La cartographie des habitats littoraux

Afin de réconcilier la télédétection des habitats intertidaux et infralittoraux, et ce, en

une unique campagne d‘acquisition SHOALS, nous proposons de résoudre cette

problématique par le développement d‘un arbre de décision basé sur les trois longueurs d‘onde disponibles sur ce système, i.e., vert, rouge et proche infra-rouge (Collin et al., 2009d).

Tout d‘abord, le canal infra-rouge a permis de dichotomiser les signaux provenant de la terre de ceux provenant de l‘eau. La saturation du signal, pour une intensité égale à 256, indique la « terre » tandis que l‘on considère l‘ « eau » pour un pic d‘intensité inférieur à 256. Ensuite, au sein de la « terre », des signaux provenant des « arbres » et ceux provenant de la terre « sans arbres » ont été scindés. Concernant l‘eau, la bathymétrie fut le critère de discrimination : « faible profondeur » (<2.1125 m) et « grande profondeur » (>2.1125 m). Dès lors, les 21 paramètres statistiques, décrits dans Collin et al. (2009b), ont pu être extraits des portions de courbes caractéristiques des quatre familles de signaux susmentionnées. Les deux familles immergées, en considérant l‘influence de la hauteur de la colonne d‘eau sur le signal, bénéficièrent de la régression non-linéaire en fonction de la profondeur. S‘ensuivirent les mêmes procédures du traitement du signal, évoquées au sous-chapitre 3.3.

L‘unification des méthodologies du traitement du signal au 3.3 et au 3.4 aboutit à la combinaison des informations topographiques et spectrales provenant des longueurs d‘ondes verte, rouge et infra-rouge. Cette approche fusionnelle a donc permis de produire une carte de classification des habitats littoraux en continu drapée sur le MNT (Figure 3.8). Cette réalisation de cartographie littorale entièrement dérivée d‘un LiDAR s‘avère unique, à notre connaissance.

La forme d‘onde enregistrée par le capteur est influencée, d‘une part, par la distribution des cibles dans l‘espace, et d‘autre part, par la forme et la nature de ces dernières. Cette première thématique sera abordée derechef tandis que la seconde sera développée dans la section suivante, i.e., 3.5.2, consacrée à la structure tri-dimensionnelle des habitats.

Outre les précautions à employer concernant la classification des habitats à l‘interface terre-eau (cf. 3.4), une discussion à propos de l‘arbre de décision est primordiale.

Évoquant la répartition des cibles dans l‘espace, les pics sont distincts quand les cibles sont éloignées, alors qu‘ils ont tendance à fusionner lorsque les cibles se rapprochent. Sur les quatre familles de signaux au sein de l‘arbre de décision, deux attirent particulièrement l‘attention à ce sujet, il s‘agit des familles « terre avec arbres » et « faible profondeur ». Lorsque la cible (hauteur de la canopée ou de la colonne d‘eau) est constituée par un groupe de réflecteurs séparés d‘une distance inférieure à la résolution, la forme d‘onde va avoir tendance à s‘amalgamer. C‘est pour cette raison que notre algorithme ciblait la portion à analyser depuis le premier maximum jusqu‘à la fin du signal informatif, pour ces deux familles. Toutefois, cette méthodologie intègre des informations dues au sol, pour « arbres », et à la surface pour « faible profondeur », or traiter ces composantes biaisent notre caractérisation. Certes, la présence du coefficient d‘asymétrie, inclus dans nos 21 paramètres statistiques, nous apporte des informations sur le degré de fusion des pics fin canopée/sol et surface/fond, mais leur influence statistique n‘est pas évincée. Jutzi et al. (2005) ont proposé une méthode originale qui est basée sur le fait que l‘intensité des échos provenant de chaque section-cible est proportionnelle à la surface de la cible illuminée. Pour ces empreintes, dites mixtes, il est possible de retrouver la contribution en surface de chaque cible connaissant leur réponse respective pour des empreintes non-mixtes, pures, i.e., sol, canopée, film d‘eau et fond. Une autre alternative résiderait dans les solutions analytiques de la forme d‘onde. La plupart des auteurs partent du postulat que l‘impulsion laser émise et le groupe de diffuseurs peuvent être décrits par une fonction gaussienne, donc que la forme d‘onde peut s‘écrire comme une somme de gaussiennes (Chauve et al., 2007; Keramoal, 2008). Cependant, ce modèle paramétrique reste discutable : d‘une part, la forme de l‘impulsion émise peut ne pas suivre une loi normale (Chauve et al., 2007), et d‘autre part, la distribution gaussienne des hauteurs des cibles n‘a été démontrée que dans le cas des LiDAR topographiques à large empreinte (Zwally et al., 2002). Aussi, d‘autres modèles paramétriques plus complexes permettraient de décrire les formes d‘onde présentant une certaine asymétrie : la fonction log-normale et le modèle gaussien généralisé.

Figure 3.8 – Classification des habitats littoraux en continu (b), drapée sur le MNT (a), tous deux issus du traitement des trois longueurs d‘onde, dérivées du SHOALS. La résolution et l‘exagération verticale équivalent à 1 m et 5, respectivement.

Le premier modèle a permis de mieux décrire localement la forme d‘onde benthique, en conditions de pics surface/fond distincts (Keramoal, 2008), tandis que le second modèle a conduit à un meilleur ajustement que celui d‘une simple fonction gaussienne (Chauve et al., 2007). Les méthodes d‘ajustement sont complémentaires de ces derniers modèles. La méthode des moindres carrés non-linéaires de Levenberg-Marquardt (Chauve et al., 2007; , 2006) s‘est avérée performante mais une estimation assez précise des

paramètres initiaux reste décisive. Finalement, bien qu‘elle soit coûteuse en temps, la méthode de Monte Carlo par Chaînes de Markov à sauts réversibles s‘est révélée très robuste et ne nécessitait pas d‘estimation des paramètres initiaux (Mallet et Bretar, 2009). Ce sera donc cette dernière méthode qui sera privilégiée dans les perspectives de recherche du traitement du signal.

La forme et de la nature des habitats constituent la trame du dernier développement.