Territoires, Environnement, Télédétection et Information Spatiale
Unité mixte de recherche AgroParisTech - IRSTEA - CIRAD
...
•  Interna'onal	
  
• 

Conven'on	
  sur	
  la	
  Diversité	
  Biologique	
  des	
  Na'ons	
  Unies	
  (92)	
  	
  

•  Eu...
•  Réponse	
  spectrale	
  de	
  la	
  végéta'on	
  
•  Réponse	
  texturale	
  
• Homogénéité	
  /	
  diversité	
  

•  R...
Supervisée	
  :	
  algorithme	
  de	
  classifica'on	
  doit	
  être	
  entrainé	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  à	...
•  PlaHormes	
  mul'ples	
  :	
  satellite,	
  aéroportés,	
  etc	
  
•  Capteurs	
  mul'ples	
  :	
  résolu'on	
  spa'ale...
SPLSDA : Sparse Par'al	
  Least	
  Squares	
  Discriminant Analysis

• PLS: Par'al	
  Least	
  Squares	
  	
  :	
  regress...
Contreforts du Larzac

Basse vallée de l’Aude

Lagunes de Palavas

Corbane et al. 2013 "Mapping natural habitats using rem...
Basse	
  vallée	
  de	
  l’Aude	
  

dune	
  
près	
  
salés	
  
mer	
  

fourrés	
  	
  
des	
  près	
  
salés	
  

gazon...
...dans	
  un	
  contexte	
  de	
  classifica'on	
  orientée-­‐objets	
  
Images de
télédétection
Multiresolution/
multidat...
Images de
télédétection
Multiresolution/
multidate +
indices
dérivés

Données
topographiques
(MNT)

Cartes de
végétation
(...
10x	
  Valida'on	
  Croisée	
  

Nombre	
  	
  op'mal	
  de	
  variables	
  
SPLSDA
	
  

Dimension 3
Dimension 2

ACP
	
  

15.1.	
  Près	
  salés	
  
15.5.	
  Gazon	
  à	
  salicorne	
  	
  et	
  s...
15.1.	
  Près	
  salés	
  
15.5.	
  Gazon	
  à	
  salicorne	
  	
  et	
  sueda	
  
15.6.	
  Fourrés	
  des	
  près	
  salé...
•  Appliqué	
  avec	
  succès	
  sur	
  3	
  sites	
  Natura	
  2000	
  
•  SPLSDA	
  sélec'onne	
  des	
  variables	
  st...
Grand types
• Forêt
• Végétation de montagne (>1000 m)
• Végétation ouverte de basse altitude

Couverture	
  :	
  na'onale...
•  Carte physionomique (Dansereau, 1962)
Expression de la structure
Etat dynamique (succession)

Temps

sol nu

Prairie fa...
Analyse orientée-objets
SIG

Données	
  satellite	
  
Mul'-­‐temporelles	
  HR	
  

Images	
  THR	
  

Données	
  auxiliai...
Niveau 1 (jaune): délinéation des zones culturales
Niveau 2 (bleu): délinéation de la végétation naturelle
:	
  Couche	
  théma'que	
  	
  
:	
  Séries	
  temporelles	
  mul'spectrales	
  
:	
  Haute	
  résolu'on	
  IRC	
  photog...
:	
  Couche	
  théma'que	
  	
  
:	
  Séries	
  temporelles	
  mul'spectrales	
  
:	
  Haute	
  résolu'on	
  IRC	
  photog...
Avril
Juillet
Aout
Octobre

Variables spectrales
Indices

Détails

Référence

NDVI

NDVI = (NIR-Red)/(NIR+Red)

Rouse	
  e...
:	
  Couche	
  théma'que	
  	
  
:	
  Séries	
  temporelles	
  mul'spectrales	
  
:	
  Haute	
  résolu'on	
  IRC	
  photog...
Indice de Texture :
GLCM homogeneity, Contrast
(Haralick, 1979)

Forte	
  homogeneité	
  
	
  
	
  
Faible	
  homogeneité	...
:	
  Couche	
  théma'que	
  	
  
:	
  Séries	
  temporelles	
  mul'spectrales	
  
:	
  Haute	
  résolu'on	
  IRC	
  photog...
Prairie forte
productivité

Fort FCgv

Prairie moyenne
productivité
Faible FCgv
Prairie faible
productivité

Indice
Fracti...
Prairie forte
productivité

Prairie moyenne
productivité

Prairie faible
productivité
Premiers retours puisque le terrain entrain de se finaliser
.résultats sur zones culturales sont très satisfaisants : > 90...
•  Automatisation distinction agriculture/ prairies : indices de variabilité
•  Productivité : besoin de calibration
•  Pr...
•  Besoin d’adapter les méthodes en fonction
– 
– 
– 
– 

De	
  l’échelle	
  
Du	
  niveau	
  de	
  précision	
  	
  
Des	...
Approches méthodologiques pour la cartographie des habitats naturels par télédétection
Approches méthodologiques pour la cartographie des habitats naturels par télédétection
Approches méthodologiques pour la cartographie des habitats naturels par télédétection
Approches méthodologiques pour la cartographie des habitats naturels par télédétection
Approches méthodologiques pour la cartographie des habitats naturels par télédétection
Prochain SlideShare
Chargement dans…5
×

Approches méthodologiques pour la cartographie des habitats naturels par télédétection

2 193 vues

Publié le

0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
2 193
Sur SlideShare
0
Issues des intégrations
0
Intégrations
479
Actions
Partages
0
Téléchargements
130
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Approches méthodologiques pour la cartographie des habitats naturels par télédétection

  1. 1. Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - IRSTEA - CIRAD Approches méthodologiques pour la cartographie des habitats naturels par télédétection Géomatique 2013, Octobre 2013 | Montréal, Québec , Canada IRSTEA Samuel Alleaume Christina Corbane Sylvio Laventure Samuel.alleaume@teledetection.fr
  2. 2. •  Interna'onal   •  Conven'on  sur  la  Diversité  Biologique  des  Na'ons  Unies  (92)     •  Europe     •  •  Stratégie  de  la  biodiversité   Direc've  Habitat  (92):  Rapportage  sur  l'état  des  habitats,  réseau    Natura  2000.      à  MS Monina : cartographie multi-échelle de la végétation   •  France   •  Stratégie  na'onale  pour  la  biodiversité  (2004)    àProjet  na'onal  Carhab  :  cartographie  des  habitats  naturels   Apport  de  la  TELEDECTION  pour  connaître  les  habitats  naturel  :   distribu'on,  diversité,  état  de  conserva'on,  évolu'on    
  3. 3. •  Réponse  spectrale  de  la  végéta'on   •  Réponse  texturale   • Homogénéité  /  diversité   •  Réponse  contextuelle   • Voisinage   • Facteurs  écologiques     Pigments Structure foliaire Teneur en eau •  Réponse  temporelle     • Données  mul'temporelles  :  ex  :  sépara'on  végéta'on  naturelle  /  agriculture   • Phénologie    
  4. 4. Supervisée  :  algorithme  de  classifica'on  doit  être  entrainé                    à  l’aide  de  sites  d’entrainements  (échan'llons  spa'aux)   Approche  sta's'que   SPLSDA          méthode  rapide  à  meUre  en  place    Θ  dépend  de  la  qualité  du  site  d’entrainement    Θ  nécessite  des  échan'llons  sur  l’ensemble  des  classes    Θ  difficulté  en  milieux  complexes     Arbre  de  décision  =  Méthode  experte  =  bases  de  connaissances   Créa'on  d’un  modèle  théorique,  ajustement  de  seuils              non-­‐paramétrique  :  .  indépendance  de  la  distribu'on  des  signatures  des  classes          .  variables  con'nues  et  catégorielles            règles  de  classifica'on  interprétables            règles  modifiables  en  fonc'on  des  besoins                            Θ  plus  long  à  élaborer                            Θ  nécessite  une  exper'se    
  5. 5. •  PlaHormes  mul'ples  :  satellite,  aéroportés,  etc   •  Capteurs  mul'ples  :  résolu'on  spa'ales  et  temporelles  mul'ples   •  Données  mul'temporelles   Variables  dérivées:       Spectrales  (indices)   Texturales     Contextuelles     Hautes  dimensions  des   données  d’entrée  
  6. 6. SPLSDA : Sparse Par'al  Least  Squares  Discriminant Analysis • PLS: Par'al  Least  Squares    :  regression  mul'ple  avancée • DA (Discriminant Analysis) = selection des variables discriminantes parmi un jeu important de données • S (Sparse): -  Réduction du nombre de variables (modèle parcimonieux) -  La suppression des variables stochastiques améliore la qualité du modèle prédictif (Cao et al., 2011). Discrimination optimale des classes d’habitat par TD
  7. 7. Contreforts du Larzac Basse vallée de l’Aude Lagunes de Palavas Corbane et al. 2013 "Mapping natural habitats using remote sensing and Sparse Partial Least Square Discriminant Analysis" IJRS
  8. 8. Basse  vallée  de  l’Aude   dune   près   salés   mer   fourrés     des  près   salés   gazon     à  salicorne       et  sueda   fourrés     à  tamaris   roselière   lagune     Distribu'on  selon  un  gradient  topographique    
  9. 9. ...dans  un  contexte  de  classifica'on  orientée-­‐objets   Images de télédétection Multiresolution/ multidate + indices dérivés Données topographiques (MNT) Cartes de végétation (terrain expert) Autres variables auxilliaires segmentation image en objets homogènes Génération de variables spectrales, texturale et contextuelles, etc. Sparse PLS discriminant analysis (Cao et al., 2011) : selection variables & classification Classe d’habitat prédite par objet image Sélection des sites d’entrainement C. Corbane et al., Mapping natural habitats using remote sensing and Sparse Partial Least Square Discriminant Analysis in press in IJRS
  10. 10. Images de télédétection Multiresolution/ multidate + indices dérivés Données topographiques (MNT) Cartes de végétation (terrain expert) Rapideye (x2,5m ) : Juin 2009 + Juillet 2010 Worldview 2 (0,5m PAN; 2 m XS) : Sept. 2011 IRC orthophoto: 0,5m NDVI = (NIR-R)/(NIR+R) NDVImod= (NIR-RE)/(NIR+RE) PSRI= (R-G)/NIR ...... LiDAR 0,15 m. préc. alti et 0,40 m préc. plani. 86 sites d’entraînement cl. habitat 15.1.  Près  salés   15.5.  Gazon  à  salicorne    et  sueda   15.6.  Fourrés  des  près  salés   16.2.  Dune  mobile   44.8131.  Fourrés  à  tamaris   53.1  Roselière  
  11. 11. 10x  Valida'on  Croisée   Nombre    op'mal  de  variables  
  12. 12. SPLSDA   Dimension 3 Dimension 2 ACP   15.1.  Près  salés   15.5.  Gazon  à  salicorne    et  sueda   15.6.  Fourrés  des  près  salés   16.2.  Dune  mobile   44.8131.  Fourrés  à  tamaris   53.1  Roselière   Dimension 1 Dimension 2
  13. 13. 15.1.  Près  salés   15.5.  Gazon  à  salicorne    et  sueda   15.6.  Fourrés  des  près  salés   16.2.  Dune  mobile   44.8131.  Fourrés  à  tamaris   53.1  Roselière  
  14. 14. •  Appliqué  avec  succès  sur  3  sites  Natura  2000   •  SPLSDA  sélec'onne  des  variables  stables  et  per'nentes  liées  à  des   caractéris'ques  écologiques  ou  biophysiques   •  Une  plus  large  applica'on  nécessite  l'accès  aux  données  de   référence  appropriés,  des  images  de  THR  et  de  données  auxiliaires   •  Les  variables  sélec'onnées  pourraient  être  u'lisés  comme   indicateurs  de  classifica'on  standard  (plus  proche  voisin  ou  règles   de  décision)   •  Résultats  à  comparer  avec  d’autres  approches  :  plus  proche  voisin,   méthode  experte.    
  15. 15. Grand types • Forêt • Végétation de montagne (>1000 m) • Végétation ouverte de basse altitude Couverture  :  na'onale   Echelle  :  1:25  000,  surf.  min.  0,5  ha   Planning  :    2011-­‐14  :  cadrage  méthodologiques     (ou'ls  et  techniques,  tests  terrain)   2014-­‐25  :  généralisa'on  France Cartographie intermédiaire (pour le travail de terrain) • Carte écologique (topo, géologie, climatologie) • Carte Physionomique (prairies aux landes) Cartographie finale • Typologie : approche phytosociologique • Validation in-situ (Instituts de botanique nationaux : CBN)
  16. 16. •  Carte physionomique (Dansereau, 1962) Expression de la structure Etat dynamique (succession) Temps sol nu Prairie faible Prairie haute productivité productivité ligneux mixte ligneux denses Forêt
  17. 17. Analyse orientée-objets SIG Données  satellite   Mul'-­‐temporelles  HR   Images  THR   Données  auxiliaires   Segmenta'on   Mul'-­‐résolu'on   Masquage  ou   extrac'on  de   zones  d’intêret   Données  de   terrain   Classifica'on   Arbre  de   décision   (Lucas  et  al.,  2011)   Valida'o n   Classifica'on  physionomique  de   la  végéta'on  
  18. 18. Niveau 1 (jaune): délinéation des zones culturales Niveau 2 (bleu): délinéation de la végétation naturelle
  19. 19. :  Couche  théma'que     :  Séries  temporelles  mul'spectrales   :  Haute  résolu'on  IRC  photographies  aériennes     Niveau 1 segmentation (IGN) Forêt (Bd Vegetation) Non Forêt
  20. 20. :  Couche  théma'que     :  Séries  temporelles  mul'spectrales   :  Haute  résolu'on  IRC  photographies  aériennes     Niveau 1 segmentation (IGN) Forêt (Bd Vegetation) Non Forêt Surface Eau Non eau (Bd Topo) Surfaces artificialisées Niveau 2 segmentation (IGN) Agriculture Végétation non naturelle (NDVI / NDSVI Background index) Végétation Semi-Naturelle
  21. 21. Avril Juillet Aout Octobre Variables spectrales Indices Détails Référence NDVI NDVI = (NIR-Red)/(NIR+Red) Rouse  et  Haas  (1973) NDSVI Normalized  Differen'al  Senescent  Vegeta'on  Index   QI  et  al.  2002 NDSVI = (MIR-Red)/(MIR+Red) Bg Modified    Background  Cover   Bg = 1-abs(NDVI+NDSVI)  Wittich and Hansing (1995)
  22. 22. :  Couche  théma'que     :  Séries  temporelles  mul'spectrales   :  Haute  résolu'on  IRC  photographies  aériennes     Niveau 1 segmentation (IGN) Forêt (Bd Vegetation) Non Forêt Surface Eau Non eau (Bd Topo) Surfaces artificialisées Végétation non naturelle (NDVI / NDSVI Background index) Agriculture Niveau 2 segmentation (IGN) Large surface herbacée (GLCM Homogeneity) Autre prairie   (GLCM Homogeneity) Petite surface herbacée (GLCM Homogeneity) Agriculture Ligneux mixtes (GLCM Contrast) Ligneux denses Végétation ligneuse basse (GLCM Contrast ) Végétation Semi-Naturelle
  23. 23. Indice de Texture : GLCM homogeneity, Contrast (Haralick, 1979) Forte  homogeneité       Faible  homogeneité  
  24. 24. :  Couche  théma'que     :  Séries  temporelles  mul'spectrales   :  Haute  résolu'on  IRC  photographies  aériennes     Niveau 1 segmentation (IGN) Forêt (Bd Vegetation) Non Forêt Surface Eau Non eau (Bd Topo) Surfaces artificialisées Végétation non naturelle (NDVI / NDSVI Background index) Agriculture Niveau 2 segmentation (IGN) Prairie forte productivité (Max fraction PV) Prairie moyenne productivité (Max fraction PV) Prairie faible productivité (Max fraction PV) Ligneux mixtes (GLCM Contrast) Ligneux denses Large surface herbacée (GLCM Homogeneity) Autre prairie   (GLCM Homogeneity) Petite surface herbacée (GLCM Homogeneity) Agriculture Végétation ligneuse basse (GLCM Contrast ) Végétation Semi-Natural
  25. 25. Prairie forte productivité Fort FCgv Prairie moyenne productivité Faible FCgv Prairie faible productivité Indice Fraction Cover GV Détails Fractional cover of green vegetation : FCgv = (Max(NDVIveg)-Min(NDVIsoil))/Max(NDVIveg)-Min(NDVIsoil)) Référence (Gutman and Ignatov, 1998)
  26. 26. Prairie forte productivité Prairie moyenne productivité Prairie faible productivité
  27. 27. Premiers retours puisque le terrain entrain de se finaliser .résultats sur zones culturales sont très satisfaisants : > 90 %. .types physionomiques : herbacés / ligneux est très satisfaisante. .Pb pour l’estimation des phytomasses : manque d’images + calibration
  28. 28. •  Automatisation distinction agriculture/ prairies : indices de variabilité •  Productivité : besoin de calibration •  Prairies temporaires / permanentes : –  Traitement de series multi-annuelle ( >5 ans) : nb de retournement -> temps d’analyse accru •  Prairies fauchées / paturé –  Images de haute fréquence temporelle -> pb régime mixtes • Phénologie des espèces MODIS data, Costel , Univ. Rennes
  29. 29. •  Besoin d’adapter les méthodes en fonction –  –  –  –  De  l’échelle   Du  niveau  de  précision     Des  données  disponibles   Des  contraintes  de  coût  /  temps   •  A venir : Sentinelle 2 : 10 m, 13 bandes (3 SWIR), répétitivité 5 j. …. En attendant : images SPOT 4 simulation sentinelle : 5 j (CNES) : déc. à mai 2013 Landsat 8.

×