
  • des faux nuages sur des sols blancs qui sèchent et dont la réflectance augmente
  • des fausses ombres après une irrigation au Mexique, et dont la réflectance diminue
  • de la neige en plein désert en Tunisie (un lac salé, brillant dans le visible, sombre dans le SWIR)

 

Cette fois-ci, sur cette série d'images SPOT4 (Take5) centrée sur Versailles, les nuages sont bien détectés, les corrections atmosphériques ont l'air correctes, mais ... mais, cette zone entourée de bleu dans le coin Nord Est, c'est Paris. Les zones soulignées en bleu sont, normalement, des étendues d'eau. Si Paris était inondée depuis deux mois, nous en aurions entendu parler (vu le bruit qu'il font quand ils ont deux centimètres de neige). Mireille a enquêté, et a observé que le centre de Paris respecte bien tous nos critères de détection de l'eau (calculés à 200 mètres de résolution) :

  • NDVI négatif

    Série d'images SPOT4(Take5) obtenues sur le site centré sur Versailles début 2013. Composition colorée: (R,V,B)=(PIR, Rouge, Vert). Les nuages sont entourés de vert, leurs ombres sont entourées de noir, les zones en eau et Paris sont entourés de bleu. Cliquer deux fois sur chaque vignette pour voir l'image à 40m de résolution.

  • NDWI négatif
  • Réflectance dans le rouge < 0.1

 

C'est la première ville pour laquelle ce problème est observé, peut-être en raison de sa grande densité, de ses toits en ardoise, et de la période hivernale avec des arbres sans feuilles. Pour le moment, nous n'avons pas encore trouvé de parade. Nous pourrons peut-être nous en sortir en traitant le masque d'eau à une meilleure résolution (100m, 60m ?). Ou en déclarant que notre "masque d'eau" est en fait un "masque d'eau et de villes denses aux toits en ardoise" ? Ou en suggérant aux Parisiens de faire pousser des plantes sur leurs toits, d'ici le lancement de Sentinel-2 ?

 

Au passage, on peut remarquer que malgré une répétitivité de 5 jours, on dispose d'une seule image partiellement claire au mois de mars, il faut dire que ce mois de mars a été particulièrement couvert. On peut aussi observer nettement le démarrage de la végétation sur la dernière image après le retour du beau temps au début du mois d'avril (les parcelles agricoles au sud-ouest de l'image deviennent plus rouges).

 

 

 

 

SPOT4 (Take 5) : As a clockwork, but no bed of roses...

=>

I have written that SPOT4 (Take 5) was working  as a clockwork, but  I have to admit that the ortho-rectification of SPOT4 images is not as easy as I thought initially.

 

This plot provides the location error along the West-East axis (x) and along the North South axis( y) for each image, with a different color for each decade, A strong bias is observed, particularly during the last decade of February and the first decade of March, for sites other Europe. This location error is corrected after the ortho-rectification.

The location error of an image is the average difference between the actual position of the pixels of an image, and the position calculated knowing the position of the satellite, its orientation (in space science, we say "attitude") , the  orientation of the mirror and the location of the detectors in the instrument. While the SPOT4 image localization performance measured at CNES, has usually a standard deviation of 450 meters, we met over a fifty scenes with localization errors greater than 1000 meters. Most of them were acquired close to Europe.

 

We have not yet an explanation for this issue, which is still within SPOT4 requirements (1500m RMS). On recent satellites,the attitude is measured very precisely by star trackers. These sensors are small optical instruments that identify  stars in the sky whose position is known to determine the attitude of the satellite, as the walker lost at night can use the North Star to find his or her way. But when SPOT 4 was designed in the early 1990s, these star trackers were not operational yet, and SPOT4 used another type of sensor, the earth sensor. This device works in the thermal infrared : it scans the horizon of the earth, and deduces the position of the center of the earth. However, its accuracy is altered by the presence or absence of high clouds that modify slightly the horizon. For this reason, earth sensors are less accurate than star trackers.

 

In short, the location of SPOT4 (Take5) images is quite poor sometimes, and when we search for a ground control point, we need to search its match in a range that reaches 2.5 kilometers. This long distance research increases the probability of matching similar neighborhoods that do not correspond in fact to the same places. Therefore, within the set of ground control points that we use for the orthorectification, we may obtain erroneous ground control points more frequently than usually. Because of that,  some images might be misregistered.

 

SPOT4(Take5) multi-temporal registration accuracy, for te images of NASA's site Maricopa, Which is observed twice every 5 days under two different angles. The accuracy is expressed for 80% of pixels. The 20% remaining measurements are considered as due to registration measurement errors. The registration is slightly better when the images are observed with the same viewing angle.

With the help of some CNES colleagues (Cécile Déchoz, Stéphane May, Sylvia Sylvander), I have spent the last month tuning a parameter set that would minimize the amount of false GCP's by selecting them carefully, without removing too many of the good ones, in order to be able to ortho-rectify images with a large cloud cover. Results are now enhancing, but once in a while, misregistered images are still encountered.

 

Same plot for JRC's site in Tanzania. This site is much more cloudy than Maricopa, but the performance is equivalent.

Finally, in most of the cases, the registration of Take5 data should be quite good, with most of the pixels within 0.5 pixel accuracy, but some images may have higher errors. The ortho-retification diagnostics enable us to detect these cases, as in the image below, but the images will not be delivered at Level 1C.

Kind of image (Sumatra) for which the registration error is higher. The cloud cover is high, the surface is quite uniform, and the LANDSAT reference image itself is quite cloudy.

 

Comme sur des roulettes, mais pas une sinécure.

=>

J'avais écrit que l'expérience SPOT4 (Take 5) se déroulait comme sur des roulettes, mais il faut se rendre à l'évidence, obtenir une ortho-rectification parfaite des images SPOT4 n'est pas une sinécure.

 

Ce graphe montre l'erreur de localisation selon les axes x (est-ouest) et y (Nord-sud) de chaque image SPOT4(Take5). Un fort biais vers l'est est observé, particulièrement durant la dernière décade de février et la deuxième décade de mars. Cette erreur est corrigée lors de l'ortho-rectification.

L'erreur de localisation d'une image est l'écart moyen entre la position réelle des pixels d'une image, et la position calculée en connaissant la position du satellite, son orientation, la position du miroir et la position des détecteurs dans l'instrument. Alors que la performance de localisation des images SPOT4 habituellement mesurée par le CNES a un écart-type de 450 m RMS, nous avons rencontré plus d'une cinquantaine de scènes avec des erreurs de localisation supérieures à 1000 mètres. La plupart d'entre elles ont été acquises à proximité de l'Europe.

 

Nous n'avons pas encore d'explication pour ce problème, qui reste toutefois largement dans les spécifications de la mission SPOT4 (localisation à 1500m RMS). Sur les satellites récents, l'orientation du satellite (dans le jargon spatial, on parle d'"attitude") est mesurée très précisément par des senseurs stellaires. Ces senseurs sont de petits instruments optiques qui repèrent dans le ciel des étoiles dont la position est connue, ce qui permet de déterminer l'attitude du satellite, comme le promeneur égaré, de nuit, peut utiliser l'étoile polaire pour s'orienter. Mais lors de la conception de SPOT 4, au début des années 1990, ces senseurs stellaires n'étaient pas encore opérationnels, et on utilisait un autre type de senseur, le senseur terrestre. Celui ci fonctionne dans l'infra-rouge thermique. Il balaye l'horizon de la terre, et en déduit la position du centre de la terre. Sa précision est cependant perturbée par la présence ou non de nuages d'altitude qui vont modifier légèrement l'horizon, d'où une précision inférieure à celle des senseurs stellaires.

Précision de superposition multi-temporelle des données SPOT4(Take5) acquises sur Maricopa, site de la NASA acquis deux fois tous les 5 jours sous deux angles différents. La précision est exprimée pour 80% des pixels, en fraction de pixels. Pour les 20% de pixels restants, il s'agit en général davantage d'erreurs de mesure que d'erreur de superposition. Ce site est observé sous deux angles différents, la performance de superposition est meilleure pour les images vues sous le même angle

 

 

Même graphique pour le site du JRC situé en Tanzanie. Ce site présente une couverture nuageuse bien plus importante que Maricopa, mais la performance est similaire.

Bref, la localisation des données SPOT4 (Take5) n'est pas excellente, et nous devons donc aller chercher la position réelle des points d'appuis à plus de deux kilomètres. Cette recherche à grande distance augmente la probabilité de trouver des voisinages qui se ressemblent sans correspondre aux mêmes endroits. Nous avons donc, dans les points d'appuis que nous prenons, une proportion de points d'appuis erronés beaucoup plus importante que d'habitude. Il peut donc arriver que le recalage des données soit imprécis, heureusement assez rarement.

 

Depuis plus d'un mois, avec l'aide de quelques collègues du CNES (Cécile Déchoz, Stéphane May, Sylvia Sylvander), nous cherchons le meilleur jeu de paramètres qui permettrait de minimiser la proportion de mauvais points d'appuis, tout en conservant suffisamment de points d'appuis pour pouvoir ortho-rectifier des images très nuageuses. Les résultats s'améliorent (cf ci-dessus), mais laissent encore de temps en temps passer quelques erreurs.

 

Exemple d'image présentant encore des erreurs de superposition supérieures au pixel. La surface est très uniforme, exceptés les cours d'eau dont les limites peuvent varier. L'image de référence issue de LANDSAT est elle aussi nuageuse et date de 8 ans...

Finalement, dans la plupart des cas, la superposition des données Take5 devrait être tout à fait correcte (80% des pixels avec un écart inférieur à 0.5 pixels), mais il est possible que quelques images soient un peu décalées, surtout en présence de nuages. Les diagnostics de l'ortho-rectification permettent d'éliminer ces images, qui ne pourront donc pas être livrées.

 

Land cover map production: how it works

=>

Land cover and land use maps

Although different, the terms land use and land cover are often used as synonymous. From Wikipedia Land cover is the physical material at the surface of the earth. Land covers include grass, asphalt, trees, bare ground, water, etc. There are two primary methods for capturing information on land cover: field survey and analysis of remotely sensed imagery. and Land use is the human use of land. Land use involves the management and modification of natural environment or wilderness into built environment such as fields, pastures, and settlements. It also has been defined as "the arrangements, activities and inputs people undertake in a certain land cover type to produce, change or maintain it" (FAO, 1997a; FAO/UNEP, 1999).


A precise knowledge of land use and land cover is crucial for many scientific studies and for many operational applications. This accurate knowledge needs frequent information updates, but may also need to be able to go back in time in order to perform trend analysis and to suggest evolution scenarios.

 

Satellite remote sensing offers the possibility to have a global point of view over large regions with frequent updates, and therefore it is a very valuable tool for land cover map production.

 

However, for those maps to be available in a timely manner and with a good quality, robust, reliable and automatic methods are needed for the exploitation of the available data.

 

 

 

Classical production approaches

The automatic approaches to land cover map production using remote sensing imagery are often based on image classification methods.

 

This classification can be:

  • supervised: areas for which the land cover is known are used as learning examples;
  • unsupervised: the image pixels are grouped by similarity and the classes are identified afterwards.

Supervised classification often yields better results, but it needs reference data which are difficult or costly to obtain (field campaigns, photo-interpretation, etc.).

 

 

 

What time series bring

Until recently, fine scale land cover maps have been nearly exclusively produced using a small number of acquisition dates due to the fact that dense image time series were not available.

 

The focus was therefore on the use of spectral richness in order to distinguish the different land cover classes. However, this approach is not able to differentiate classes which may have a similar spectral signature at the acquisition time, but that would have a different spectral behaviour at another point in time (bare soils which will become different crops, for instance). In order to overcome this problem, several acquisition dates can be used, but this needs a specific date selection depending on the map nomenclature.

 

For instance, in the left image, which is acquired in May, it is very difficult to tell where the rapeseed fields are since they are very similar to the wheat ones. On the right image, acquired in April, blooming rapeseed fields are very easy to spot.

 

May image. Light green fields are winter crops, mainly wheat and rapeseed. But which are the rapeseed ones?

April image. Blooming rapeseed fields are easily distinguished in yellow while wheat is in dark green.

 

If one wants to build generic (independent from the geographic sites and therefore also from the target nomenclatures) and operational systems, regular and frequent image acquisitions have to be ensured. This will soon be made possible by the Sentinel-2 mission, and it is right now already the case with demonstration data provided by Formosat-2 and SPOT4 (Take 5). Furthermore, it can be shown that having a high temporal resolution is more interesting than having a high spectral diversity. For instance, the following figure shows the classification performance results (in terms of  \kappa index, the higher the better) as a function of the number of images used. Formosat-2 images (4 spectral bands) and simulated Sentinel-2 (13 bands) and Venµs (12 bands) data have been used. It can be seen that, once enough acquisitions are available, the spectral richness is caught up by a fine description of the temporal evolution.

kappaVFS.png

 

 

What we can expect from Sentinel-2

Sentinel-2 has unique capabilities in the Earth observation systems landscape:

  • 290 km. swath;
  • 10 to 60 m. spatial resolution depending on the bands;
  • 5-day revisit cycle with 2 satellites;
  • 13 spectral bands.

Systems with similar spatial resolution (SPOT or Landsat) have longer revisit periods and fewer and larger spectral bands. Systems with similar temporal revisit have either a lower spatial resolution (MODIS) or narrower swaths (Formosat-2).

 

The kind of data provided by Sentinel-2 allows to foresee the development of land cover map production systems which should be able to update the information monthly at a global scale. The temporal dimension will allow to distinguish classes whose spectral signatures are very similar during long periods of the year. The increased spatial resolution will make possible to work with smaller minimum mapping units.

 

However, the operational implementation of such systems will require a particular attention to the validation procedures of the produced maps and also to the huge data volumes. Indeed, the land cover maps will have to be validated at the regional or even at the global scale. Also, since the reference data (i.e. ground truth) will be only available in limited amounts, supervised methods will have to be avoided as much as possible. One possibility consists of integrating prior knowledge (about the physics of the observed processes, or via expert rules) into the processing chains.

 

Last but not least, even if the acquisition capabilities of these new systems will be increased, there will always be temporal and spatial data holes (clouds, for instance). Processing chains will have to be robust to this kind of artefacts.

 

 

Ongoing work at CESBIO

 

Danielle Ducrot, Antoine Masse and a few CESBIO interns have recently produced a a large land cover map over the Pyrenees using 30 m. resolution multi-temporal Landsat images. This map, which is real craftsmanship, contains 70 different classes. It is made of 3 different parts using nearly cloud-free images acquired in 2010.

 

70-class land cover map obtained from multi-temporal Landsat data.

In his PhD work, Antoine works on methods allowing to select the best dates in order to perform a classification. At the same time, Isabel Rodes is looking into techniques enabling the use of all available acquisitions over very large areas by dealing with both missing data (clouds, shadows) and the fact that all pixels are not acquired at the same dates.

 

These 2 approaches are complementary: one allows to target very detailed nomenclatures, but needs some human intervention, and the other is fully automatic, but less ambitious in terms of nomenclature.

 

A third approach is being investigated at CESBIO in the PhD work of Julien Osman: the use of prior knowledge both quantitative (from historical records) and qualitative (expert knowledge) in order to guide the automatic classification systems.

 

We will give you more detailed information about all those approaches in coming posts on this blog.

La production de cartes d'occupation du sol, comment ça marche?

=>

Les cartes d'occupation du sol

D'après Wikipédia, l'occupation du sol désigne pour la FAO (1998) "la couverture (bio-)physique de la surface des terres émergées" et donc le type d'usage (ou de non-usage) fait des terres par l'Homme. La mosaïque paysagère est cartographiée en identifiant les types homogènes de milieux (ex : zones artificialisées, zones agricoles, forêts ou landes, zones humides, etc.).


La connaissance précise de cette occupation du sol est un enjeu crucial pour beaucoup de travaux de recherche et pour de nombreuses applications opérationnelles. Une connaissance précise demande une mise à jour fréquente de ces informations, mais peut aussi nécessiter de remonter dans le temps pour faire une analyse des tendances et proposer des scénarios d'évolution.

 

La possibilité offerte par la télédétection spatiale d'accéder à une vue d'ensemble de grandes régions de façon récurrente constitue donc un atout majeur pour la production de cartes d'occupation du sol.

 

Cependant, pour que ces cartes soient disponibles dans des délais raisonnables et avec une qualité suffisante, il est nécessaire de disposer de méthodes automatiques robustes et fiables, capables d'exploiter de façon efficace les données disponibles.

 

 

Les approches classiques de production

Les approches automatiques de production de cartes d'occupation du sol à partir d'images de télédétection sont souvent basées sur des méthodes de classification d'images.

 

Cette classification peut être :

  • supervisée : on utilise des zones pour lesquelles on connaît l'occupation du sol comme des exemples pour un apprentissage;
  • non supervisée : on regroupe les pixels de l'image par similarité et on reconnait les classes ensuite.

La classification supervisée fournit souvent de meilleurs résultats, mais elle nécessite des données de référence pour l'apprentissage qui sont coûteuses à obtenir (campagnes sur le terrain, photo-interprétation, etc.). C'est cependant cette approche qui est utilisée dans les travaux actuels du CESBIO, comme par exemple l'édition d'une carte d'occupation des sols annuelle sur la France (avec LANDSAT 8, en attendant Sentinel-2).

 

 

L'apport du multi-temporel

Jusqu'à récemment, les cartes d'occupation du sol à échelle cartographique fine ont été presque exclusivement produites à partir d'un petit nombre de dates et ceci principalement à cause du manque de séries multi-temporelles denses fournies par des capteurs à haute résolution spatiale. L'accent était donc mis sur la richesse spectrale des images pour distinguer les différentes classes d'occupation du sol.

 

Cependant, cette approche "monodate" ne permet pas de distinguer des classes qui auraient la même signature spectrale à une date d'acquisition donnée, mais une signature différente à une autre date (des sols nus qui deviendront des cultures différentes plus tard). Pour pallier à cette difficulté, plusieurs dates peuvent être utilisées, mais cela demande une sélection spécifique de dates en fonction de la nomenclature visée.

 

Par exemple, dans l'image de gauche, acquise au mois de mai, il est très difficile de dire où sont les parcelles de colza et quelles sont les parcelles de blé. Sur l'image de droite, acquise au mois d'avril, les parcelles de colza en fleur sont très faciles à distinguer des parcelles de blé bien vert.

 

]

Image du mois d'avril. Les parcelles de colza en pleine floraison sont parfaitement visibles, elles apparaissent en jaune Image du mois de mai. Les parcelles vert clair sont des cultures d'hiver, blé ou colza principalement. Où sont les champs de Colza ?

 

Si l'on souhaite mettre en place des systèmes opérationnels et génériques (indépendants des sites cartographiés et donc des nomenclatures visées), il faut assurer une acquisition d'images fréquente et régulière. Ceci sera rendu possible par la mission Sentinel-2, et déjà, sur les données de démonstration issues de Formosat-2 et SPOT4 (Take 5). En plus, on peut montrer que le fait de disposer d'une haute résolution temporelle peut être plus intéressant que de disposer d'une grande diversité spectrale. Par exemple, la figure suivante montre des résultats de performances de classification (indice  \kappa ; plus il est élevé, mieux c'est) en fonction du nombre de dates utilisées pour la classification. On a utilisé des images Formosat-2 (4 bandes spectrales) et des simulations Vénµs (12 bandes) et Sentinelle-2 (13 bandes). On constate qu'à partir d'un nombre suffisant de dates utilisées, la richesse spectrale de Vénµs et Sentinelle-2 est rattrapée par une description fine du comportement temporel obtenu avec le simple capteur Formosat-2.

kappaVFS.png

 

 

Ce qui peut être attendu de Sentinelle-2

Sentinelle-2 a des caractéristiques uniques dans le paysage des systèmes d'observation de la Terre :

  • fauchée de 290 km.;
  • résolution spatiale de 10 à 60 m. en fonction des bandes spectrales;
  • revisite de 5 jours (avec 2 satellites);
  • 13 bandes spectrales.

Les systèmes de résolution spatiale comparable (SPOT ou Landsat) ont des revisites plus faibles et moins de bandes spectrales. Les systèmes de revisite similaire, ont une résolution spatiale plus faible (MODIS) ou des fauchées réduites (Formosat-2).

 

Avec le type de données fournies par Sentinelle-2 il est possible d'envisager le développement de systèmes de production de cartes d'occupation du sol capables d'actualiser les informations une fois par mois à l'échelle globale. La dimension temporelle, permettra de distinguer des classes dont les signatures spectrales sont très proches pendant une grande partie de l'année. La résolution spatiale améliorée permettra de travailler avec des unités minimales de cartographie plus fines.

 

Cependant, la mise en oeuvre opérationnelle de tels systèmes nécessitera une attention particulière aux besoins de validation des produits générés et aux énormes volumes de données à traiter.

 

Les cartes d'occupation produites par un tel système devront suivre une validation à échelle régionale, voire globale. De plus, comme les données de référence seront limitées, il faudra se passer au maximum de techniques d'apprentissage et essayer d'intégrer des connaissances a priori (physiques ou expertes) dans les chaînes de traitement.

 

Enfin, même si la capacité d'acquisition des nouveaux systèmes spatiaux sera améliorée, il y aura toujours des trous dans les données (nuages, par exemple). Les chaînes de traitement devront donc savoir combler ces trous, ou en tout cas y être robustes.

 

 

Les travaux du CESBIO

Danielle Ducrot, Antoine Masse et de nombreux stagiaires du CESBIO ont fabriqué récemment une grande carte d'occupation des sols sur la chaîne des Pyrénées à partir de données multi-temporelles de LANDSAT à 30 mètres de résolution. Cette carte, qui représente un vrai travail d'orfèvre, contient 70 classes. Elle a été réalisée en trois parties à partir des images peu nuageuses collectées par les satellites Landsat au cours de l'année 2010.

 

 

Carte d'occupation des sols à 70 classes obtenue à partir de séries temporelles d'images LANDSAT.

Dans sa thèse, Antoine travaille sur les méthodes qui permettent de sélectionner les meilleures dates pour réaliser une classification. De son côté, Isabel Rodes s'intéresse aux méthodes qui permettent d'utiliser toutes les images disponibles sur des zones très étendues tout en gérant les données manquantes (nuages, ombres) et le fait que tous les pixels ne sont pas vus aux mêmes dates. Ces 2 approches sont complémentaires : l'une permet de travailler avec des nomenclatures très détaillées, mais demande l'intervention d'opérateurs humains, l'autre est complètement automatique, mais moins ambitieuse en termes de détails de la classification.

 

Une troisième approche est explorée au CESBIO dans le cadre de la thèse de Julien Osman : l'utilisation de connaissances a priori de type quantitatif (à partir de données historiques) et qualitatif (connaissances d'experts thématiques) pour guider les systèmes de classification automatique.

 

Nous vous décrirons plus en détails ces différentes approches dans des billets à venir.