Correction atmosphérique

Le rayonnement électromagnétique en interagissant avec l’atmosphère à travers les deux phénomènes d'absorption et de diffusion atmosphérique induit une déformation des propriétés spectrales des matériaux mesurées par le capteur. Le signal enregistré par le capteur hyperspectral dépend ainsi de la réflectance de la surface terrestre et des effets atmosphériques qui interviennent au cours des deux trajets (descendant, du soleil vers la surface, et montant, de la surface vers le capteur). Le problème est donc de reproduire les vraies propriétés spectrales des objets à partir des données hyperspectrales en faisant appel à la correction atmosphérique. L'objectif de cette correction est l'élimination de l’effet de l'atmosphère et la conversion des données de luminance enregistrées par le capteur (c.-à-d. l'énergie réfléchie par une surface exprimée en W•sr−1•m−2•nm−1) en des données de réflectance qui mesurent la fraction du rayonnement réfléchi par la surface. Dans ce contexte, plusieurs méthodes ont été développées. Elles peuvent être groupées en deux catégories : les méthodes empiriques ou encore basées sur l’image et les méthodes se basant sur les modèles de transfert radiatif.

3.1.3.1. Les méthodes empiriques de correction

Les méthodes empiriques de correction atmosphérique reposent sur les informations de la scène (c.-à-d. les renseignements qui sont incorporés dans l'image) sans avoir recours aux modélisations physiques. Ces méthodes se basent sur des approches purement statistiques. L’inconvénient de ces approches est qu’elles ne tiennent pas compte des véritables conditions atmosphériques pendant l'acquisition de l'image ou des effets supplémentaires comme la direction d’éclairement et la topographie de la surface. On peut distinguer deux types de méthodes de correction atmosphériques basée sur l’image: les méthodes qui s'appuient sur les données fournies par l’image sans aucune information auxiliaire, et les méthodes qui combinent les données de la scène avec des informations de référence au sol.

50

Deux principales approches n'utilisant pas des informations de référence au sol peuvent être distinguées : la méthode Internal Apparent Relative Reflectance (IARR) et la méthode Flat Field (FF) [62]. Le principe de ces deux méthodes consiste à diviser le spectre (c.-à-d. la réponse spectrale soit la luminance) de chaque pixel de l’image par un spectre de référence pour aboutir à des données corrigées des effets atmosphériques. Pour la méthode FF, ce spectre de référence est obtenu en calculant la moyenne des réponses spectrales d’une région d’intérêt considérée comme homogène [57]. L’approche IARR adopte comme spectre de référence la moyenne de tous les spectres des pixels de l’image [63]. Ces deux méthodes se caractérisent par leur dépendance au spectre de référence qui est fortement dépendant de la nature de la scène et des matériaux qu’elle présente. Ainsi, un mauvais choix peut introduire dans l’image corrigée des erreurs supplémentaires.

Certaines méthodes empiriques exploitent des mesures spectrales au sol en plus des valeurs de luminance issues de l’image. Parmi ces méthodes, l’approche de la ligne empirique (EL) [64] est considérée comme la plus utilisée [57] notamment pour la correction des images hyperspectrales acquises depuis un drone [65,66]. Cette méthode nécessite au moins deux cibles, respectivement blanche et noire. Ces cibles présentent des caractéristiques spectrales, chimiques et physiques connues. Les valeurs de luminance associées à ces cibles dans l’image sont modélisées par régression par rapport à leurs mesures de réflectance. Une série de gains et de biais est alors calculée pour chaque bande. Ceux-ci sont ensuite appliqués à tous les pixels de l’image [57]. L’équation ci-dessous résume le modèle de régression impliqué dans le calcul des valeurs de gain et de biais de la méthode de la ligne empirique:

Réflectance = gain ∗ luminance + biais (2.5) Cette méthode produit des valeurs de réflectance qui sont proches de celles mesurées directement sur le terrain ou au laboratoire. Toutefois, si des changements se produisent au niveau de l'atmosphère en dehors des régions utilisées dans la méthode de la ligne empirique, ce qui est souvent le cas, l’influence de l’effet atmosphérique sur les données de réflectance pourrait persister [62].

51

3.1.3.2. Les méthodes de correction basées sur une modélisation

atmosphérique

Ces méthodes visent à corriger les effets atmosphériques en se basant sur des modèles de transfert radiatif qui permettent de simuler les processus de transfert de rayonnement dans l’atmosphère. Elles exploitent également des informations détaillées sur l'atmosphère et le soleil à partir des modèles de simulation (ex. MODTRAN) [67].

La majorité de ces méthodes suivent le modèle de transfert radiatif suivant [67] : 𝐿0(𝜆) = 𝐿𝑠𝑜𝑙𝑒𝑖𝑙 ∗ 𝑇(𝜆) ∗ 𝑅(𝜆) ∗ cos(𝜃) + 𝐿𝑑𝑖𝑓𝑓𝑢𝑠(𝜆) (2.6)

𝜆 : Longueur d’onde

𝐿₀(𝜆) : Luminance observée au capteur

𝐿𝑠𝑜𝑙𝑒𝑖𝑙 : Luminance solaire au-dessus de l’atmosphère

𝑇(𝜆) : Transmittance atmosphérique totale 𝑅(𝜆) : Réflectance de la surface

𝜃 : Angle d’incidence solaire

𝐿𝑑𝑖𝑓𝑓𝑢𝑠(𝜆) : Luminance diffusée par l’atmosphère

52

Dans ces méthodes, les mesures au sol ne sont pas nécessaires, seules les informations liées à la mission d’acquisition des données d’imagerie telles que l'emplacement du site observé, l'altitude de vol, le modèle du capteur, et le temps d’acquisition sont requises. Les modèles de transfert radiatif utilisent les informations de la scène et les caractéristiques spectrales des particules constitutives de l’atmosphère afin de modéliser théoriquement l'atmosphère au moment du vol. Actuellement, il y a tout une gamme de méthodes disponibles pour corriger les effets atmosphériques en se basant sur ces modèles telles que SMARTS (Simple Model of the Atmospheric Radiative Transfer of

Sunshine) qui a été utilisé dans les travaux de Zarco-Tejada et al. [60] et FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes) qui a été employé par Mitchell

et al. [14].

3.1.3.3. Effet de l’atmosphère sur les données hyperspectrales acquises à

l’aide d’un drone

La basse altitude de vol peut être considérée parmi les principales particularités des drones par rapport aux avions. Cette caractéristique se traduit par une contribution moins importante des effets atmosphériques dans le processus d’acquisition des données. En effet, les constituants de l’atmosphère (notamment la vapeur d’eau) sont moins présents dans les basses altitudes [13]. La correction des effets de ces constituants dans les données acquises depuis un drone se fait généralement à l’aide des méthodes empiriques sans avoir besoin de recourir à une modélisation complexe de l’atmosphère [13,65,68]. À cause de leur faible contribution, ces effets sont parfois négligés (notamment à très basse altitude) et les données sont traitées directement sans passer par une correction atmosphérique [69]. Dans les vols à des altitudes relativement hautes comme ceux réalisés dans les travaux de Zarco- Tejada et al. [60] (altitude de vol de 1676m) et de Mitchell et al. [14] (altitude de vol de 575m), les effets atmosphériques doivent être bien modélisés afin d’extraire des réflectances qui soient fidèles à la réalité de la scène.