Méthodes d analyse et d interprétation d images de télédétection multi-sources Extraction de caractéristiques du paysage

Habilitation à diriger des recherches INP Toulouse Méthodes d anallyse et d iinterprétatiion d iimages de téllédétectiion mulltii-sources Extractiion x de caractéristiiques i du paysage Mémoire de recherches Danielle DUCROT Jury : Présidente Josiane Zerubia Directrice de recherche INRIA Rapporteurs Isabelle Bloch Professeur ENST Robert Jeansoulin Directeur de recherche CNRS Philippe Marthon Professeur ENSEEIHT INP Membres Jean Claude Menaut Directeur de recherche CNRS Michel Cattoen Professeur ENSEEIHT INP Eliane Cubero Ingénieur CNES 1 ier décembre 2005

Habilitation à diriger des recherches INP Toulouse Danielle Ducrot Méthodes d analyse et d interprétation d images de télédétection multi-sources Extraction de caractéristiques du paysage Résumé Un système d analyse et d interprétation sémantique d images de télédétection le plus automatique possible est présenté. Des classifications supervisées ou non supervisées multispectrales, multitemporelles, multitexturales, multisources de données optique et/ou radar sont développées, notamment à partir de méthodes globales telle que la méthode ICM (iterative conditional mode). La fusion, dans ce contexte de données multi-sources très hétérogènes est également abordée. La finalité étant, d une part la caractérisation des paysages avec l extraction d attributs (géométriques, morphologiques ou autres) afin de donner une approche quantitative aux écologues, d autre part le suivi pluri-annuel de l évolution des paysages, l étude des changements sur le long terme. Une méthode de reconnaissance automatique de thèmes paysagers à partir de bases de données et de classifications non supervisées, a été développée. Abstract Analysis and interpretation methods of remote sensing multi-source images Extraction of landscape features The purpose of this study is to present a system of analysis and semantic interpretation of remote sensing data that is the most automatic possible. Whether supervised or not, multi-spectral, multitemporal, multi-textural, multi-source classifications of optic and/or radar data are developed, in particular from global methods such as the ICM (Iterative Conditional Mode) method. In this context, fusion of very heterogeneous multi-source data is also explored. Our final aim is, on the one hand, to characterize landscapes with the extraction of attributes (whether geometrical, morphological or other) in order to give a quantitative approach to the ecologists ; on the other hand to follow up the long term evolution of landscapes, and the study of the changes in the long term. A method of automatic recognition of landscape topics from non supervised classification and databases has been developed.

Remerciements Je tiens d abord à remercier Josiane Zérubia présidente du jury, les rapporteurs Isabelle Bloch, Robert Jeansoulin, Philippe Marthon, qui malgré leurs charges importantes ont accepter d examiner ce travail, ainsi que les membres de jury Michel Cattoen, Eliane Cubero. Je remercie Monsieur Menaut directeur du CESBIO et membre du jury, pour m avoir permis de travailler dans de bonnes conditions. Je remercie Armand Lopes qui m a fait profiter de ses connaissances très étendues sur le radar. Je remercie Pierrette Gouaux qui m a initiée aux subtilités de l agriculture et des écosystèmes et surtout pour son soutien moral et matériel. Je remercie également Gérard Dedieu et les membres du projet Sud Ouest qui m ont permis de mieux comprendre les problèmes actuels des cycles de l eau et du carbone et la modélisation du transfert radiatif pour la simulation d images. Je n oublierai pas de remercier également : les membres du projet «Sud Med», les administrateurs du réseau du CESBIO pour leur gentillesse, qui m ont facilité les accès directs aux diverses stations par leurs montages réseaux automatiques, les membres du secrétariat pour leur disponibilité, les nombreux stagiaires sans qui tout ce travail n aurait pu être réalisé. Je dédie ce travail à mes enfants qui m ont encouragée.

SOMMAIRE Glossaire Chapitre 1 Introduction : présentation de la recherche 1 Chapitre 2 - LA CLASSIFICATION 2.1 - Introduction... 7 2.1.1 - Classification non supervisée... 8 2.1.2 - Classification supervisée ou dirigée... 8 2.2 - Les images... 9 2.2.1 - Les images optiques... 9 2.2.2 - Propriétés de base des images Radar à haute résolution spatiale... 9 2.2.2.1 - Principe de base du radar à visée latérale... 9 2.2.2.2 - Discrimination en distance... 10 2.2.2.3 - Discrimination parallèlement à l axe de vol (azimut) pour les RSO... 10 2.2.2.4 - Valeur complexe d un pixel (image SLC) et corrélation avec les voisins... 11 2.2.2.5 - Images monopolarisation multivues... 12 2.2.2.6 - Chatoiement ou «speckle»... 12 2.2.2.7 - Zone non homogène, texture et «bruit» multiplicatif... 13 2.2.2.8 - Capteurs polarimétriques et interférométrie... 14 2.2.2.9 - Perspectives de développement... 15 2.2.3 Les images filtrées - principe du filtre spatial et multitemporel du speckle VMMSE... 15 2.2.4 - La détection des forts diffuseurs et des structures isolées... 16 2.2.5 Les images segmentées de contours ou de région... 18 2.2.5.1 -Principe de la segmentation introduite dans les étapes de la classification... 19 2.2.5.2 - Utilisation de la segmentation dans la classification... 20 2.3 - Les algorithmes de classification développés... 21 2.3.1 - Introduction... 21 2.3.2 - Les modes opératoires des classifications... 23 2.3.2.1 - Classification ponctuelle... 23 2.3.2.2 - Méthodes locales ou contextuelles... 27 2.3.2.2.1 - Loi de Gauss-Wischart réelle... 27 2.3.2.2.2 - Système de Pearson... 28 2.3.2.3 - Méthodes globales... 34 2.3.2.4 - La méthode développée de type ICM...38 I

Chapitre 3 - APPRENTISSAGE AVEC ACQUISTION AUTOMATIQUE DES ECHANTILLONS - VERIFICATION 3.1- Apprentissage à partir d une méthode de saisie automatique des échantillons...51 3.1.1 Description de la base de données cartographiques Agribase...52 3.1.2 - Principe de la méthode automatique d apprentissage...53 3.2 - Evaluation des classifications - Matrice de confusion...56 3.3 - Calcul de distance inter classe...58 3.4- Logiciel d extraction systématique des mesures des combinaisons de canaux (procédure automatique)...58 3.5 - Application : Mesure de la qualité des données satellitales...59 3.5.1 - Résultats obtenus dans le cadre du Projet Sud-Ouest...59 3.5.1.1 - Analyse monodate...60 3.5.1.2 - Etude multi-temporelle...62 3.5.1.2.1 - Combinaisons en additions chronologiques...62 3.5.1.2.2 - Combinaisons en additions ciblées...62 3.5.1.2.3 - Quatre premières dates (cycle végétatif des cultures d hiver) et quatre dernières dates (cycle végétatif des cultures d été)...63 3.5.1.2.4 - Apport du canal PIR (XS3)...64 3.5.1.2.5 - Apport du canal MIR (XS4)...65 3.5.1.3 - Conclusion : choix de la meilleure combinaison pour la classification supervisée pour 2003...65 3.5.2 - Classification d un parcellaire agricole à l aide de données temporelles ERS-1 (région de BOURGES)...66 3.5.2.1 - Introduction...66 3.5.2.2 - Classification ponctuelle...68 3.5.2.2.1 - Classification date à date non filtrée...68 3.5.2.2.2 - Série temporelle non filtrée...68 3.5.2.2.3 Série temporelle filtrée...70 3.5.2.3 Classification contextuelle (loi de Gauss-Wishart réelle)...70 3.5.2.3.1 - Étude pour le choix du meilleur voisinage...70 3.5.2.3.2 - Etude multitemporelle sur les données en amplitude non filtrées avec une classification contextuelle sur un voisinage 7*7...71 3.5.2.3.3 - Images filtrées : classification contextuelle sur un voisinage 5*5...73 3.5.2.4 - Conclusion...73 3.5.3 - Repérage de communautés côtières benthiques par télédétection aéroportée a très haute résolution...75 3.5.4 - Autres applications...75 3.5.5 Conclusion sur l analyse multitemporelle...78 ANNEXE...79 II

Chapitre 4 LA FUSION, l incertain, le possible 4.1 - Introduction... 81 4.2 - Définition de la fusion... 82 4.3 - Modélisation de la fusion... 83 4.3.1 - Modèles probabilistes et bayésiens : La fusion selon la théorie Bayésienne... 84 4.3.2 - Modèles flous, le raisonnement, le plausible, le possible... 85 4.3.3 - Modélisation avec la théorie des croyances de Dempster et Shafer... 87 4.4 - Application à la classification : les différentes approches mises en place... 91 4.4.1 - Etape A : fusion au niveau classification avant le calcul des probabilités... 92 4.4.1.1 - Introduction... 92 4.4.1.2 - Elimination de classes candidates... 92 4.4.1.3 - Les canaux non discriminants... 93 4.4.1.4 - Région... 94 4.4.1.5 - Masque... 94 4.4.2 - Etape B : fusion au niveau du calcul des probabilités... 95 4.4.3 - Etape C : post-classification... 101 4.5 - Régularisation... 106 4.5.1 - Régularisation avec segmentation... 107 4.5.2 - Régulation plus fine... 108 4.6 - Applications... 109 4.6.1 - Etude de cas de l île de Minorque... 109 4.6.2 - Projet Sud ouest... 111 4.6.2.1 - Classification optique... 111 4.6.2.2 - Classification radar ERS-2... 111 4.6.2.3 - Fusion des images SPOT et ERS... 112 4.6.2.4 - Images SPOT 2003... 114 4.6.3 - Bassin du Grand Morin en Seine et Marne... 116 III

Chapitre 5 - ANALYSE DE PAYSAGE 5.1 - Concepts et définitions...119 5.1.1 Concepts... 119 5.1.2 Définitions... 120 5.2 - Les descripteurs du paysage...121 5.2.1 Introduction... 121 5.2.2 - Descripteurs surfaciques des classes... 123 5.2.2.1 - Aire moyenne, coefficient de variation de l aire... 124 5.2.2.2 - Aire de la plus grande UEP, rapport avec l aire de la classe, et avec l aire du paysage... 124 5.2.2.3 - Etude de l hétérogénéité des classes... 124 5.2.2.4 - Indice de morcellement : rapport du nombre d UEPs sur l aire de la classe... 127 5.2.2.5 - Descripteur de fragmentation... 129 5.2.2.6 - Les noyaux, la couronne... 131 5.2.2.6.1 Descripteur de circonvolution... 133 5.2.2.6.2 - Composition des UEPs : pourcentage d UEPs à 0 noyau, 1 noyau, un nombre supérieur à 1 noyau... 133 5.2.2.6.3 - Indice de régularité géométrique... 133 5.2.3 - Descripteurs de forme... 135 5.2.3.1 - Les périmètres et longueurs de contours inter-classes... 135 5.2.3.2 - La forme... 135 5.2.3.3 - Indices de formes... 137 5.2.3.4 - La dimension fractale dans le paysage... 138 5.2.4 - Combinaison des descripteurs surfaciques et de formes... 141 5.2.5 - Mesure de l arrangement spatial... 147 5.2.5.1 - Dispersion : Distance intra-classe, distance moyenne entre les UEPs d'une classe... 147 5.2.5.2 Connectivité : voisinage inter-classe... 150 5.2.5.3 - Indice de juxtaposition : amalgame... 153 5.3 - Étude des descripteurs sur l image découpée en régions...154 5.4 -Descriptif linguistique des classes...157 5.5 - La réalisation d'images dérivées...160 5.6- Définition automatique des grandes régions...161 5.7 - Application...163 5.7.1 - Changement de l organisation paysagère du paysage 1991-2002 de la région du Sud-Ouest toulousain.. 163 5.7.2 -Comportement et écologie du chevreuil... 165 5.7.3 Application pour l étude de la biodiversité... 165 5.7.4 Autre application... 166 IV

Chapitre 6 - INTERPRETATION SEMANTIQUE ET ETUDE DES CHANGEMENTS A LONG TERME 6.1 Analyses multitemporelles et scénarios du futur... 167 6.2 - Corrections géométriques... 168 6.3- Le géoréférencement... 169 6.4 - Correction radiométrique (cas des images optiques)... 170 6.5 - Normalisation par bande spectrale... 172 6.5.1 - Introduction... 172 6.5.2 - La méthode... 172 6.5.3 Principe algorithmique... 175 6.6 - Méthode d interprétation automatique de classification non supervisée... 177 6.6.1 - Les distances : correspondance spectrale et temporelle... 178 6.6.2 - Principe des possibilités... 179 6. 6. 2.1 - Elimination spectrale et temporelle... 180 6. 6. 2. 2 - Intégration de la notion de variation temporelle... 181 6. 6. 2. 3 - Données exogènes... 181 6.7 - Correspondance spatiale : VALIDATION... 182 6.8 - Applications... 184 6.8.1 - Classification non supervisée 2003 et son interprétation... 184 6.8.2 - Résultat de classification non supervisée après interprétation sur une image Sud-Ouest 2004... 188 6.8.3 - Etude des changements de paysage 1991-2002... 189 6. 8. 3.1 - Caractères et précision de la carte d occupation du sol 2002... 189 6. 8. 3. 2 - Occupation du sol en 1991... 190 6. 8. 3. 3 - Version simplifiée de l occupation du sol 2002... 192 6. 8. 3. 4 - Mise en évidence des changements d occupation du sol... 193 Chapitre 7 CONCLUSIONS PROSPECTIVES 197 Références bibliographiques...201 V

Glossaire GLOSSAIRE Analyse haut niveau : se dit d un traitement au départ d une image déjà traitée, par exemple lorsqu une image a été transformée par un filtrage, une classification, ce qui a permis déjà d extraire des informations «cachées» et que cette image est utilisée comme base de traitement. Les traitements haut niveau sont souvent appelés post traitements. La classification est considérée comme de haut niveau. Les traitements bas niveau sont appelés pré traitements. Canal : un canal fait référence à l'image obtenue à une date donnée dans un canal spectral donné, d un capteur donné, il peut également être un canal de «synthèse» (ou dérivé). Classe : numéro correspondant à un thème, affecté à un point ou à une région ou segment après classification, en classification non supervisée on confond étiquette et classe. Date : une date est une donnée comprenant un ou plusieurs canaux correspondant à des images prises à une date (ou plusieurs dates si elles ont un point commun temporel lié au stade phénologique des cultures, par exemple). Donnée : une donnée comprend une sélection de quelques images utiles à associer, par exemple les images d'une même date et/ou d'une même source (optique ou radar). Ecosystème : unité d organisation biologique composée de tous les organismes présents dans une aire donnée et présentant des interactions avec le milieu physique avec pour résultat l existence d un flux d énergie conduisant à une structure caractéristique et à des cycles de matière. Etiquette : numéro affecté à un point ou une région ou segment. Forts diffuseurs dans les images RSO, les forts diffuseurs sont en général des rétrodiffuseurs en forme de coin qui ont une très grande réponse. Ilots : un patch (ou UEP*) correspond à un îlot qui est un ensemble de parcelles adjacentes, agricoles ou autres. Ainsi, s il y a plusieurs parcelles de blé adjacentes, l ensemble de ces parcelles forme l îlot, ce qui correspond à un ensemble connexe de pixels dans l image classée. Image de synthèse ou dérivée : il s agit d image obtenue après un traitement de transformation locale (écart type local, dimension fractale ) calculée sur un voisinage de points et cette valeur est affectée au pixel central. Image radar «brute» c est une image non filtrée, telle qu elle est délivrée au départ. Le phénomène de chatoiement («speckle» en anglais) est parfaitement déterministe, dû à la cohérence de l illumination du capteur et à l interférence constructive et/ou destructive des champs rétrodiffusés par les objets à l intérieur de chaque cellule de résolution. Il se transforme en un aspect granuleux aléatoire sur les images. Lot : Un lot correspond à des dates ou à une manière de regrouper les dates et les données. En général, un lot contient une ou plusieurs données rassemblant chacune, les canaux d'une date précise. Plusieurs lots peuvent également être construits avec les données d'une seule date. VI

Glossaire Parcelle : équivalent au patch, doit être compris au sens agronomique du terme. Patch : UEP* Paysage : Un paysage est une portion de surface terrestre à étudier, en général ce que peut voir un observateur. Dans notre cas, ce sera la surface représentée par une image satellite classée, de plusieurs kilomètres carrés au sol. Le paysage est un niveau d organisation des systèmes écologiques, supérieur à l écosystème ; il se caractérise par son hétérogénéité et par sa dynamique gouvernée pour partie par les activités humaines. Région : 1) sens géographique du terme 2) régions issue d une segmentation (que nous appellerons segments pour être distingué de la 1 ière signification) chacune d'entre elles étant homogène au sens d'attributs préalablement définis. Scénario : Description du futur possible ou faisable selon les schémas d évolution souhaités. En matière d environnement rural, les scénarios comportent trois éléments : 1) une description de la situation présente, 2) un certain nombre de futurs alternatifs, 3) les voies possibles entre le présent et ces images du futur. Segment : employé pour éviter toute confusion avec la région au sens géographique du terme. Segmentation : c est une partition de l image en régions uniformes qui vérifient des propriétés d homogénéité sur des critères caractéristiques donnés, chacune d'entre elles étant homogène au sens d'attributs préalablement définis ; à chaque région est attribuée une étiquette différente. Speckle = chatoiement (voir image radar chapitre 2) Tache : UEP* * UEP : Unité Élémentaire du Paysage est un ensemble de points connexes appartenant à la même classe ou au même écosystème (pluriel, UEPs), synonyme patch. VII

Chapitre 1 INTRODUCTION

Chapitre 1 INTRODUCTION : présentation de la recherche Mes recherches effectuées au CESBIO sont axées sur un système d analyse et d interprétation sémantique des images le plus automatique possible, qui comprend la classification des données spatiales, l extraction géométrique et morphologique de descripteurs pour l analyse de paysage, l étude des changements sur le long terme. Ce mémoire présente un ensemble de travaux, parmi les plus récents, résultats de nombreuses évolutions. Ils concernent le développement de méthodes algorithmiques sur les axes cités. Ces méthodes relèvent de l informatique, plus particulièrement du traitement d images. L informatique n est pas une fin en soi : ce n est un outil puissant que s il peut avoir des répercussions pratiques. C est donc dans ce souci que je présente des applications relevant des méthodes développées. Elles sont conçues afin d être adaptées à des données hétérogènes. Sans avoir la prétention d être universel, le spectre des méthodes a voulu être le plus large possible. Ces recherches ont donné lieu à un système de classification et de caractérisation de paysage présenté figure 1.2. Ce mémoire se décompose en 7 chapitres : l introduction, la classification, l apprentissage et la vérification, la fusion, l analyse de paysage, l interprétation sémantique et l étude des changements, la conclusion et les prospectives. Des applications sont présentées dans certains de ces chapitres. La classification (chapitre 2) est le noyau essentiel, la plupart des méthodes développées s articulant autour de la classification des images. Le résultat de la classification, permet d obtenir le plan d occupation du sol. La classification est aussi utilisée comme mesure de la qualité discriminatoire des bandes spectrales et temporelles des images. Notons qu un effort particulier a été porté sur les classifications multidimensionnelles qui permettent de traiter tout type d image : multi-spectrales, multi-temporelles, multi-capteurs, et d intégrer des données exogènes (SIG, MNT, ), ainsi qu une segmentation. Plusieurs méthodes sont décrites en fonction du type d image, en particulier les images radar qui nécessitent des traitements spécifiques en raison du chatoiement (speckle) inhérent à ces images. Si l application première de la classification est d'établir une cartographie et une statistique de l'occupation du sol (figure 1.1). Elle permet aussi, éventuellement associée à d autres caractéristiques (hydrographie...) de suivre : les conditions de développement des cultures, d'évaluer les consommations d'eau, d induire des travaux sur la prévision des productions, la conservation des sols, la dégradation des terrains de parcours, la déforestation, l évaluation de l'érosion en amont des barrages et actions de prévention, l évolution de la qualité des sols en zones irriguées, le suivi de l'emprise urbaine sur les terres agricoles, pour ne citer qu un certain nombre d applications. 1

Présentation de la recherche Figure 1.1 : principe de combinaison des caractéristiques du milieu pour le zonage de l'espace en unités fonctionnelles L apprentissage et la vérification (chapitre 3) : une partie importante de mon travail a été de tester, valider, modifier les diverses méthodes développées au travers d un très grand nombre d applications. Mon objectif essentiel était que les méthodes de classification ou liées à la classification soient opérationnelles en toutes circonstances. La prise des échantillons déduits des vérité-terrains, première étape de l apprentissage, est très fastidieuse, de celle-ci dépend les résultats de la classification supervisée et de la fiabilité des tests. Une nouvelle méthode d acquisition automatique pour l apprentissage (prise d échantillons à partir de relevé terrain) a été mise au point à partir d une base de données géoréférencées, de données GPS et d une segmentation des images sur des données multi-spectrale, multi-date, multisource. La multi-dimensionnalité est un atout pour déterminer des parcelles d entraînement homogènes. Elles sont temporellement plus homogènes, ce qui permet une augmentation de la précision. Elle nous sert de mesure de la qualité des données satellitales. Divers algorithmes permettent d obtenir des mesures sur toutes les combinaisons possibles de données, d une part pour la vérification de la classification, d autre part pour choisir les meilleures combinaisons. Ces travaux sont validés par les données au sol, les méthodes classiques d interprétation des images photographiques et de données satellitales. Plusieurs applications sont proposées sur des études temporelles avec des images SPOT et radar. La fusion (chapitre 4) : les techniques d acquisition de données de télédétection offrent aujourd hui une grande quantité d informations. Mais elles sont pour la plupart imprécises, incomplètes, voire erronées. Malgré ce manque d exactitude, on est amené à prendre des décisions. Le but de la fusion est donc d'extraire l'information la plus fiable et exacte possible ; pour ce faire, on combine les informations issues des différents capteurs pour décider de l'appartenance d'une information à une classe d'objets. Plusieurs méthodes de fusion ont été intégrées dans la classification, au niveau pré ou post-classification, à partir de plusieurs concepts : logique floue, incertain, évidence, principe bayésien, markovien. La fusion est également utilisée au niveau de l interprétation automatique (chapitre 6). L analyse du paysage (chapitre 5) : l'ensemble des procédures réalisées pour l'analyse du paysage est composé de la caractérisation, de la modélisation de l'hétérogénéité et de l étude de l'évolution du paysage. Les changements écologiques déduits des données satellitales offrent pour chaque grand type d'écosystèmes des indicateurs écologiques potentiels tel que la fragmentation du couvert. Pourquoi étudier les paysages? L organisation de l espace est sous la double influence du milieu physique et de l activité humaine. En perpétuel mouvement l espace a vu depuis quelques décennies, accélérer ses transformations sous la pression de plus en plus forte du facteur humain dans un 2

Présentation de la recherche environnement socio-économique déterminant. Le paysage donne une illustration de cette «confrontation continue entre la société et son milieu» (Burel & Baudry, 1999), exprimant à un instant donné un état de ces relations qui impliquent des structures changeantes dans l espace et dans le temps. Abordée par la télédétection, l étude du paysage permet, à l échelle régionale, la caractérisation des divers systèmes qui le composent. En effet, une série multi temporelle d images satellitales donne une vision synoptique de l espace conduisant à la détermination de ses divers états multitemporels et la mise en évidence de ses changements. La méthode d analyse de paysage que nous proposons, permet de quantifier l organisation de la mosaïque paysagère comme assemblage d «unités élémentaires de paysage» (UEPs) qui correspondent à la parcelle ou l îlot caractéristique d une classe d occupation du sol. Chaque classe d occupation du sol est distinguée par un certain nombre de caractéristiques fondées sur des éléments de forme (dimension fractale par exemple), de taille, de voisinage et de proximité des différentes UEPs. Ce sont des indicateurs de mesure en relation avec l hétérogénéité, la fragmentation et la connectivité de la structure paysagère. Un des objectifs est de permettre l étude spatio-temporelle du paysage et son hétérogénéité. Par la suite, les unités de paysage susceptibles de se comporter comme des puits ou sources de carbone sont identifiées et localisées et leur fonctionnement sera modélisé. Les unités correspondent à différents stades de la dynamique de la végétation «naturelle», différents types d occupation et d utilisation du sol. Ainsi, les étapes pionnières de la dynamique végétale (jachères, friches, landes) doivent accroître leur stock de matière organique ; les forêts matures représentent un stade pour lequel le bilan des échanges de carbone est «équilibré». Interprétation sémantique et étude des changements sur le long terme par des données inter-annuelles (chapitre 6) : des images satellitales d'observation de la terre ont été rassemblées et archivées pendant des décennies. En combinant des données satellitales, des cartes, des systèmes d information géographiques et des mesures sur le terrain, il est possible d'améliorer la description des processus se déroulant à la surface de la Terre. A la différence des mesures in situ, les données satellitales peuvent être obtenues sur de grandes étendues et surtout peuvent prolonger l'analyse dans le passé, à des dates où aucune autre donnée n'était disponible. Mon objectif a été d exploiter ces longues séries temporelles, seules à même de faire ressortir du bruit de fond des tendances évolutives claires ou l impact d événements marquants plus ou moins périodiques. Pour utiliser conjointement les séries d images multi date et/ou d autres documents cartographiques, une image commune corrigée géométriquement et éventuellement radiométriquement, est élaborée. Elle servira de base aux classifications. Malgré ces corrections, des erreurs persistent. Pour les surmonter, nous avons mis au point une méthode de normalisation des valeurs radiométriques, à partir d invariants recherchés automatiquement, dans le but de rendre comparables les données multitemporelles à long terme. Puis, des classifications non supervisées sont réalisées. Le problème de ces classifications est leur interprétation. La classification attribue des étiquettes, mais on ne sait pas à quel type de surface cela correspond. Aucune légende n est donnée a priori. Il est donc nécessaire de faire suivre ce type de classification d une étape d interprétation afin d attribuer une sémantique aux classes trouvées. Une méthode de reconnaissance automatique a été développée pour effectuer cette interprétation. 3

Présentation de la recherche Les applications Les résultats de mes recherches sont utilisés dans le domaine de la surveillance écologique, et de l environnement. Les satellites constituent un des rares moyens disponibles d'obtenir des mesures cohérentes sur de larges superficies. Aux échelles du paysage et de la région, les caractéristiques particulières des observations spatiales sont utilisées pour l'évaluation et la gestion des ressources renouvelables, végétales et hydriques. Les études portent d une part sur une bonne compréhension des différents mécanismes déterminant les échanges d eau, de carbone et d'énergie entre la biosphère et l'atmosphère. Les dynamiques de la biosphère et de l atmosphère évoluent de façon couplée par l'intermédiaire des processus régissant les flux d'énergie, d'eau, et de carbone. Ainsi, un changement de mode d'occupation du sol affecte les interactions entre la biosphère et l'atmosphère. Par effet de rétroaction, les modifications de ces interactions peuvent donner lieu à une modification du fonctionnement et de la structure de la végétation, et par voie de conséquence à des modifications du cycle hydrologique. L interaction avec des processus représentés par des modèles hydrologiques et atmosphériques nécessite alors d intégrer une discrétisation de la structure des systèmes de surface, et donc les caractéristiques de paysage. Une des finalités est de concevoir et de développer une modélisation intégrée des surfaces continentales, représentant explicitement la structuration et les hétérogénéités de la surface et permettant de simuler les processus couplés impliqués dans le cycle de l eau, du carbone, de l'azote et de substances polluantes aux échelles de la parcelle, du paysage et de la région. En ce qui concerne le cycle de l eau et celui de la végétation, les processus de surface se produisent à différents pas de temps journalier et saisonnier. Les évolutions inter-annuelles marquent les changements climatiques et de mode d'occupation du sol. Les échelles pertinentes ici sont d'abord la parcelle ou l unité élémentaire de paysage avec une dimension régionale indissociable pour généraliser les résultats. Les espaces géographiques qui concernent le paysage, du bassin versant à la région sont l'objet de multiples enjeux socio-économiques et scientifiques. C'est à ces échelles que s'élaborent et s'évaluent les politiques d'aménagement du territoire et de gestion des ressources, que s'appliquent de nombreuses lois et réglementations : loi sur l eau, loi "littoral", contrat territorial d exploitation, politiques contractuelles diverses (ex : Parcs Naturels Régionaux). Ces échelles sont également le domaine d'intervention de nombreux organismes publics et professionnels liés à la gestion des ressources agricoles et des ressources en eau. Ainsi, il s agit de dresser l'état actuel des ressources : état des sols et de la couverture végétale, occupation du sol, réserves en eau. Dans ce cas l outil télédétection permet de pallier le manque d informations distribuées dans l espace et remises à jour régulièrement, et de restituer une vision cartographique actuelle de l activité agricole. En comparant avec des images de satellites acquises au cours des 30 dernières années, il est même possible de reconstituer l évolution de l'occupation des sols. Les données de télédétection sont également utilisées pour suivre le développement des principales cultures et grâce aux modèles simplifiés d en déduire des cartes de la consommation d eau par culture. En utilisant les cartes d occupation des sols, actuelles ou issues d évolutions possibles, le bilan régional de l utilisation de l eau par l agriculture pourra être établi pour différents scénarios. 4

Présentation de la recherche Pour résumer, les objectifs sont la compréhension et la modélisation du fonctionnement des surfaces continentales aux échelles de la parcelle, du paysage et de la région. Ceci conduit sur un plan pratique à : - la gestion «opérationnelle» des territoires ; - aux diagnostics, suivis : production végétale, ressources hydriques, substances polluantes, crues ; - l alerte phytosanitaire pour lesquels les services techniques ne disposent pas de moyens suffisants - aux scénarios : changement climatique, modifications de l'occupation des terres, politiques agricoles - l aménagement et ingénierie environnementale Ma contribution dans ces divers points se situe au niveau de l occupation des sols, afin d obtenir une carte d occupation des sols la plus correcte possible, ceci par le biais de classifications supervisées ou non. L autre axe important, est l extraction de descripteurs de paysage afin d intégrer des données quantitatives dans les modèles. L aboutissement est l étude des changements au niveau des écosystèmes et du paysage. La multiplicité des données, nous a conduit à une attention particulière à l automatisation des traitements informatiques, à la facilité et à la convivialité des interfaces logiciel-expert. De nombreuses applications (en quantité et en diversité) ont été réalisées. Certaines sont présentées pour montrer les résultats obtenus avec les méthodes développées, en particulier le projet Sud-ouest du CESBIO, «Bilans de Carbone et d Eau en région Midi-Pyrénées ; vers un observatoire Régional de l Environnement» (chapitre 3 et 4). Ces travaux interviennent ou vont intervenir dans d autres projets. Citons le projet Sud méditerranéen : «Fonctionnement et ressources hydro-écologiques de régions semi-arides : caractérisation, modélisation et prévision» (IRD), partenaires : au Maroc : faculté des sciences Semlalia de l'université Cadi Ayyad (Marrakech), service de la production à l'office Régional de Mise en Valeur Agricole du Haouz (ORMVAH), Direction de la Région Hydraulique (DRH) du Tensift, la Direction Provinciale de l'agriculture (DPA), Direction des Eaux et Forêts du Haut Atlas, en France LTHE (Laboratoire d Etude des Transferts en Hydrologie et Environnement) Grenoble, CEFE (Centre d Ecologie fonctionnelle et Evolutive) Montpellier, Etranger : SAI-JRC Université de Valence - Espagne, USDA Université d'arizona, EPA Université du Maryland, Centres nationaux de télédétection Algérie, Egypte, Israël, Jordanie, Syrie, Tunisie. Le projet APOGE : «Aide à la Planification de l'occupation des sols et à la Gestion de la ressource en Eau» et de la production agricole à l'échelle régionale. Les objectifs du projet sont le développement d'un démonstrateur d'outil d'aide à la décision. Partenaires : INRA, Météo France (CNRM) et des partenaires opérationnels industriels, Astrium et SCOT, et la Direction de la Production de Météo France (Division Agro-météorolgie). Le projet GICC «Gestion et Impacts du Changement Climatique» Bilans de carbone et d eau de la région Sud-Ouest : Historique récent, états actuels et scénarios du futur ; comparaison des pressions climatiques et anthropiques. Le projet ECCO : Fonctionnement intégré de l espace rural du paysage à la région 2004-2006 en collaboration avec le LMTG UPS, LADYBIO UPS, CNRM Météo France, LTGT, ESAP, INRA Toulouse, ENSAT/DYNAFOR Toulouse, CSE INRA Avignon, INFOSOL INRA Orléans. Le projet CLIME/INRIA (Rocquencourt): Couplage de la donnée environnementale et des modèles de simulation numérique pour une intégration logicielle. 5

Présentation de la recherche Système de classification et caractérisation de paysage Images satellitales Pré-traitements (recalage, zone commune). Base de données Création d échantillons Saisie automatique d échantillons Travail par zones Masques Vérification calcul de la corrélation Etiquetage Classification non supervisée Classification supervisée Vérification, modification d échantillons Images échantillons normalisation Images Classées non supervisées Images Classées supervisées Interprétation Fusion d images classées Matrice de confusion Matrice de confusion Régularisation Réduction Regroupement des classes Image régularisée Analyse du paysage Extraction d indices Images synthétiques Statistiques et Informations Analyse de l homogénéité Figure 1.1 : schéma général du système de classification et d analyse d image présenté 6

Chapitre 2 LA CLASSIFICATION

Chapitre 2 LA CLASSIFICATION 2.1 - Introduction La classification est un processus de reconnaissance des formes. En télédétection, elle consiste à effectuer la correspondance entre les éléments d une scène de l image matérialisés généralement par leurs valeurs radiométriques, et des classes connues a priori ou non par un utilisateur. La correspondance est réalisée par des fonctions discriminantes sous forme de règle de décision telle que le maximum de vraisemblance des probabilités, ou des distances géométriques. Les méthodes qui sont décrites dans ce mémoire ont toutes été implantées. Je développe surtout la méthode ICM sous contraintes qui donne de très bons résultats, notamment pour les images RSO, dans un temps de calculs non prohibitif pour des images qui ont de très grandes tailles. En général, leur taille est de plus de 10 méga octets, qui, multiplié par le nombre de canaux spectraux et temporels, donne une taille de l ordre du giga octets. Quelques principes généraux sont expliqués afin de bien situer les conditions de cette étude. Certains points sont détaillés pour bien suivre les procédés et pour montrer pourquoi ils ont été choisis. L implémentation des méthodes présentées, qui sont plus ou moins connues, est originale, et doit s adapter à différents types d images. Je me suis attachée à développer certaines méthodes plus que d autres par rapport aux résultats obtenus. De très nombreux tests ont été réalisés sur des images, pratiquement toujours de très grandes tailles, très différentes, et le soucis a toujours était que ces méthodes soient opérationnelles dans des conditions très diverses qu il serait trop long de détailler ici. A la fin du chapitre 3 des exemples sont montrés. La classification peut être interprétée comme un problème de données incomplètes. En chaque site (pixel) s expriment des données de deux types différents : la donnée observée et l autre cachée, la classe que l on cherche à trouver. Ainsi, la classification vise à attribuer aux pixels des étiquettes dont l origine est thématique. Très généralement, soit un ensemble de points auxquels sont attribués M scalaires représentant des caractéristiques, pour une image multidimensionnelle elles correspondent aux différents canaux. En chaque site, ces caractéristiques sont présentées sous la forme d un vecteur appartenant à M l espace E = R (ou C M ) pour les données complexes. M correspond aux nombres de canaux. M=1 dans le cas des images monospectrales telle que les images RSO. Désignons par S l ensemble des sites spatialement organisés, indicés {1,, N}. Dans l image les éléments de S sont interprétés comme les pixels d une grille régulière à 2 dimensions. Au site s = (i,j) S, la valeur du pixel d indice s ou niveau de gris du canal m se note y ms. Et y s est un vecteur de M composantes dont la k ième composante représente la valeur de l image observée au pixel d indice s, y s Y. Ch 2 7

La classification Rappelons que Y est le résultat d un processus de dégradation d une image réelle Ỹ. Les images observées, sont une réalisation y d un champ aléatoire Y de configurations possibles (en se référant à des configuration des valeurs radiométriques des pixels dans l image). Sur la base des valeurs de chaque composante de y s, le but est de ranger chaque vecteur dans l une des N ω classes de l ensemble fini des étiquettes Ω= {ω1, ω 2,, ω k }, les ω i étant en général des entiers correspondants à des noms de classes par exemple {Classe 1 ; Classe 2 ; ; Classe N ω }. Ainsi, à partir d une image acquise y de N valeurs, (N nombre de pixels), on obtient une image classée x dont chaque pixel notés x s prend ses valeurs dans l ensemble fini discret Ω. A chaque pixel est attribué une étiquette (ou label) identifiant sa classe. Le champ des N ω classes est noté X. Les modèles du champ de classes et le champ de mesure dépendent de paramètres qu il convient d estimer pour procéder à la classification. Soit θ l ensemble des paramètres du couple (X, Y), la loi de ce couple est donnée par la loi du champ de classes X et par l ensemble des distributions des variables Y s /X. Soit α les paramètres de la loi du champ et β celle des lois conditionnelles (θ = (α,β)). Ainsi, α est composée des probabilité a priori des N ω classes si X est stationnaire et composé de variables aléatoires indépendantes. Si le processus de mesure est gaussien (Y s /ω κ ) N(µ κ,σ k )), β = (µ κ, Σ k ) k {1,..., N ω}. Deux types d approches peuvent être distinguées : les classifications non supervisées sans aucune connaissance a priori sur les données, et les classifications supervisées. Ces méthodes qu elles soient supervisées ou non, partagent des principes communs. 2.1.1 - Classification non supervisée (ou non dirigée) La classification non supervisée ou non dirigée détermine automatiquement les classes. Les algorithmes des centres mobiles, (nuées dynamiques appliquées au centre de gravité) et des distances adaptatives sont des méthodes itératives qui, à chaque itération calculent respectivement les centres de gravité ou les distances associées aux classes. Les fonctions discriminantes dépendent, soit des paramètres des densités de probabilité, soit d un jeu de coefficients qui peuvent être évalués théoriquement par des études physiques, la classification est alors totalement non supervisée. Elle peut être semi-supervisée quand certains paramètres sont fixés par l utilisateur en fonction du type d image et de scène, ou que certains objets sont reconnus par l utilisateur qui peut ainsi initialiser le processus de recherche des classes pour certaines d entre elles. L estimation non dirigée de θ à partir de Y est approchée par des algorithmes basés sur le maximum de vraisemblance, la solution des équations de vraisemblance est approchée par des méthodes itératives. 2.1.2 - Classification supervisée ou dirigée Les classes sont définies à partir des besoins de l utilisateur et correspondent à des unités sémantiques de l image, ce qui nécessite une étape d apprentissage préalable à la classification. La classification supervisée consiste à déterminer les classes par un apprentissage qui peut être effectué soit sur chaque scène traitée, soit pour chaque type d application (agriculture, forêt, littoral, géologie,...) ou encore à chaque type de capteur utilisé (optique : Landsat, Spot, Ikonos, Noaa, ou radar : ERS, JERS1, Radarsat ). Cette étape influence fortement les résultats de la classification. Ch 2 8

La classification Pour l estimation dirigée (avec apprentissage), on dispose pour chaque classe de l image des vecteurs caractéristiques de plusieurs pixels de l image (échantillons des classes) dont on connaît a priori la classe d appartenance. En supposant le processus ergodique, les paramètres sont estimés à l aide des méthodes classiques d estimation telles que la méthode du maximum de vraisemblance. Les échantillons sont sélectionnés sur des observations faites sur le terrain (vérités terrain) en repérant au sol des parcelles représentatives des différents éléments devant être présent dans la classification de la zone étudiée, si possible à une date idéalement identique à celle des prises de vues. A ces vérités terrain peuvent s ajouter des connaissances thématiques obtenues auprès d un expert. Les échantillons de classes stables temporellement (routes, urbain, etc...), peuvent être sélectionnés sur la base de cartes précises de la région. Les classifications supervisées sont nécessaires lorsque les besoins thématiques sont pointus. En effet les techniques non supervisées se limitent souvent à la reconnaissance de grandes classes thématiques (forêt, urbain, surface nue, végétation haute et basse et surface d eau). 2.2 - Les images 2.2.1 - Les images optiques Les systèmes de télédétection qui opèrent dans le domaine spectral du rayonnement solaire réfléchi (visible, proche infrarouge : PIR, moyen infrarouge : MIR), qualifié dans ce document de domaine optique, sont des systèmes incohérents passifs. Ils mesurent le rayonnement solaire qui est réfléchi par les surfaces terrestres et par l atmosphère. La grandeur physique mesurée est la luminance (W.m -2.sr -1 ). Tout rayonnement mesuré est affecté par un certain nombre d interactions (réflectance, absorption, transmittance, etc.) qui surviennent à la fois au niveau des surfaces terrestres et de l atmosphère. Compte tenu du fait que l objet observé est la surface terrestre, l atmosphère s avère être une des principales sources de «bruit» qui affecte les images optiques acquises depuis les satellites. L atmosphère est un milieu de gaz et aérosols dont l influence est plus ou moins forte selon les domaines spectraux considérés. Certains de ces aspects sont détaillés dans le chapitre 6. La valeur radiométrique (en général en compte numérique) des pixels dans les images optiques peut être approchées par une loi Gaussienne. 2.2.2 - Propriétés de base des images Radar à haute résolution spatiale 2.2.2.1 - Principe de base du radar à visée latérale Le capteur radar est un système actif qui fournit sa propre illumination et qui utilise les microondes, dans un domaine de longueurs d onde très peu sensibles à l humidité de l air, qui traversent aisément l atmosphère, ainsi qu une couverture nuageuse ou des précipitations (fréquence < 14 GHz). L imagerie radar peut donc être utilisée à tout moment et indépendamment de l éclairement solaire. Le principe du radar consiste à émettre une onde électromagnétique cohérente et parfaitement polarisée qui est ensuite réfléchie en direction du radar par une ou plusieurs cibles. Le terme cible est d origine militaire mais désigne des diffuseurs de tout type. Dans notre cas, il s agira de toute surface terrestre ou d eau. L onde rétrodiffusée peut être partiellement dépolarisée, ce qui permet Ch 2 9

La classification l emploi de capteurs polarimétriques. La cohérence des ondes permet la formation d images à très haute résolution spatiale (THRS), ainsi que l interférométrie donnant accès à des paramètres de la géométrie des surfaces observées. Sur une polarisation donnée, le champ électrique reçu par l antenne du radar à un instant donné correspond à la somme vectorielle (addition cohérente) des champs ainsi rétrodiffusés par tous les diffuseurs situés à l intérieur d une surface ou plus généralement d un volume, délimité par la forme, la durée et les directions d émission de l onde émise. La grandeur mesurée est l amplitude complexe du champ électrique rétrodiffusé, c est-à-dire une amplitude et une phase. Dans le cas de radars imageurs, des impulsions de forme carrée et de courte durée τ sont émises latéralement (radar à visée latérale) dans la portion de l espace délimitée par le diagramme de rayonnement de l antenne dont l axe fait un angle θ avec la verticale. Chaque impulsion illumine les points d une bande de terrain perpendiculaire au vol (empreinte) dont la longueur utile représente la fauchée. La fréquence de répétition des impulsions (PRF), pour les RSO (Radar à Synthèses d Ouverture) qui présentent les meilleures performances parmi les radars à visée latérale, est déterminée par le critère d échantillonnage de Nyquist Shannon, soit en pratique celle applicable à la fréquence Doppler consécutive au déplacement du capteur. De façon abrégée, une impulsion doit être émise pour un déplacement azimutal de l ordre de la moitié de la dimension de l antenne réelle dans cette direction [Maître et al «Traitement des images de RSO», chapitres 2 et 3]. Les données brutes sont alors obtenues par enregistrements des lignes successives. 2.2.2.2 - Discrimination en distance Une première discrimination des points imagés est obtenue par séparation en distance radiale r (Slant range). Plus la durée d impulsion τ sera courte, plus la résolution spatiale en distance r = cτ /2 sera fine. Cette distance, perpendiculaire à la direction de déplacement du radar et selon la direction de visée, ne doit pas être confondue avec la distance au sol (ground range) de résolution égale à r /sinθ. Pour les capteurs spatiaux basés sur des plateformes de puissance disponible maximale incompatible avec un bon bilan de liaison radar, on utilise la technique de compression d impulsion. Les impulsions émises sont de puissance moyenne, de plus longue durée T et modulées linéairement en fréquence (bande passante B f ) pour pallier le manque de puissance maxi instantanée tout en simulant un signal de grande bande passante équivalent à un signal plus bref de durée τ 1 / B f. La compression de l impulsion rétrodiffusée permet obtenir des résolutions métriques (cas des radars classiques type SeaSat, ERS, Radarsat, Envisat ), voire décimétriques pour les radars militaires. Elles sont généralement définies à 3 db ou 3,9 db par rapport au maximum, car l impulsion comprimée n est plus de forme carrée mais présente un lobe principal et des rebonds de moindres niveaux. Pour ERS les résolutions à 3,9 db en distance r et au sol r /sin θ sont de l ordre de 9,5 m et 25 m mais peuvent varier en fonction de divers filtres appliqués ou non [Maitre et al. Traitement des images de RSO, chapitres 2 et 3]. RSO 2.2.2.3 - Discrimination parallèlement à l axe de vol (azimut) pour les La réponse d un point au sol est inscrite dans plusieurs (centaines) d impulsions du fait des diagrammes d antenne usuels et de leur fréquence de répétition (PRF). Par conséquent dans la direction parallèle à l axe de vol, la résolution spatiale (dite azimutale) serait catastrophique si l on sous échantillonnait les données brutes des RSO comme pour les simples radars à visée latérale dont l usage est par conséquent restreint à de courtes distances. Pour séparer plus finement les objets dans la direction de l azimut, on utilise donc la technique de la Ch 2 10

La classification synthèse d ouverture, RSO (radar à synthèse d ouverture, ou SAR, synthetic aperture radar) permettant d obtenir des résolutions azimutales métriques, voire décimétriques pour les radars militaires. Le principe de base se fonde sur le fait que le pouvoir de résolution angulaire d une antenne est inversement proportionnel à sa dimension dans le plan considéré. La synthèse d ouverture consiste donc à simuler un très long réseau discret d antennes obtenu grâce aux différentes positions de l antenne réelle le long de la trajectoire du capteur. Un pixel final dans l image synthétisée, par opposition aux données brutes citées plus haut, est obtenu par des traitements informatiques sur ces données brutes basés sur les paramètres de vol, les caractéristiques de l antenne, de l onde émise et des conditions de propagation dans l atmosphère que l on suppose parfaitement connus (cas idéal). Ces traitements reviennent en pratique, après avoir effectué des corrections en distance radiale, à faire passer le signal temporel (Doppler) à travers un filtre adapté dont les paramètres sont calculés dans ces conditions idéales de prise de vue, pour un point situé au milieu d un pixel donné de la grille, où l on veut reconstituer la valeur du champ électrique rétrodiffusé. 2.2.2.4 - Valeur complexe d un pixel (image SLC) et corrélation avec les voisins Il est utile de rappeler que l image ainsi synthétisée à la sortie d un processeur RSO est, à la base toujours une image complexe, dont la valeur du pixel est (amplitude A / phase φ), ou bien (partie réelle i / partie imaginaire q). La signification physique de z est qu elle est proportionnelle au champ électrique rétrodiffusé dont l amplitude complexe E d s écrit : = E Ch 2 11 E d i où E i représente le champ incident, r la distance et f la fonction de rétrodiffusion complexe dans la polarisation de mesure. C est la quantité, qui, après étalonnage du capteur/processeur représente la quantité physique caractéristique du pixel considéré. L amplitude complexe dans l image complexe monovue (SLC) est donnée par z = C f où C représente l étalonnage radiométrique de la chaîne capteur/processeur. Une constante additive peut être rajoutée, elle représente alors le bruit thermique moyen. Les données étalonnées ne sont utiles que lorsque l on est confronté à des comparaisons des données images avec des mesures de terrain ou à des modèles physique de rétrodiffusion, qui par ailleurs ne sont pas toujours aptes à représenter précisément la complexité des phénomènes de rétrodiffusion radar cohérente sur les surfaces aléatoires terrestres. L image complexe subit généralement une correction géométrique (interpolation linéaire) afin de positionner les pixels, sur les pas d une grille, qui doivent être égaux à environ la moitié des résolutions spatiales. Les pixels provenant du radar sont donc toujours fortement corrélés dans les deux directions, contrairement aux pixels «optiques» où la corrélation peut être nulle ou très faible perpendiculairement à l axe de vol, mais importante parallèlement du fait de l effet de «filé» pendant le temps d intégration de la luminance pour les satellite à défilement (en orbite basse). Par exemple, les données fournies par les satellites ERS 1 et 2 (Agence Spatiale Européenne ESA), peuvent être donnée au Format SLC (Single Look Complex). Ce sont des images SAR (Radar à Ouverture Synthétique) qui ont subit un prétraitement, mais aucune réduction du niveau du bruit. Ce sont des images «une vue» (nombre de vue : 1). Chaque pixel est codé par un nombre complexe dont la partie réelle (i) et la partie imaginaire (q) sont chacune codée sur 2 octets (16 Bits). La taille de l image est de l ordre 2500 valeurs par ligne sur 15000 lignes, ce qui fait un volume d environ 150 Mo. e jkr r f