Télédétection des surfaces continentales, de l'océan et de l'atmosphère.

Transcription

1 Télédétection des surfaces continentales, de l'océan et de l'atmosphère. Objectifs du cours: Applications en environnement. Principe de l'estimation de variables biogéophysiques. Exemples détaillés: Estimation du LAI. Estimation de la biomasse par radar. Estimation de l'humidité des sols avec SMOS. Profils de température par IASI.

2 I. Application en environment

3 I. Application en télédétection Répondre aux grands enjeux actuels: changements globaux et protection de l'environement (et de l'homme). Applications issues du capteur ENVISAT

4 I. Application en télédétection Quelques variables Le cycle du carbone: * LAI et phénologie. * Biomasse. * Détection des feux. * Chlorophylle (phytoplancton). * Occupation du sol. Composante biosphère terrestre: La végétation absorbe du CO par photosynthèse. 2 La végétation relargue du CO par respiration 2 (environ 50% de la photosynthèse). Les organismes du sol relargue du CO par 2 respiration.

5 I. Application en télédétection Quelques variables Le cycle de l'eau: * Humidité du sol. * Evapotranspiration. * Humidité atmosphérique. * Précipitations tropicales.

6 I. Application en télédétection Quelques variables Météorologie: * Température atmosphérique. * Humidité atmosphérique. * Précipitations tropicales. * Vitesse des vents (sur océan) * Courants océaniques et température de l'océan.

7 I. Application en télédétection Quelques variables

8 I. Application en télédétection Quelques variables Chimie atmosphérique: * ozone stratosphérique. * NO2 * SO2 * BrO

9 I. Application en télédétection Quelques variables océan, cryosphère, urbanisme, agriculture, risques naturel et industriel... etc, etc.

10 Domaines spectraux UV, Visible, proche et moyen infrarouge. Radiomètres (passif). Concentration en ozone stratosphérique. Chlorophylle (phytoplancton). LAI et phénologie. Occupation du sol

11 Domaines spectraux Infrarouge thermique. Radiomètres (passif). Détection des feux. Evapotranspiration. Humidité atmosphérique. Température de surface. Température atmosphérique.

12 Domaines spectraux Microondes. Radiomètres (passif) et radar (actif) Biomasse (en actif). Vitesse du vent sur l'océan (actif). Humidité du sol (passif). Humidité atmosphérique (passif). Précipitations tropicales (passif). Température de surface (passif). Température atmosphérique (passif).

13 Echelles spatio-temporelles Les différents capteurs actuels travaillant dans le même domaine spectrale sont un compromis particulier entre temps de revisite, résolution spatiale et résolution spectrale. Pour chaque application, on choisit, dans la mesure du possible, le capteur qui représente le meilleur compromis. Exemple: SPOT Haute Résolution : 2.5m 26 jours => occupation du sol. VGT : 1km 1 jour => phénologie. SAR sur ERS : 20m 35 jours => biomasse. Diffusiomètre sur ERS : 50km 1 jour Autre exemple: => vitesse du vent.

14 II. Principe général de l'estimation

15 Principe général de l'estimation Le problème: Estimer une ou des variables d'intérêt thématique à partir d'une ou des mesures de télédétection (luminances, coefficient de rétrodiffusion ou température de brillance). Mesures de télédétection Algorithme Variable d'intérêt principale Sous-produit Ex: mesures de luminance dans le rouge et l'infrarouge et estimation du LAI Les approches (les différents types d'algorithme): * relation empirique ou semi-empirique. * réseau de neurones. * modèle physique (de transfert radiatif) et inversion du modèle ou assimilation de données.

16 Principe général de l'estimation Les approches (les différents types d'algorithme): * relation empirique ou semi-empirique. On utilise des mesures terrain sur des zones les plus représentatives possible et on les compare avec les observations satellites. On en déduit une fonction que l'on suppose générale. Ex: Estimation du LAI à partir des réflectances dans le rouge et le proche infrarouge. Quelques points de mesure sur le blé:

17 Principe général de l'estimation Mais de nombreuses grandes manips ont été réalisées dans les années 80 et 90.

18 Principe général de l'estimation... pour en déduire une relation empirique.

19 Principe général de l'estimation * relation empirique ou semi-empirique (suite). Problème: généralité de la relation établie avec un jeu limité de mesures? Se pose vraiment avec les relations empiriques, un peu moins avec les semi-empiriques, c'est à dire quand des considérations physiques ont été utilisées pour établir la relation. Exemple de l'estimation du LAI à partir du NDVI: Ex relation empirique: LAI=4.19 NDVI2.138 Relation semi-empirique: NDVI = NDVI + (NDVIbs NDVI ) * exp (-Kndvi LAI) Les paramètres NDVI NDVIbs et Kndvi sont estimés par ajustement nonlinéaire. En général le modèle donne de légèrement moins bons résultats sur le site d'étude (car le modèle simple est une contrainte), mais la généralisation à d'autres sites est souvent bien meilleure.

20 Principe général de l'estimation * Inversion par réseau de neurone. Idée: mimer le fonctionnement du cerveau qui est capable d'apprendre pour ensuite reproduire avec une grande capacité de souplesse et de généralisation. Briques de base: Le neurone qui comprend: Des entrées ei avec des poids wi La fonction de transfert (ou d'activation) La sortie. e1 e2 w1 f w2 e3 Fonction d'activation typique: fonction sigmoïde w3 s s=f i ei w i

21 Principe général de l'estimation * Inversion par réseau de neurone. 1 Neurone c'est peu! Notre cerveau: quelques 100 milliards de neurones et 1 millions de milliards de connexions (soit quelques milliers entrées par neurone!). En pratique: souvent on utilise l'architecture Perceptron = 2 couches de neurones (une couche intermédiaire et une de sortie). Ex: 2 entrées une sortie. 5 neurones dans la couche intermédiaire.

22 Principe général de l'estimation * Inversion par réseau de neurone. Autres architectures: Recurrente (effet de mémoire dans le temps): Carte de Kohonen:

23 Principe général de l'estimation * Inversion par réseau de neurone. Les deux phases de fonctionnement: 1) Apprentissage sur une base de données. On ajuste les poids pour que le réseau reproduise au mieux les sorties mesurées sur le terrain à partir des entrées observées par télédétection. Technique: backpropagation ou optimisation. 2) Généralisation, c'est à dire utilisation avec de nouvelles entrées, les poids sont fixes. Avantage des réseaux de neurone: bases mathématiques solides, rapidité, concept attractif donc facile à comprendre et à utiliser. Inconvénient: l'apprentissage est un processus lent qui nécessite beaucoup de données (1000 pour un petit reseau), donc en pratique beaucoup de mesures terrain (e.g. Beaucoup plus que pour un ajustement) Solution: utilisé surtout avec un modèle physique qui sert à constituer la base d'apprentissage...

24 Principe général de l'estimation * Modèle physique et inversion. Les briques de base: un modèle direct (forward model) une méthode d'inversion. 1ère étape: On développe un modèle direct et on le valide. Variables géophysiques Modèle de transfert radiatif Variables télédétection (réflectance, coéfficient de rétrodiffusion,...) 2ème étape: On développe une méthode d'inversion pour inverser le modèle. Estimé géophysiques Méthode d'inversion Modèle de transfert radiatif Mesures télédétection (réflectance, coéfficient de rétrodiffusion,...)

25 Principe général de l'estimation Exemple de Modèle de transfert radiatif 3D de réflectance du couvert. Ex: DART peut calculer les luminances observées par satellite de n'importe quelles scènes en prenant en compte l'atmosphère.

26 Principe général de l'estimation Images obtenues par simulation dans le visible. DART peut travailler dans le visible, proche infrarouge et de l'infrarouge thermique! Inconvénient: il faut beaucoup de paramètres d'entrée et les temps de calcul sont longs. Ce n'est donc pas forcément parfaitement adapté à l'inversion.

27 Principe général de l'estimation Exemple d'inversion du modèle DART: 1) On constitue une base de données de NDVI en fonction du LAI. Pour cela on fait un grand nombre de simulations en faisant varier tous les paramètres (taille de la végétation, état hydrique, élévation solaire, état de l'atmosphère, etc... Réflectances LAI, autres paramètres (rouge et proche infrarouge bien sur, mais d'autre aussi) DART 2) On entraine un réseau de neurones avec cette base de données (donc pas de problème d'apprentissage!). On donne au réseau des réflecances simulées et on l'entraine à retrouver le LAI. Réflectances simulées. LAI

28 Principe général de l'estimation Exemple d'inversion du modèle DART: 3) On utilise le réseau de neurone avec de VRAIES mesures de réflectance pour estimer le LAI. Mesure de Réflectances LAI Autres méthodes d'inversion / Assimilation de données: Méthodes variationnelles Filtre de Kalman Descente de gradient Algorithmes génétiques Approche bayesienne, etc... Illustration en TP: inversion d'un modèle linéaire.

29 Estimation du LAI Produit MODIS: tous les 8 jours MODIS LAI Maps for March Utilise 2 algorithmes: * Le standart: modèle de transfert radiatif inversé. * Le backup: basé sur l'evi (similaire au NDVI).

30 III. Exemples détaillés.

31 Estimation de la biomasse par radar Idée: On utilise la sensibilité des microondes à l'eau contenue dans les tissus, la pénétration des microondes dans les couverts végétaux et la différence de rétrodiffusion du sol et de la végétation. Contrainte: *Bonne résolution spatiale car le milieu est très hétérogène. *Les arbres poussent lentement... donc pas d'impératif fort sur la résolution temporelle. Solution: Capteur RSO (SAR)

32 Estimation de la biomasse par radar Principe physique: Fréquences usuelles des capteurs RSO entre 0.5Ghz et 10Ghz. Longueurs d'onde: 80cm à 3cm. Constante diélectrique de l'eau: ~70 (80 à basse fréquence). Constante diélectrique des autres corps: ~2-5 Résistance électrique de l'eau: faible => forte absorption. Résistance électrique de autres matériaux: forte => faible absorption. Conclu: Les microondes sont essentiellement sensibles à l'eau contenu dans les feuilles, branches, troncs et sol.

33 Estimation de la biomasse par radar Principe physique: On considère le milieu homogène à l'échelle de la longueur d'onde (moyennement vrai...) Ordre 0: pas de diffusion. La forêt est uniquement atténuateur. Évolution de la luminance I I z dz I z = dzsec I z d'o ù di z = sec I z dz... la loi de Beer Lamber, avec k l'atténuation. z

34 En aparté: Transfert radiatif Le transport de l'énergie est gouvernée par: Diffusion Absorption Emission

35 Transfert radiatif: Absorption Faisons le bilan d'énergie d'un petit volume dans la direction z dz I(z+dz) I(z) Absorption z I z I z dz a dz I z =0 D'où di z = a I z dz Loi de Bouguer avec Ka le coefficient d'absorption (unité m-1) l'absorption est due à la partie imaginaire de la constante diélectrique (résistivité)

36 Transfert radiatif: Diffusion La diffusion provoque deux phénomènes: Perte d'énergie. «Perte» qui s'ajoute à l'absorption Diffusion di z = a s I z dz Coefficient de diffusion (unité m-1) La somme absorption + diffusion se nomme extinction e = a s

37 Transfert radiatif: Diffusion La diffusion provoque deux phénomènes: Gain d'énergie. s di z, = a s I z, p, ' I z, ' d ' dz 4 loi de Beer Lambert Fonction de phase Diffusion Diffusion (Ks et p) dépend de la forme, taille et nombre de particule ainsi que du contraste diélectrique entre les particules et le milieu ambiant.

38 Estimation de la biomasse par radar Principe physique: On considère le milieu homogène à l'échelle de la longueur d'onde (moyennement vrai...) Ordre 0: pas de diffusion. La forêt est uniquement atténuateur. Évolution de la luminance I I z dz I z = dzsec I z d'o ù di z = sec I z dz dz... la loi de Beer Lambert. z

39 Estimation de la biomasse par radar Principe physique: Comme le milieu est homogène: Id z =Id z=0 exp sec z L'onde subit une rétrodiffusion au niveau I z=h =I z=0 R exp sec h m d du sol: Im z=0 =Id z=0 R exp 2 sec h Puis remonte: D'où le coefficient de rétrodiffusion: o observé = o sol nu exp 2 sec h z=0 z

40 Estimation de la biomasse par radar Principe physique: Mais l'ordre 0 ne suffit pas, la forêt diffuse aussi, il faut prendre en compte l'ordre 1... faisons simple: o observé = o sol nu exp 2 sec h o forêt mature 1 exp 2 sec h o observé = o sol nu o forêt mature 1 est l'atténuation due au couvert forestier, il dépend fortement de la biomasse de la forêt (i.e. de la quantité d'eau). z=0 Comme la rétrodiffusion du sol et de la forêt sont différents, on peut estimer à partir de la rétrodiffusion observée et ainsi en déduire la biomasse. (inversion d'un modèle linéaire très simple) z

41 Estimation de la biomasse par radar Principe physique: o observé = o sol nu o forêt mature 1 Relation rétrodiffusion versus biomass à différentes fréquences, différentes polarisation. Forêt des Landes

42 Estimation de la biomasse par radar Principe physique: o observé = o sol nu o forêt mature 1 Deux forêts différentes (à très basses fréquences, dans le MHz). Phénomène de saturation due à la forte atténuation par la forêt: perte de sensibilité.

43 Estimation de la biomasse par radar Les nombreuses difficultés: les ordres d'interaction supérieurs et les interactions avec le sols rendent le signal plus complexe. le signal dépend du sol: sa rugosité (peu variable dans le temps, mais variable dans l'espace) et de son humidité: très variable dans le temps et l'espace. le signal dépend de la structure de la végétation: rayon, longueur des branches, inclinaison, etc. Maquette de pin maritime Modélisation 3D du transfert radiatif

44 Estimation de la biomasse par radar En utilisant ce principe et quelques autres petites choses: carte de biomasse en Sibérie.

45 Estimation de la biomasse par radar Future Mission en bande P (400 Mhz): Biomass monitoring mission for Carbon Assessment (BIOMASS) Intérêt de la bande P: Inconvénient: transmission ionosphérique, encombrement de l'antenne.

46 Occupation du sol Idée: utilise les differences de spectres de reflexion des surfaces (signature spectrale) dans le visible, proche et moyen infrarouge. Contraintes: * hétérogène, il faut donc une haute résolution spatiale (~10m). * Moyennement variable dans le temps (~1 mois). Ces contraintes sont impossibles à tenir aujourd'hui: Soit on utilise un radiomètre haute-résolution (SPOT, Landsat). Soit on utilise un radiomètre moyenne résolution (MODIS, AVHRR, VGT) Futur: Soit on utilise une constellation de satellite. Solution: Radiomètre optique spectral ou super-spectral.

47 Occupation du sol MODIS: 250m 1 jour MERIS: 500m 1 jour Landsat: 15 m 16 jours SPOT: 2.5m 26 jours Ven s: 10m 2 jours (lancement 2009) Ven s offre une couverture très limitée mais une très bonne résolution spatio-temporelle. Avenir: constellation de satellites identiques.

48 Occupation du sol Principe physique: Image spectrale (1 image, plusieurs bandes) parfois signature temporelle (plusieurs images, plusieurs bandes) classification automatique supervisée. Remarques: Il faut mosaiquer avant (ou après) la classification Il faut supprimer les nuages => soit sélection très fine de l'image, soit acquisition de plusieurs images.

49 Occupation du sol Gopal et al. 1999: used AVHRR NDVI maps, and a fuzzy neural network classifier to classify global ecosystems. Note how broad the classes are.

50 Occupation du sol AVHRR (NOAA), Global Land Cover Product (GLCF, USA)

51 Occupation du sol MODIS (NASA), Global Land Cover

52 Occupation du sol

53 Occupation du sol Global Land Cover 2000 (GLC2000, JRC, Europe) 1km de résolution

54 Occupation du sol CORINE (European Environment Agency, Europe)

55 Occupation du sol CORINE Zoom sur le Rhone-Alpes. Existe 100m de résolution

56 Occupation du sol CORINE est issue d'un concept different: * image haute résolution. * combine connaissance terrain et image satellite. * disponible en couche vecteur. * légende hierarchique. * disponible pour 1990 et 2000

57 Occupation du sol

58 Occupation du sol

59 Occupation du sol Remarque: autre type d'information sur l'occupation du sol: Vegetation Continuous Field. Fournie une information quantitative sur la couverture de vegetation. Utile pour la modélisation du cycle du carbone. Peu utile pour la géographie.

60 Occupation du sol POSTEL, première carte globale à 300m de résolution

61 Bilan pour le cycle du carbone Biomasse (stock) LAI (fonctionnement) Occupation du sol et ses changements (stock) Cycle du carbone (stock) (fonctionnement) Activité photosynthétique (Hyperspectral) Feux

62