Ce document présente des approches méthodologiques pour la cartographie des habitats naturels en utilisant la télédétection et l'analyse discriminante parcelle-sparse. Plusieurs techniques, y compris des algorithmes de classification et des modèles théoriques, sont discutées pour évaluer la diversité et l'état de conservation des habitats, en rapport avec des projets comme Natura 2000 et la stratégie nationale pour la biodiversité. Les résultats préliminaires montrent une automatisation satisfaisante dans la distinction entre l'agriculture et les prairies, bien qu'il existe des défis liés à la calibration et à la fréquence des images.

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. • 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. • 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. 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

6. • 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

7. 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

8. 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

9. 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

10. ...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

11. 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

12. 10x
Valida'on
Croisée
Nombre
op'mal
de
variables

13. 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

15. 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

16. • 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.

18. 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)

19. • 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

20. 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

21. Niveau 1 (jaune): délinéation des zones culturales
Niveau 2 (bleu): délinéation de la végétation naturelle

22. :
Couche
théma'que
:
Séries
temporelles
mul'spectrales
:
Haute
résolu'on
IRC
photographies
aériennes
Niveau 1
segmentation (IGN)
Forêt
(Bd Vegetation)
Non Forêt

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
Niveau 2
segmentation (IGN)
Agriculture
Végétation non naturelle
(NDVI / NDSVI
Background index)
Végétation
Semi-Naturelle

25. 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)

27. :
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

28. Indice de Texture :
GLCM homogeneity, Contrast
(Haralick, 1979)
Forte
homogeneité
Faible
homogeneité

29. :
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

30. 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)

31. Prairie forte
productivité
Prairie moyenne
productivité
Prairie faible
productivité

32. 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

33. • 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

34. • 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.