Participants : Sonia Bouzidi, Isabelle Herlin
Mots clefs : contour spatio-temporel, modélisation statistique, segmentation d'image, séquence d'images
Le capteur NOAA/AVHRR permet d'obtenir des mesures quotidiennes dans le visible et le proche infrarouge. Ces mesures sont très utiles pour faire le suivi des couverts végétaux, car sa fréquence (une image chaque jour) est largement suffisante pour modéliser la croissance de la végétation même en pleine période d'activité. Néanmoins la faible résolution (1.1 km) cause un problème d'hétérogénéité spatiale car le champ visuel est généralement plus large que la surface occupée par un type de végétation unique. La radiance enregistrée par le capteur est donc une moyenne des réponses des différentes couvertures qui composent le pixel. La difficulté du travail réside dans le traitement de ces pixels composés (dits non purs) pour éviter des confusions possibles entre les différents types de végétation. Dans ce cadre, il est clair que les données SPOT caractérisées par une haute résolution spatiale (20 mètres par pixel) nous donnent une représentation plus détaillée permettant de mieux distinguer les couverts végétaux. On a donc intérêt à coupler les deux types de capteurs, afin d'établir une complémentarité temporelle et spatiale.
Figure 10: Image
SPOT (canal XS2) acquise dans le site Bidi-Bahn (fournie par le
CESR).
Figure 11:
Résultat de la classification de données SPOT.
Figure 12: Image
acquise par le satellite NOAA/AVHRR (canal 2) (fournie par le
CESR).
La démarche choisie consiste à effectuer une première classification (figure 11) sur les données spatiales SPOT afin de déterminer les différents groupements de végétation et de caractériser les pixels purs qui les représentent. La localisation et la représentation de ces pixels purs permettent ensuite, grâce à la haute fréquence temporelle des images AVHRR, d'analyser l'évolution saisonnière de chacun des types de végétation et de caractériser les variations phénologiques des espèces pour pouvoir les discriminer. Pour étudier l'évolution temporelle de la végétation (voir Figure 13) l'indice fréquemment utilisé est l'indice de végétation normalisé (Normalized Differential Vegetation Index)
où PIR est la réflectance ou luminance dans le proche infrarouge, et R la réflectance ou luminance dans le rouge.
Figure 13: Un
exemple d'évolution temporelle de l'indice de végétation
(NDVI) des 7 classes de végétation obtenues dans le site
de Bidi-Bahn.
Il faut ensuite définir un algorithme de traitement d'image intégrant simultanément le résultat de la classification des données SPOT et la variation temporelle de l'intensité lumineuse en chaque pixel sur les données NOAA. Les résultats obtenus en appliquant l'algorithme caractérisent les relations entre l'évolution physique de la végétation et la variation radiométrique sur les images de télédétection spatiale. Ceci doit permettre de faire évoluer le modèle afin qu'il puisse inclure des informations exogènes qui influent réellement sur le comportement végétal : pourcentage de l'occupation des sols, distribution probabiliste des végétations, indice de végétation et stade phénologique.