Inventaire par télédétection des pelouses sèches du Bas-Vivarais Conservatoire d Espaces Naturels Rhône Alpes - Cermosem Gustave Coste - Stagiaire Montpellier SupAgro gustavecoste@gmail.com Nicolas Robinet - Géomaticien Cermosem nicolas.robinet@ujf-grenoble.fr 2 Octobre 2013 SIG 2013 1 / 33
Sommaire 1 Introduction 2 Méthodologie détaillée 3 Évaluation et discussion 4 Conclusion 2 / 33
Introduction Présentation du contexte Les pelouses sèches, un milieu important mais fragile Qu est-ce qu une pelouse sèche? C est une formation végétale à dominante herbacée formant un tapis plus ou moins dense sur des sols peu épais ou pauvres en éléments nutritifs et subissant un éclairement intense ainsi qu une période de sécheresse climatique ou édaphique. De nombreux intérêts : Habitat de nombreuses espèces remarquables Réserve de pâturage Intérêt paysager (tourisme, chasse, etc...) Protection contre les incendies 3 / 33
Introduction Présentation du contexte Les pelouses sèches, un milieu important mais fragile Qu est-ce qu une pelouse sèche? C est une formation végétale à dominante herbacée formant un tapis plus ou moins dense sur des sols peu épais ou pauvres en éléments nutritifs et subissant un éclairement intense ainsi qu une période de sécheresse climatique ou édaphique. Une double menace : Intensification des activités humaines Disparition du pastoralisme 3 / 33
Introduction Présentation du contexte Les pelouses sèches, un milieu important mais fragile Le Conservatoire d Espaces Naturels Rhône-Alpes a décidé d inventorier les pelouses sèches à l échelle de la région. 4 / 33
Introduction Présentation du contexte Le Bas-Vivarais, un contexte spécial Figure : Localisation de l Ardèche Figure : Situation biogéographique du Bas-Vivarais Ensemble calcaire Climat méditerranéen Historique pastoral 1 500km 2 5 / 33
Introduction Présentation du contexte Données et logiciels utilisés Données : BD-Ortho R 2007 et 2011 IRC 0.5m BD-Topo R Registre Parcellaire Graphique Logiciels : ENVI 5.0 IDL 8.2 ArcGIS 10.0 R 3.0 6 / 33
Introduction Présentation de la méthodologie Approche orientée objet : Principe Méthodologie en deux étapes : Segmentation Regroupement des pixels de l image en groupes cohérents appelés objets. Classification Classification des objets selon leurs caractéristiques spectrales, texturales et géométriques. 7 / 33
Introduction Méthodologie détaillée Évaluation et discussion Conclusion Introduction Présentation de la méthodologie Approche orientée objet : Exemple Figure : Image de référence N 8 / 33
Introduction Présentation de la méthodologie Approche orientée objet : Exemple Figure : Image segmentée en objets 8 / 33
Introduction Présentation de la méthodologie Méthodologie globale 1 Classification par règles 2 Classification supervisée 3 Post-traitement 9 / 33
Méthodologie détaillée Classification par règles La brillance Très faible pour les ombres Très fort pour les dalles calcaires Confusion entre les dalles calcaires et certaines pelouses Formule : B = PIR + R + V 10 / 33
Méthodologie détaillée Classification par règles Le NDVI Normalized Difference Vegetation Index La végétation absorbe le rouge La végétation réfléchit le proche infrarouge Le NDVI de la végétation est très fort, contrairement aux surfaces minérales Formule : NDVI = PIR R PIR + R 11 / 33
Méthodologie détaillée Classification par règles Brillance et NDVI Figure : Image de référence 12 / 33
Méthodologie détaillée Classification par règles Brillance et NDVI Figure : Élimination des surfaces minérales 12 / 33
Méthodologie détaillée Classification par règles Brillance et NDVI Figure : Élimination des surfaces très photosynthétiques 12 / 33
Méthodologie détaillée Classification par règles Le problème des surfaces cultivées Figure : Image de référence 13 / 33
Méthodologie détaillée Classification par règles Détection de changement Figure : Différence de NDVI entre les deux dates 13 / 33
Méthodologie détaillée Classification supervisée Classification basée sur les données Connaissance des classes et a priori sur les variables explicatives : 14 / 33
Méthodologie détaillée Classification supervisée Classification basée sur les données Connaissance des classes et a priori sur les variables explicatives : Classification par règles 14 / 33
Méthodologie détaillée Classification supervisée Classification basée sur les données Connaissance des classes et a priori sur les variables explicatives : Classification par règles Connaissance des classes sans a priori sur les variables explicatives : 14 / 33
Méthodologie détaillée Classification supervisée Classification basée sur les données Connaissance des classes et a priori sur les variables explicatives : Classification par règles Connaissance des classes sans a priori sur les variables explicatives : Classification supervisée 14 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 15 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 2 Création d un modèle expliquant la distribution des classes en fonction des variables explicatives sur l échantillon d apprentissage 15 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 2 Création d un modèle expliquant la distribution des classes en fonction des variables explicatives sur l échantillon d apprentissage 3 Prédiction des classes des objets du jeu de test 15 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 2 Création d un modèle expliquant la distribution des classes en fonction des variables explicatives sur l échantillon d apprentissage 3 Prédiction des classes des objets du jeu de test 4 Évaluation de la fiabilité de la méthode 15 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 2 Création d un modèle expliquant la distribution des classes en fonction des variables explicatives sur l échantillon d apprentissage 3 Prédiction des classes des objets du jeu de test 4 Évaluation de la fiabilité de la méthode 5 Création d un modèle sur l échantillon global (apprentissage + test) 15 / 33
Méthodologie détaillée Classification supervisée Procédure 1 Saisie d un échantillon d apprentissage et d un échantillon de test 2 Création d un modèle expliquant la distribution des classes en fonction des variables explicatives sur l échantillon d apprentissage 3 Prédiction des classes des objets du jeu de test 4 Évaluation de la fiabilité de la méthode 5 Création d un modèle sur l échantillon global (apprentissage + test) 6 Application du modèle à tous les objets 15 / 33
Méthodologie détaillée Classification supervisée Avantages et limites Avantages : Possibilité de soulever des correspondances inattendues... Limites :... mais peu de marge de manœuvre. 16 / 33
Méthodologie détaillée Classification supervisée Avantages et limites Avantages : Possibilité de soulever des correspondances inattendues... Basé sur les données et non sur la représentation qu on en a... Limites :... mais peu de marge de manœuvre.... mais très dépendant de la représentativité de l échantillon. 16 / 33
Méthodologie détaillée Classification supervisée Résultats Erreurs de commission : 10% Erreurs d omission : 8% 17 / 33
Méthodologie détaillée Classification supervisée Résultats Erreurs de commission : 10% Bonne distinction des pelouses Erreurs d omission : 8% 17 / 33
Méthodologie détaillée Classification supervisée Résultats Erreurs de commission : 10% Bonne distinction des pelouses Erreurs d omission : 8% Perte de certaines pelouses 17 / 33
Méthodologie détaillée Classification supervisée Impossible de discriminer parfaitement les pelouses sèche du reste Figure : Représentation de l échantillon de test dans le plan principal d une ACP 18 / 33
Méthodologie détaillée Post-traitement du résultat Pourquoi généraliser les contours? Contours selon les arêtes des pixels Contours au pixel près Objets cohérents spectralement mais pas écologiquement 19 / 33
Méthodologie détaillée Post-traitement du résultat Pourquoi généraliser les contours? Contours selon les arêtes des pixels Contours au pixel près Objets cohérents spectralement mais pas écologiquement Nécessité de donner plus de sens aux contours des objets. 19 / 33
Méthodologie détaillée Post-traitement du résultat Notion de filtre morphologique Motif d origine : 20 / 33
Méthodologie détaillée Post-traitement du résultat Notion de filtre morphologique Motif d origine : Dilatation Dilatation des objets d un nombre de pixels donné. 20 / 33
Méthodologie détaillée Post-traitement du résultat Notion de filtre morphologique Motif d origine : Dilatation Dilatation des objets d un nombre de pixels donné. Érosion Réduction des objets d un nombre de pixel donné. 20 / 33
Méthodologie détaillée Post-traitement du résultat Filtre combiné Motif d origine : 21 / 33
Méthodologie détaillée Post-traitement du résultat Filtre combiné Motif d origine : Fermeture Dilatation suivie d une érosion 21 / 33
Méthodologie détaillée Post-traitement du résultat Filtre combiné Motif d origine : Fermeture Dilatation suivie d une érosion Ouverture Érosion suivie d une dilatation 21 / 33
Méthodologie détaillée Post-traitement du résultat Utilisation Figure : Image de référence 22 / 33
Méthodologie détaillée Post-traitement du résultat Utilisation Figure : Fermeture 22 / 33
Méthodologie détaillée Post-traitement du résultat Utilisation Figure : Ouverture 22 / 33
Méthodologie détaillée Post-traitement du résultat La fermeture du milieu Embroussaillement interne Embroussaillement externe Gros ligneux au sein d une pelouse 23 / 33
Méthodologie détaillée Post-traitement du résultat La fermeture du milieu Embroussaillement interne Embroussaillement externe Gros ligneux au sein d une pelouse Qu est-ce qui doit être considéré comme de l embroussaillement? 23 / 33
Méthodologie détaillée Post-traitement du résultat Estimation du degré de fermeture Figure : Image de référence 24 / 33
Méthodologie détaillée Post-traitement du résultat Estimation du degré de fermeture Figure : Résultat brut 24 / 33
Méthodologie détaillée Post-traitement du résultat Estimation du degré de fermeture Figure : Résultat après post-traitement 24 / 33
Méthodologie détaillée Post-traitement du résultat Estimation du degré de fermeture Figure : Seuillage sur le NDVI 24 / 33
Méthodologie détaillée Post-traitement du résultat Estimation du degré de fermeture Figure : Estimation du pourcentage de ligneux 24 / 33
Méthodologie détaillée Post-traitement du résultat Enrichissement de l inventaire Intégration de données : Résultats de l inventaire pastoral Distance à la zone pâturée la plus proche Calcul de variables : Surface des pelouses Pourcentage estimé de ligneux Distance à la pelouse la plus proche Surface de la pelouse la plus proche Identifiant de la pelouse la plus proche 25 / 33
Introduction Méthodologie détaillée Évaluation et discussion Conclusion N 26 / 33
Méthodologie détaillée Post-traitement du résultat Distribution en nombre d échantilllon 27 / 33
Méthodologie détaillée Post-traitement du résultat Distribution en surface 28 / 33
Évaluation et discussion Évaluation du résultat final Méthodes d évaluation Deux indicateurs : Exactitude α = P(NPS V PS P ) α = 8% Le résultat contient environ 90% de pelouses 29 / 33
Évaluation et discussion Évaluation du résultat final Méthodes d évaluation Deux indicateurs : Exactitude α = P(NPS V PS P ) α = 8% Le résultat contient environ 90% de pelouses Exhaustivité β = P(NPS P PS V ) β = 22% Environ 80% des pelouses sont inventoriées 29 / 33
Évaluation et discussion Limites de la méthodologie Limites Limites : Utilisation de la BD-Ortho R Fiabilité de la photo-interprétation inconnue Pas de prise en compte de la surface dans le calcul des indices α et β Pas de détermination de l alliance phytosociologique 30 / 33
Conclusion Perspectives : Utilisation de l inventaire pour évaluer l état de conservation des pelouses sèches et organiser les mesures de gestion à l échelle du Bas-Vivarais. 31 / 33
Conclusion Perspectives : Utilisation de l inventaire pour évaluer l état de conservation des pelouses sèches et organiser les mesures de gestion à l échelle du Bas-Vivarais. Utilisation d un MNT pour déterminer l alliance phytosociologique la plus probable. 31 / 33
Conclusion Perspectives : Utilisation de l inventaire pour évaluer l état de conservation des pelouses sèches et organiser les mesures de gestion à l échelle du Bas-Vivarais. Utilisation d un MNT pour déterminer l alliance phytosociologique la plus probable. Enrichissement de l inventaire avec d autres sources de données et calcul de nouvelles variables. 31 / 33
Conclusion Perspectives : Utilisation de l inventaire pour évaluer l état de conservation des pelouses sèches et organiser les mesures de gestion à l échelle du Bas-Vivarais. Utilisation d un MNT pour déterminer l alliance phytosociologique la plus probable. Enrichissement de l inventaire avec d autres sources de données et calcul de nouvelles variables. Transposition de la méthode à d autres contexte (ex : Sud-Drôme). 31 / 33
Merci de votre attention. 32 / 33
Inventaire par télédétection des pelouses sèches du Bas-Vivarais Conservatoire d Espaces Naturels Rhône Alpes - Cermosem Gustave Coste - Stagiaire Montpellier SupAgro gustavecoste@gmail.com Nicolas Robinet - Géomaticien Cermosem nicolas.robinet@ujf-grenoble.fr 2 Octobre 2013 SIG 2013 33 / 33
Annexes
Principe des indices de texture Considération du pixel dans son environnement Figure : Augmentation de la taille de la fenêtre de calcul 35 / 36
Principe des indices de texture Considération du pixel dans son environnement Indices d occurrences : étude de l occurrence des niveaux de gris au sein de la fenêtre de calcul Figure : Augmentation de la taille de la fenêtre de calcul 35 / 36
Principe des indices de texture Considération du pixel dans son environnement Indices d occurrences : étude de l occurrence des niveaux de gris au sein de la fenêtre de calcul Indices de co-occurrence : étude des transitions entre niveaux de gris Figure : Augmentation de la taille de la fenêtre de calcul 35 / 36
Introduction Méthodologie détaillée Évaluation et discussion Conclusion Utilisation d indices de texture Figure : Image de référence N 36 / 36
Utilisation d indices de texture Figure : Calcul de l homogénéité 36 / 36
Introduction Méthodologie détaillée Évaluation et discussion Conclusion Utilisation d indices de texture Figure : Segmentation sur le canal d homogénéité N 36 / 36