Mise à jour de la cartographie de l'occupation des by ijm12903

VIEWS: 57 PAGES: 21

									                                                              COMPOSANTE 1A - Projet 1A4


                                                    Gestion côtière intégrée - Projet GERSA
                                                  (GEstion des Récifs, du Satellite à l’Acteur)


                                                                              Décembre 2008


                                                      RAPPORT TECHNIQUE



                                   Mise à jour de la cartographie de
                                        l’occupation des sols à
                                            Efate (Vanuatu)
                                    par l’utilisation d’images très
                                      haute résolution (THR) du
                                          satellite Formosat-2
Photo : Jean-Brice HERRENSCHMIDT




                                                                                Auteurs:
                                                                         Maelle AUBERT,
                                                                         Marc DESPINOY
                                                                Le CRISP est un programme mis en oeuvre dans le cadre de la politique dé-
                                                                veloppée par le programme régional Océanien pour l’Environnement afin
                                                                de contribuer à la protection et à la gestion durable des récifs coralliens
                                                                des pays du Pacifique.




                                             L’initiative pour la protection et la gestion des récifs coralliens dans le Pacifique, engagée par
                                             la France a pour but de développer pour l’avenir une vision de ces milieux uniques et des
                                             peuples qui en dépendent ; elle se propose de mettre en place des stratégies et des projets
                                             visant à préserver leur biodiversité et à développer les services économiques et environne-
                                             mentaux qu’ils rendent, tant au niveau local que global. Elle est conçue, en outre, comme un
                                             vecteur d’intégration régionale entre états développés et pays en voie de développement
                                             du Pacifique.

                                             Le CRISP est structuré en trois composantes comprenant respectivement divers projets :
                                             - Composante 1 : Aires marines protégées et bassins versants
                                                      - Projet 1A1 : Planification de la conservation de la biodiversité marine
                                                      - Projet 1A2 : Aires Marines Protégées (AMP)
        Cellule de Coordination CRISP                 - Projet 1A3 : Renforcement institutionnel
       Chef de programme : Eric CLUA                  - Projet 1A4 : Gestion côtière intégrée
                            CPS - BP D5      - Comp. 2 : Connaissance, gestion, restauration et valorisation des écosystèmes coralliens
                98848 Nouméa Cedex                    - 2A : Connaissance, valorisation et gestion des écosystèmes coralliens
                   Nouvelle-Calédonie                 - 2B : Restauration récifale
                Tél/Fax : (687) 26 54 71              - 2C : Valorisation des Substances Actives Marines (SAM)
                  Email : ericc@spc.int               - 2D : Mise en place d’une base de données régionale (Reefbase Pacifique)
                  www.crisponline.net        - Composante 3 : Appui institutionnel et technique
                                                      - 3A : Capitalisation, valorisation et vulgarisation des acquis du programme CRISP
                                                      - 3B : Coordination, promotion et développement du programme CRISP



                                                                    COMPOSANTE 1A
                                                          PROJET 1A4 : GESTION CÔTIÈRE INTÉGRÉE

                                                  Le projet 1A4 du CRISP, principalement mis en oeuvre par l’IRD - Unité ESPACE
                                                  140 à travers le projet GERSA (GEstion des Récifs, du Satellite à l’Acteur), a
                                                  pour objectif de développer des méthodologies et des outils afin de favoriser
                                                  une meilleure gestion des zones côtières dans les îles hautes du Pacifique, en
                                                  intégrant les interactions entre bassins versants et littoraux récifaux ainsi que
                                                  les dynamiques des acteurs locaux dans la mise en oeuvre de systèmes de
         Chef de projet: Gilbert DAVID            gestion durable, notamment d’Aires Marines Protégées (AMP).
Contact : Jean-Brice HERRENSCHMIDT
                 IRD - Unité ESPACE 140      Le projet 1A4 comprend 4 Activités :
   101, Promenade Roger LARROQUE
                                    BP A5
                  98848 Nouméa Cedex
                                              ACTIVITÉ 1 : Approche spatiale
                     Nouvelle-Calédonie       ACTIVITÉ 2 : Territorialité et valeur socio-économique
                  Tél/Fax : (687) 26 08 27    ACTIVITÉ 3 : Système d’information en Environnement et modélisation
         Email : herren@noumea.ird.nc         ACTIVITÉ 4 : Dynamique et modélisation hydrologique des bassins versants




                           Financement :
Sommaire


Introduction ................................................................................................................................ 3

   1.1. Contexte et objectif de l’étude ........................................................................................ 3

   1.2. Description de la zone d’étude ........................................................................................ 4

2. Descriptions des données et prétraitements ........................................................................... 4

   2.1.
 Données optiques THR................................................................................................ 4

   2.2.
 Données exogènes ....................................................................................................... 6

      2.2.1.
 Données in situ ..................................................................................................... 6

      2.2.2.
 MNT et données dérivées..................................................................................... 6

3.
 Procédure de cartographie d’occupation du sol par approche objet................................... 6

   3.1.
 Unités paysagères ........................................................................................................ 7

      3.1.1.
 Définitions et caractéristiques des unités paysagères........................................... 7

      3.1.2.
 Etude variographique des unités paysagères ........................................................ 8

   3.2.
 Segmentation multi-résolution .................................................................................... 8

      3.2.1.
 Définition de la segmentation et notion d’objet d’image ..................................... 8

      3.2.2.
 Choix des paramètres de segmentation ................................................................ 9

   3.3.
 Classification orientée objets..................................................................................... 10

4.
 Résultats ........................................................................................................................... 13

   4.1.
 Segmentation ............................................................................................................. 13

   4.2.
 Classification par approche objet .............................................................................. 13

5.
 Conclusion........................................................................................................................ 16





1
2
Introduction
1.1. Contexte et objectif de l’étude

        Les récifs coralliens sont des écosystèmes uniques offrant un potentiel d’exception
tant du point de vue des ressources que du patrimoine [11]. Les conséquences des activités
anthropiques, comme l’érosion des sols, menacent ces écosystèmes complexes [22 ;6]. En
conditionnant les apports terrigènes, l’étude des bassins versants est une variable clé de la
compréhension des processus qui gouvernent les différents flux de sédiments transportés à
l’océan.
        Ainsi, dans un contexte d’amélioration de la gestion des récifs coralliens, insufflé par
le programme CRISP (Coral Reef Initiative for the South Pacific), le projet GERSA (Gestion
intégrée des bassins versants/littoral Récifal : du Satellite à l’Acteur) entre dans la sous
composante (Watersheds and Integrated Coastal Management) pour l’étude des bassins
versants attenant aux Aires Marines Protégées (AMP) mise en place dans le cadre de CRISP.
Les sites d’étude sont nombreux et concentrés dans la zone Pacifique sud.
       Le modèle d’érosion USLE (Universal Soil Loss Equation) développé par Wischmeir
et Smith [19 ; 20] est utilisé dans le projet GERSA. Ce modèle couplé avec un modèle
hydrologique permet de quantifier le potentiel de sols érodés. La végétation est l’un des cinq
facteurs d’entrée du modèle d’érosion, l’occupation du sol est donc une couche déterminante
pour déterminer les conditions initiales de la modélisation [21 ; 18].
         Pour une meilleure connaissance et un suivi spatialisé de l’occupation du sol,
l'utilisation des technologies spatiales et, plus particulièrement de l'imagerie à très haute
résolution représente un enjeu considérable. En effet, ces techniques de télédétection sont
particulièrement intéressantes car l'acquisition des images couvre d’importantes étendues
géographiques à de hautes résolutions spatiales. De plus, les informations extraites, ont déjà
une fiabilité satisfaisante. Ainsi, l’assimilation des observations obtenues par la télédétection
très haute résolution, représente un réel espoir d’amélioration des performances des modèles
de prévisions d’érosion. Par ailleurs, la diversification et l’amélioration des capteurs des
récentes décennies, aussi bien du point de vue des résolutions spatiales que spectrales, permet
de développer des produits adaptés à l’identification d’environnement complexe.
         Diverses méthodes ont été développées pour extraire ce type d’information d’images
satellites. Les classifications des sols peuvent être effectuées en utilisant des approches basées
sur le pixel ou sur des approches orientées objet. Cependant, les approches traditionnelles
comme celles basées sur le pixel sont inadaptées aux images à très hautes résolutions
spatiales.
       L’objet de cette étude est de développer une méthode basée sur l’objet permettant
d’accéder à cet indicateur « occupation du sol » à partir d’images acquises par les capteurs
FORMOSAT-2 entre Décembre 2007 et Juin 2008. La classification issue de l’approche objet
est comparée à des relevés in situ.
       Cette étude a été menée par l’IRD, avec l’appui technique du Ministère de
l’Agriculture du Vanuatu pour les relevés botaniques. Les images FORMOSAT-2 ont été
acquises dans le cadre du programme ISIS du CNES (Centre National d’Etudes Spatiales).




3
1.2. Description de la zone d’étude

       Efate est l’île principale de l’archipel du Vanuatu. Située sur le 17 ième parallèle, elle
couvre une surface de 899 km² et culmine à une altitude de 637 mètres. Le climat comporte
deux saisons durant lesquelles subsiste une importante couverture nuageuse.




                          Figure 1 : (A) Map of Vanuatu [13]; (B) Efate DEM map.


        Comme toutes les îles intertropicales, Efate possède une couverture végétale dense et
très hétérogène. Le centre de l’île est constitué de forêt dense et est inaccessible. Les champs
agricoles sont localisés dans les terres basses. Les zones urbaines sont concentrées au sud-
ouest, et la partie sud-est est essentiellement occupée par de la savane. Plusieurs images ont
été nécessaires afin de couvrir l’ensemble de l’île d’Efate. [Figure 1].



2. Descriptions des données et prétraitements

2.1.   Données optiques THR

        Les techniques de télédétection très haute résolution sont particulièrement
intéressantes car leurs importantes résolutions spatiales permettent de cartographier
précisément l’occupation du sol. C’est pourquoi, l’actualisation de la carte d’occupation du
sol d’Efate, a été réalisée à partir d’images FORMOSAT-2. De plus, la capacité actuelle
d’observation des surfaces par ce capteur est journalière, ce qui permet d’outrepasser les
problèmes liés à la couverture nuageuse.

       Afin de couvrir l’ensemble de l’île d’Efate quatre scènes FORMOSAT-2 ont été
acquises entre 2007 et 2008 [cf.Tableau 1 ; Figure 2].




4
                 Date (jj/mm/aa)        Capteur       Couverture nuageuse Niveau de production


                    03/12/2007
                    20/01/2008       FORMOSAT-2                 < 5%              Fusion XS-Pan ; L1A
                    14/06/2008

    Tableau 1 : Caractéristiques des images FORMOSAT-2 acquises entre 2007 et 2008 et utilisées pour la cartographie de
                                               l’occupation du sol d’Efate.

        Aussi, pour mettre à profit la précision géométrique des images FORMOSAT-2, une
fusion des données multispectrales (8m) et panchromatiques (2m) au niveau L1 a été opérée
par SPOT-image. Les images multicanales résultantes ont une résolution spatiale de 2m et
couvrent 4 bandes spectrales (Bleu : 0.45 – 0,52 µm ; Vert: 0.52 – 0.60 µm; Rouge: 0.63 – 0.69 µm;
Proche Infra Rouge: 0.76 – 0.90 µm).Toutefois, cette fusion introduit des détails, des ombres, des
artefacts qu’il convient de souligner. En effet, la fusion dégrade l’information contenue dans
l’image multispectrale, cependant elle permet d’obtenir une meilleure résolution spatiale
essentielle à l’utilisation d’informations contextuelles.

        Afin de pouvoir comparer les images et faciliter l’intégration des données exogènes
(MNT, parcelles échantillonnées) les images FORMOSAT-2 ont été géoréférencées, à partir
d’une mosaïque de la carte topographique au 1/50 000 et géoréférencées dans le système
géodésique WGS84 (Ellipsoïde de WGS84, Projection UTM Zone59). Un ensemble de 80
points de contrôle répartis au mieux sur l’ensemble de la scène a été repéré afin de garantir
une correction géométrique de qualité. Toutefois, la précison est limitée par l’insuffisance de
points remarquables au centre de l’île d’Efate. L’algorithme utilisé est un polynôme d’ordre 2.
Etant donné la précision des données exogènes, notamment du MNT (20m), l’erreur de
géoréférencement admise est d’environ 20 m, soit 10 pixels.

        Enfin, les processus de classification par approche objet exigent d’importants temps de
calcul. C’est pourquoi il a été nécessaire de diviser chaque scène avant d’effectuer la
classification [cf. Figure 2]. Une fois la classification effectuée sur ces extractions, l’ensemble
est mosaïqué afin de constituer la carte d’occupation du sol globale d’Efate.




Figure 2: Mosaïque des quatre scènes FORMOSAT-2 utilisées pour cartographier l’occupation du sol d’Efate. Les divisions
                                      des scènes effectuées sont encadrées en blanc.



5
2.2.   Données exogènes

2.2.1. Données in situ

        De nouveaux relevés de terrains ont été effectués. Les relevés GPS comprennent des
relevés botaniques, des relevés de points d’amer, et des zones d’unités paysagères homogènes.
L’ensemble des données collectées a été informatisé, et une couche vectorielle a été crée.
        Ces données couplées aux relevées de 2007, forment une base de données primordiale
à la validation de la classification.

2.2.2. MNT et données dérivées

       Le MNT utilisé a une résolution de 20m. L’ancien MNT comportait des zones puits
(zones sans valeur). Il a donc été ré-interpolé. Toutefois l’algorithme utilisé ne permet pas de
calculer la carte des pentes, puisqu’il subsiste un effet de plateau (histogramme en palier).
Lors de la procédure de classification, le MNT permet de différencier les classes forêt dense
et secondaire.



3. Procédure de cartographie d’occupation du sol par approche objet
     Etant donné l’important niveau de détails offerts par les images à très hautes résolutions
spatiales, les approches de classifications classiques basées sur le pixel, comme le maximum
de vraisemblance, engendrent des artefacts de classification [17]. Dans l’approche orientée
objet, cet « effets poivre et sel » est contourné, puisque l’élément de base (ou objet) devient
une association de pixels ayant les mêmes caractéristiques spectrales et de forme. L’extraction
des classes d’intérêts est alors issue d’une succession de processus : segmentation,
construction de règles de décisions (procédure hiérarchique), classification [Figure 3].




                         Figure 3: Processus de cartographie de l'occupation du sol



6
3.1.       Unités paysagères

3.1.1. Définitions et caractéristiques des unités paysagères

        L’occupation du sol peut être succinctement définie comme la couverture (bio-)
physique de la surface des terres émergées [1]. Pour prendre en considération les pratiques
d’utilisation du sol, la classification doit suivre un schéma incluant toutes les parties du site
d’étude et décrire les « caractéristiques d’intérêt des utilisateurs, pour connaître aussi bien en
terme d’identité des caractéristiques et leur localisation dans l’espace et le temps » [9]. De
plus, Smith et al. [16] recommande que le processus de classification soit :
    - applicable à des surfaces plus étendues
    - reproductible avec des images acquises à différentes périodes de l’année
    - assez flexible permettre le regroupement de classes
    - assez flexible pour inclure des sous-catégories acquises du terrain ou de résolution
        plus fine d’autres capteurs
    - comparable avec d’autres cartes d’occupation du sol
    - reconnait chaque classe comme une classe unique

        Dans le cadre de cette étude liée à l’érosion des sols, 15 classes d’occupation du sol
ont été retenues [Tableau 2]:

                       Class                                                Description
       1      Océan                             Océan Pacifique et récifs coralliens.
       2      Eau                               Surface d’eau libre : rivière, lac, marécage.
       3      Plage                             Surface minérale de type sable et rochers.
       4      Route                             Routes et pistes.
       5      Zone Urbaine                      Bâti et surface artificielle.
       6      Nuage                             Couverture nuageuse.
       7      Ombre                             Ombres liées aux nuages et non différenciables.
       8      Sol nu                            Sol non végétalisé.
                                                Forêt dense non modifiée par les activités anthropiques des
       9      Forêt dense
                                                dernières décennies.
                                                Forêt mixte (dense, moyenne, éparse) modifiée par les
       10     Forêt secondaire
                                                activités anthropiques.
                                                Percées dans la forêt dense. Par exemple, celles dues aux
       11     Forêt ouverte                     feux. (où les lianes de Meremia sont généralement
                                                présentent).
       12     Arbres isolés                     Arbres entièrement entourés par de la savane.
                                                Savane composée d’arbustes. Usuellement il s’agit de la
       13     Savane arbustive
                                                transition entre les zones forestières et les surfaces enherbées.
       14     Savane herbeuse                   Savane, champ, pâture d’élevage bovin.
       15     Cocoteraie                        Culture de cocotiers (en culture ou abandonnée).
             Tableau 2: Principales caractéristiques des classes utilisées pour cartographier l'occupation du sol.


         Les signatures spectrales des classes principales sont présentées sur la Figure 4; Cette
représentation des signatures montre les problèmes liés aux similarités des radiances. En
effet, certaines unités paysagères ne sont pas clairement différenciables en utilisant seulement
la radiométrie des pixels (ex : Forêt dense et secondaire ; Savane herbeuse et savane
arbustive). La différenciation de ces classes nécessite l’utilisation de données exogènes
comme le MNT et/ou d’informations contextuelles.



7
                   Figure 4 : Profil spectral d'objets des principales classes d'occupation du sol.


        Pour exemple, des données topographiques additionnelles et des informations
historiques ont été utilisés pour différencier les différents types de couvert forestier (dense et
secondaire). En effet, au 19ième siècle, afin de se prémunir contre le paludisme [3], la
population habitait à une altitude comprise entre 300 et 400 m. Toutefois, les activités
humaines ont depuis disparu de cette partie de l’île et la plupart des activités anthropiques se
sont concentrées dans des zones plus planes (altitude inférieur à 300m). Aussi, la forêt dense
couvrant la partie montagneuse d’Efate ne peut être considérée comme une forêt primaire
même si le couvert forestier a naturellement repoussé. Ainsi, ces paramètres exogènes ont
permis de différencier la « foret dense » de la « forêt secondaire ». Cette dernière unité
paysagère représente, en effet, une couverture forestière localisée aux altitudes plus basses
d’Efate où l’impact des activités anthropiques récentes est sensible.

3.1.2. Etude variographique des unités paysagères

        L’étude variographique de l’extraction a été réalisée sous MATLAB pour les
ensembles de classes : forêt, savane et zone urbanisée.
        - Préparation des extractions :
        Pour chaque unité paysagère des extractions (1000 lignes et de 1000 colonnes) issues
de l’acquisition du 14 Juin 2008 ont été réalisées.
        - Résultats :
        Les résultats obtenus ne permettent pas d’être directement utilisés dans la
classification orientée objet. Ils peuvent en revanche nous renseigner sur la taille des
structures des classes qui est essentiel pour la segmentation.


3.2.   Segmentation multi-résolution

3.2.1. Définition de la segmentation et notion d’objet d’image

      La segmentation d’images est une opération de classification permettant de diviser la
scène en régions homogènes en utilisant des critères d’homogénéité basés sur des

8
caractéristiques telles que l’uniformité, la réfléctance, la texture. Elle permet l’agrégation des
pixels en entités cohérentes en termes de couleur ou de texture. Ces entités issues de la
segmentation de l’image sont nommées « objets d’image ».
       - Segmentation multirésolution
        Pour les images à très haute résolution, la méthode de segmentation multirésolution
présente l’avantage de fusionner des régions. Elle utilise le principe de croissance de région
qui consiste en une procédure de fusion itérative basée sur l’agrégation progressive de pixels
sous forme de régions ou objets. Cette fusion est réalisée de manière à minimiser
l’hétérogénéité de l’objet résultant en prenant en compte la couleur et la forme de l’objet. Un
seuil introduit par l’opérateur est fixé pour arrêter l’extension de la région (Echelle).
        Ainsi, en choisissant différentes valeurs pour le « seuil », on génère différents niveaux
de segmentation constituant un réseau hiérarchique d’objets. Dans ce réseau, chaque objet
connaît ses voisins, ses sous-objets (objets des niveaux inférieurs) et ses super-objets (objets
des niveaux supérieurs). Chaque niveau représente les informations de l’image suivant un
niveau de détail particulier, comme si l’image disposait de différentes « résolutions », c’est
pourquoi cette segmentation est nommée « multirésolution ». Ainsi il est possible de définir
des relations entre ces objets et d’utiliser ce genre d’information contextuelle dans l’analyse
ultérieure.
       - Avantages de la segmentation multirésolution
        L’idée générale est d’appliquer la classification à des groupes de pixels représentatifs
de la réalité du terrain, afin de se rapprocher du mode de fonctionnement de la perception
humaine et de faciliter la compréhension de l’image.
En influant sur l’échelle des objets générés, on peut représenter différents niveaux de réalité
du terrain. Ainsi, on a accès aux informations spécifiques à chaque niveau de détail. La
segmentation selon des critères généraux d’homogénéité serait incapable, dans la plupart des
cas, d’extraire directement des objets d’intérêt. D’une part, la segmentation d’une image est
un problème avec un nombre indéterminé de solutions possibles, d’autre part la plupart des
régions d’intérêt sont d’une hétérogénéité considérable.

3.2.2. Choix des paramètres de segmentation

       La classification dépend de manière directe des résultats de la segmentation. Le choix
des paramètres de segmentation (échelle et critères d’hétérogénéité) a été effectué, afin de
répondre favorablement à la problématique de détection des différentes classes d’occupation
du sol tout en optimisant les temps de calcul. Le Tableau 3 présente les paramètres adoptés
pour chaque niveau de segmentation.

                           Type de segmentation       Echelle     Forme        Compacité
                Niveau 1   normal                     5           0.1          0.5
                Niveau 2   normal                     30          0.2          0.5
                              Tableau 3: Paramètres de segmentation utilisés

        Pour chacun des niveaux, les quatre bandes ont été prises en compte, dans la procédure
de segmentation. Bien que les bandes soient corrélées, elles ont tout de même été considérées
dans l’opération de segmentation, car l’image fusionnée a perdu en qualité d’information
spectrale et de ce fait la moindre information est importante. Ainsi, une pondération de 1 sur
les 4 couches de l’image multi spectrale a été appliquée. Une pondération de 0 sur les données
exogènes (MNT, Masque…) permet de ne pas les prendre en compte dans la segmentation.


9
        Différents tests seuillages ont été effectués (Echelle de 200 à 5, Forme et Compacité
de 1 à 0). La pertinence des triplets échelle/forme/compacité, été vérifiée de façon qualitative.
La segmentation est optimale avec un facteur d’échelle globale de 30. En effet, à ce niveau,
les objets sont assez précis pour discriminer chaque classe et assez grand pour minimiser les
temps de calcul liés au nombre d’objets créé (150 min par extraction). La Figure 5 présente
quelques niveaux de segmentation. Une sous-segmentation de l’unité paysagère savane a été
nécessaire pour permettre la différenciation de la classe cocoteraie.

        Actuellement, l’évaluation des résultats de la segmentation est basée sur l’évaluation
visuelle de la forme et du contenu des objets créés. Aussi, le triplet optimal doit s’assurer que
chaque objet dérivé contient une unique classe de pixel [Figure 5]. L’évaluation quantitative
des résultats de la segmentation suppose de disposer d’un degré d’hétérogénéité de référence.
Aussi, l’étude variographique en cours, devrait permettre de vérifier si les niveaux de
segmentation choisis sont optimums.




            Figure 5: Exemples de résultats de segmentation avec des variations de forme et de compacité

       Cette première étape a donc permis d’extraire des primitives d’objet de l’image, qui
deviendront des briques essentielles aux processus de classification ultérieures.


3.3.   Classification orientée objets

       Une fois l’image segmentée, l’approche objet nécessite l’établissement de critères et
de règles d’appartenance définissant la parenté entre les objets d’une même classe
thématique.

10
        Pour limiter le nombre d’objet dans les processus et la multiplication des règles de
décision, des masques binaires ont été réalisés. En effet, certaines classes peuvent être
facilement classifiées avec une simple approche basée sur le seuillage des pixels (océan,
routes, eau, plage). L’extraction des thèmes paysagés « océan » et de « plage » sont issus de
seuillages du ratio du NDVI : (R-PIR/R+PIR). Le masque des routes est issu d’une
digitalisation. Afin d’éviter les interférences en bordure des nuages lors du processus de
classification, un masque a aussi été réalisé à l’aide d’un seuillage sur la bande 1. En effet, la
signature spectrale des objets autour des zones nuageuses est plus importante. Aussi, des
pixels de forêt ont une réponse spectrale similaire à des objets savane, voir même si la couche
nuageuse est très importante, s’approcher de celle des sols nus. Pour outrepasser ce problème
récurent en imagerie satellite [10] un
masque binaire a donc été réalisé. De
même, certains lacs fortement eutrophisé
ont une signature spectrale semblable à de
la végétation, il a donc été choisi
d’appliquer un masque afin de faciliter leur
détection.

        Ces rasters binaires couplés à des
règles de décision               basées sur
l’appartenance de l’objet à ces masques
(Surface du de l’objet recouvert par le
masque/Surface de l’objet > 60%),
permettent donc d’extraire les unités
paysagères océan, eau, routes et plage. Les
espaces non classifiés après cette première
étape sont alors discriminés par une
approche hiérarchique descendante. La
première étape de cette analyse concerne
l’identification      de     grande     classe
thématique. Ces grands thèmes regroupent
plusieurs unités paysagères et sont définis
par des règles simples. Pour exemple, la
classe     thématique      « NDVI      élevé »
comprend des objets appartenant aux
classes savane et forêt. La création de
grande classe d’occupation du sol est une
condition essentielle de l’extraction d’une
classe dans une approche orientée objet.
Les classes d’intérêt sont ensuite définies
plus précisément par des règles de décision.
Un exemple de la hiérarchie utilisée lors de
la classification est présenté en Figure 6.

                                                 Figure 6 : Exemple de classification hiérarchique (Extraction NE)


La première différenciation dans les zones non classifiées à l’aide des masques, a été
effectuée en utilisant deux règles de décision. La première est basée sur les valeurs de la
somme des réflectance et permet de discriminer les sols nus.


11
                                      Somme-reflectance = B + G + R
                où B, G, R represente les valeurs spectrale dans les bandes du bleu, du vert et du rouge.
       Puis, le ratio du NDVI permet de différencier les ombres de la végétation [15].

                                            NDVI = (PIR-R)/(PIR+R)
                où PIR and R represente les valeurs spectrale des bandes de l’Infra-Rouge et du rouge.


        Suit, différentes règles de décision basées sur les valeurs spectrales des objets, leurs
formes ou les relations entre objets voisins sont utilisées. Certaines sont définies par une seule
règle et uniquement basées sur les caractéristiques physique de l’objet (valeurs, forme,
texture). Ainsi, la classe savane a été discriminée en utilisant des règles basées sur les critères
intrinsèques des objets [Tableau 4].

                 NDVI élevés:               Et         NDVI supérieur à [0.19; 0.192]
                 Foret dense:               Et         Valeur du MNT supérieur à [270]
               Tableau 4 Exemple de règles de décision basées sur des critères intrinsèques des objets.


        Cependant, les attributs des objets sont parfois insuffisants pour définir certaines
classes. Aussi, des règles prenant en compte le voisinage des objets ont été ajoutées. Par
exemple, la savane arbustive ne peut être différenciée de la savane herbeuse par de simples
règles de forme ou de texture. La classe savane arbustive a donc été caractérisée par 3 règles :
Fort NDVI, faible somme des réfléctance et ne devant pas être en contact direct avec un objet
sol nu ou arbre isolé ou route. Aussi, pour éviter la confusion avec la classe savane herbeuse,
un dernier critère a été ajouté : « un objet savane est classifié en savane arbustive s’il est
voisin d’un objet appartenant au group forêt dense ou s’il est entouré par des objets du
groupe forêt secondaire [Tableau 5].

        Savane arbustive :             Ou                 Bordure commune avec des objets du “ Groupe
                                                          foret dense” supérieur à 0.01
                                                          Bordure commune avec des objets du “ Groupe
                                                          foret secondaire” supérieure à 0.5
        Arbres isolés :                Et                 Bordure commune avec des objets du “ Groupe
                                                          savane (herbeuse et arbustive) supérieure à 0.9

            Tableau 5: Exemple de règles de décision contextuel et utilisant des groupements hiérarchique.


        Dans certains cas les objets ne peuvent pas être définis par une succession de règles
simples de décision basées sur les caractéristiques de l’objet ou des relations avec ses objets
voisins. Par exemple, la classe cocoteraie ne peut être différenciée de la classe savane à ce
niveau de segmentation. En effet, les objets de ces deux unités paysagères sont, à cette
échelle, trop proche en termes de forme de contexte de radiométrie et de texture. Cette
similarité est liée au fait que la signature spectrale des cocoteraies n’est pas spécifique et
dépend de la couverture du sol sous-jacente [4]. Du fait de l’espacement des cocotiers et de la
faible couverture du feuillage, la signature spectrale résultante est fortement influencée par la
végétation sous-jacente (herbe ou arbuste). Pour augmenter les différences entre les classes
savane herbeuse, arbustive, et cocoteraie, il a donc été nécessaire d’effectuer une sous-
segmentation de la classe savane (niveau 1). L’espace savane a donc été sous-segmenté selon
l’hypothèse que les cocoteraies sont des espaces arborés organisées en rang laissant des
espaces de savane entre chaque rang. Ainsi, une règle basée sur le pourcentage de sous-objets
contenus dans un objet savane définit au niveau 2 permet alors de classifier les cocoteraies
dans le niveau globale.

12
       Ainsi les caractéristiques de toutes les unités paysagères ont été définies et
individualisées en utilisant des croisements de règles dont le seuil d’appartenance utilise la
logique floue.

        Enfin, la précision de la classification a été réalisée à partir des données de terrains
effectuées en Septembre 2007 et Juin 2008. Les 80 points de contrôle utilisés ont été relevés
au GPS avec l’aide de botaniste et d’écologiste.




4. Résultats

4.1.   Segmentation

        Le choix des paramètres de segmentation influence directement les résultats de la
classification. Aussi, le choix du paramètre d’échelle est primordial puisqu’il contrôle en
grande partie la taille et donc le contenu des objets classifiés. Globalement, un paramètre
d’échelle de 30 permet d’obtenir de bonnes primitives d’objet pour toutes les unités
paysagères présentes sur le site d’étude. Chaque objet défini correspond à une classe
d’occupation du sol unique, et le nombre d’objets reste raisonnable du point de vue des temps
de calcul. De plus une sous-segmentation, avec un paramètre d’échelle de 5, a permis
d’obtenir des informations spatiale et spectrale additionnelle.

         Pour des raisons de faisabilité liées à la lourdeur des calculs nécessaire pour effectuer
une classification orientée objet sur l’ensemble de l’île d’Efate avec des images à très hautes
résolutions, il a été nécessaire de travailler sur 7 extractions. Or, l’augmentation du nombre
d’extractions va de paire avec l’augmentation des problèmes de jointure entre les scènes. En
effet, la segmentation étant basée sur la variabilité des pixels et de leurs contextes, les objets
créés en bordure de chaque extraction sont différents d’une extraction à l’autre. Ceci engendre
alors des problèmes de jointure d’objets aux limites des extractions (formes différentes) et de
ce fait sur la classification finale issue de la fusion de ces extractions. Ainsi, la segmentation
d’extraction, plutôt que l’ensemble de la scène, engendre des problèmes aux limites dans les
zones hétérogènes. Cependant, la classification n’était pas réalisable sans un tel découpage
préliminaire. Aussi des post-traitements effectués sur la classification finale pourraient palier
à ce phénomène.


4.2.   Classification par approche objet

        Les processus de classification ont été allégés et simplifiés par l’utilisation de couche
thématique. En effet, les masques binaires créés permettent d’assigner aisément les objets des
classes océan, plage, route et nuage. De plus, ceux-ci pourront être réutilisés dans les projets
ultérieurs sans besoin de réajustement sur le seuillage des règles de décision (exempt du
masque de la classe nuage). En effet, les règles de décision utilisées pour classifier les objets
définis par la segmentation, sont de simple critère d’appartenance aux masques binaires.

       La technique de cartographie de l’occupation du sol a été basée sur une approche
orientée objet où l’information spectrale est couplée avec des critères géométrique,

13
topologique et sémantique. Ces derniers se sont révélés essentiels pour discriminer certaines
unités paysagères. En effet, du fait de la détérioration radiométrique engendrée par la fusion
d’images, certaines signatures spectrales ne sont pas assez distincts (ex. savane herbeuse,
savane arbustive). Toutefois, le couplage de ces critères reste insuffisant pour discriminer
certains objets (ex. savane et cocoteraies) ayant des signatures spectrales et des contextes
semblables. Une sous-segmentation a donc été nécessaire pour obtenir des informations
spectrales et sur la distribution spatiale au sein de ses objets.

        Par ailleurs, l’image présente deux types d’ombres qu’il convient de reclassifier afin
de limiter les zones indéterminées. Le premier type d’ombre est directement lié à la pente des
versants, le second à l’ombre portée des nuages. La discrimination entre ces deux types
d’ombres pourrait être aisément effectuée en disposant d’une carte des pentes. Cependant
cette information exogène n’est pas disponible. Des critères contextuels ont donc été utilisés.
Les zones d’ombres dues aux variations de condition d’illumination de la topographie
affectent essentiellement les unités paysagères forestières qui occupent la partie montagneuse
de l’ile d’Efate. Aussi, les surfaces ombragées situées aux hautes altitudes sont reclassifiées
en forêt dense. Aux altitudes les plus basses, les surfaces d’ombres sont reclassifiées en
utilisant un critère basé sur les objets voisins. Concernant les ombres liées aux nuages, il est
possible de reclassifier les bordures par le même type de règles contextuelles. Toutefois le
cœur des ombres portées par les nuages, ne peut être reclassifié du fait qu’il puisse être
composé de classes mixtes (ex. savane et zone urbaine).

       Un extrait de la classification finale est présenté sur la Figure 7.




            Figure 7: Extrait de la carte d'occupation du sol obtenue avec la classification orientée objet.




14
          L’évaluation qualitiative de cette classification est en accord avec les observations de
  terrains :
             o Les surfaces artificielles sont concentrées dans la ville de Port-Vila
             o La partie centrale de l’île est occupée par une forêt dense et ne
                 contient pas de savane ou de cocoteraie. La majeure partie de cette
                 surface montagneuse a été classifiée en forêt dense.
             o La plupart des zones herbeuses sont situées au SW ce qui
                 concorde avec les activités anthropiques de ces zones à faible
                 pente.
             o Les savanes arbustives sont situées en bordure de forêt
             o La forêt secondaire est concentrée aux basses altitudes.

          L’évaluation quantitative a été effectuée par le biais de la matrice de confusion []. Les
  résultats obtenus montrent une bonne précision pour toutes les classes, avec une précision
  globale de 92% et une valeur de kappa de 0.9.

     User \    Groupe     Groupe   Groupe           Groupe
                                                                               Forêt
  Reference    savane      forêt    savane           forêt Route Sol nu Océan         Plage Cocoteraies Somme
                                                                              ouverte
     Class    arbustive secondaire herbeuse         dense
Groupe savane
                3162        392      6259              0         0       784       0        0           0     0     10597
   arbustive
 Groupe forêt
                 655      44089        0               0        76        0        0        0           0   10998   55818
  secondaire
Groupe savane
                  0          0       75511             0         0       224       0        0           0   3132    78867
   herbeuse
 Groupe forêt
                  0          0         0             76681       0        0        0        0           0   3647    80328
     dense
     Route        0          0         0               0       5294      0         0        0           0     0     5294
    Sol nu        0          0        731              0       180     12613       0        0           0     0     13524
   Océan          0             0           0          0         0        0     71162       0      165        0     71327
Forêt ouverte    1221           0           0          0         0        0       0       20183     0         0     21404
   Plage          0             0           0          0         0        0       0         0      8315       0     8315
 Cocoteraies      0           2473          0          0         0        0        0        0           0   25898   28371
   Somme         5038        46954        82501      76681     5550    13621    71162     20183    8480     43675
KIA par Classe   0,62         0,93         0,89       1,00     0,95     0,92     1,00      1,00     0,98     0,56
                        Précision globale                                                         0,92
                          KIA globale                                                             0,90

                         Tableau 6: Matrice de confusion et Kappa de la classification orientée objet


           Les résultats obtenus pour les classes savane arbustive (KIA=0.62) et cocoteraies
  (KIA=0.56) ne sont pas satisfaisant. Toutefois, la confusion entre la savane arbustive et la
  forêt est explicable par le fait que les zones forestières ouvertes sont souvent composées
  d’arbustes. Concernant la classe cocoteraie, la plus grande confusion est observée avec des
  objets de forêts secondaires. Cette confusion s’explique par le fait que les anciennes
  cocoteraies (abandonnées ou non) ont une composition végétale hétérogène et donc une
  réponse spectrale proche de celle des forêts dégradées. Aussi, la confusion entre ces deux
  classes est liée à la diversité structurelle des plantations et à la densité du couvert végétale. En
  effet, les anciennes plantations ont une densité d’arbres plus importante et les espèces sous-
  jacente sont souvent composées d'arbustes et / ou de bananier.

         Une faible confusion entre la savane herbeuse et le sol nu est également observée.
  Celle-ci était prévisible du fait que les éléments minoritaires sont lissés lors du passage du

  15
pixel à l’objet. En effet, l’approche objet travail sur des moyennes spectrales, et une
diminution de la proportion d'herbe n'est donc pas évidente.


5. Conclusion
        Cette étude montre le potentiel d’utilisation d’image FORMOSAT-2 pour classifier
l’occupation du sol. En effet, la finesse de sa résolution spatiale est bien adaptée à la
complexité des compositions des environnements tropicaux. De plus, la grande résolution
temporelle de ce capteur permet d’outrepasser les problèmes liés à la couverture nuageuse.
La méthode de classification par approche objet développée est basée sur des règles de
décision et intègre des connaissances historiques ainsi que des couches exogènes (masques et
MNT). De plus, la fusion d’images détériorant la radiométrie des images, il est essentiel
d’utiliser des critères basés sur la forme et sur le voisinage des objets. De plus, les règles de
décision ont été minimisées et leurs croisements limités, afin de ne pas cumuler les
indéterminations liés aux seuillages.

        La carte d’occupation du sol globale obtenue concorde avec les observations de
terrains. Ceci est confirmé par l’étude de la matrice de confusion.

        Toutefois, des améliorations pourraient aisément être apportées notamment pour le
traitement des ombres. Par exemple, le croisement d’une carte des pentes et de règles de
décision basé sur la position relative des ombres et des nuages perfectionnerait la
classification. Par ailleurs, la correction des effets de pentes pourrait améliorer la
différenciation des signatures spectrales des objets.

        Enfin, les processus de segmentation implémenté avec le logiciel eCognition sont très
subjectifs. En effet, le résultat est laissé à l’appréciation de l’interprète et donc de son
expérience. Aussi, l’utilisation d’une approche variographique pourrait procurer
d’importantes informations pour identifier des seuils de résolutions structurelles pour chaque
unité paysagère (direction et taille).

        En conclusion, la carte d’occupation du sol, à 2.5 m de résolution, obtenue permettra
d’affiner la précision du modèle d’érosion. Enfin, l’ensemble des règles conçues permet de
générer une carte d’occupation du sol fiable et dont la mise à jour pourra être effectué avec
d’autres d’images fusionnées FORMOSAT-2.
.




16
Références
[1] Anderson, J. R., Hardy, E. E., Roach, J. T. and Witmer, R. E., “Land use and land cover
classification system for use with remote sensor data,” U. S. Geological Survey, Professional
Paper 964, (1976).
[2] Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M., “Multi-
resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information,”
ISPRS Journal of Photogrammetry and Remote Sensing 58 (3-4), 239-258 (2004).
[3] Bonnemaison, J., [Les Fondements géographiques d’une identité : l’archipel du Vanuatu –
Essai de géographie culturelle - Livre I], ORSTOM éditions, 460p, (1996).
[4] Calame, P. F., Vagaha, M. and Mathias, A. J., “Country report - Republic of Vanuatu, in
SPOT satellite image treatment and visual interpretation for forestry and land use mapping -
Report of the training course on remote sensing - 22/27 July 1990, Nouméa, New Caledonia,
G. David et J. - P. Lilleso eds.”, FAO RAS/86/036 Field document, 23-62 (1993).
[5] Despinoy, M., «Cartographie de la couverture et de l’occupation du sol à Efate, Vanuatu -
Point zéro de 1989,» Report Institut de Recherche pour le Développement (IRD), New
Caledonia: 9 p. (2007).
[6] Fabricius, K. E., “Effects of terrestrial runoff on the ecology of corals and coral reefs:
Review and synthesis,” Marine Pollution Bulletin 50 (2), 125-146, (2005).
[7] Foody, G. M. “Approaches for the production and evaluation of fuzzy land cover
classifications from remotely-sensed data”, International Journal of Remote Sensing 17 (7),
1317-1340, (1996).
[8] Foody, G. M., “Status of land cover classification accuracy assessment,” Remote Sensing
of Environment 80 (1), 185-201, (2002).
[9] Fuller, R. M., Wyatt, B. K. and Barr, C. J., “Countryside survey from ground and space:
Different perspectives, complementary results,” Journal of Environmental Management 54
(2), 101-126, (1998).
[10] Li, J., Mensel, W., P., Yang Z., Frey, R., A., Ackerman, S., A. “High-Spatial-Resolution
Surface and Cloud-Type Classification from MODIS Multispectral Band Measurements”.
Journal of Applied Meteorology 42 (2), 204-226, (Feb. 2002).
[11] Liu, Y., Li, M., Mao, L., Xu, F. and Huang, S. , “Review of remotely sensed imagery
classification patterns based on object-oriented image analysis,” Chinese Geographical
Science 16 (3), 282-288 (2006).
[12] Moberg, F. and Folke, C, “Ecological goods and services of coral reef
ecosystems,”Ecological Economics 29 (2), 215-233, (1999).
[13] Mullen, B.F. http://www.fao.org
[14] Möller, M., Lymburner, L. and Volk, M.,“The comparison index: A tool for assessing the
accuracy of image segmentation,” International Journal of Applied Earth Observation and
Geoinformation 9 (3), 311-321, (2007).
[15] Rouse, J.W., Haas, R.H., Schell, J.A. and Deering, D.W., “Monitoring vegetation
systems in Great Plains with ERTS, in Third ERTS Symposium,” NASA SP-351
(Washington, DC), Goddard Space Flight Center 309-317, (1973).
[16] Smits, P. C., Dellepiane, S. G. and Schowengerdt, R. A., “Quality assessment of image
classification algorithms for land-cover mapping: A review and a proposal for a cost-based
approach”, International Journal of Remote Sensing 20 (8), 1461-1486, (1999).
[17] Schiewe, “Potential and Problems of multi-scale segmentation methods in
remotesensing; GIS 6/2001, Hüthig Gmbh & Co. KG, µHeidelberg,” http://www.definiens-
imaging.com/documents/gis.htm, (2001).3
[18] Wall, G. J., Coote, D. R., Pringle, E. A. and Shelton, I. J., “ RUSLEFAC - Revised
Universal Soil Loss Equation for Application in Canada: A Handbook for Estimating Soil

17
Loss from Water Erosion in Canada”. Contribution No. 02-92, Research Branch, Agriculture
and Agri-Food Canada, Ottawa, Canada, 117 p., (2002).
[19] Wang, L., Sousa, W. P. and Gong, P. ,”Integration of object-based and pixel-based
classification for mapping mangroves with IKONOS imagery,”International Journal of
Remote Sensing 25 (24), 5655-5668, (2004).
[20] Wischmeier, W. H. and Smith, D. D., “Predicting rainfall-erosion losses from cropland
east of the Rocky Mountains - guide for selection of practices for soil and water
conservation,” Report number U. S. Department of Agriculture, (1965).
[21] Wischmeier, W. H. and Smith, D. D. “Predicting rainfall erosion losses - a guide to
conservation planning,” Report number U.S. Department of Agriculture, 58 p , (1978).
[22] Zann, L. P., “The status of coral reefs in South Western Pacific Islands,” Marine
Pollution Bulletin 29 (1-3), 52-61, (1994).




18
                                            COMPOSANTE 1A - Projet 1A4

                              Gestion côtière intégrée - Projet GERSA
                            (GEstion des Récifs, du Satellite à l’Acteur)

                                                                Décembre 2008

                                Mise à jour de la cartographie de
                     l’occupation des sols à Efate ( Vanuatu) par
                     l’utilisation d’images très haute résolution
    Composante 1                    (THR) du satellite Formosat-2
sous-composante 1A



                          ABSTRACT
                          Due to the complexity of the tropical terrestrial environ-
                          ment present in Pacific islands and the lack of ground
                          data, remote sensing could offer an appropriate tool for
                          obtaining a better understanding and knowledge of the
                          key parameters necessary to many environmental appli-
                          cations. Moreover, recent sensors provide high spatial re-
                          solution and good temporal periodicity which is suitable
                          for the study of tropical environments.

                          The potentiality of an oriented-object technique for
                          landcover mapping will be illustrated in this paper. Un-
                          like traditional pixel-based classification, this technique
                          is based on object-use topology and shape features for
                          the differentiation of target classes. It offers a complex
                          “knowledge base” about classes which can be directly
                          formulated in classification rule sets.

                          The first step applied to images is “segmentation” which
                          enables the improvement of classification accuracy as
                          compared with that achievable using only individual
                          spectral signature pixels.

                          In fact, indices based on spectral, spatial and textural or
                          structural parameters are explored in order to reduce the
                          confusion between classes. The results from the segmen-
                          tation are then used to produce a classification of objects.

                          The oriented-object classification technique is carried
                          out on a section of Efate Island (Vanuatu republic) using
                          images acquired in 2007/2008 by Formosat-2 sensor. Fi-
                          nally, the accuracy of the oriented-object classification is
                          established with the help of ground control points.

                          Key words: tropical environment, Efate Vanuatu,
                          Formosat-2 imagery, segmentation, object-oriented
                          approach, eCognition software.

								
To top