Toutefois, l’application de cette méthode nécessite plusieurs prérequis :
- Les spectres utilisés doivent absolument être les plus purs possibles, c’est-à-dire qu’ils ne doivent pas être issus d’un mélange avec d’autres plantes.
- Le nombre maximum de spectres de référence doit être inférieur ou égal au nombre de bandes utilisées.
- Toutes les surfaces de référence doivent être utilisées (pour diminuer les erreurs).
- Les différentes surfaces étudiées sont une combinaison linéaire de spectres de référence (ne sont pas un mélange intime). Un mélange intime signifie que la jussie ou des petits patchs de jussies sont mélangés à d’autres végétations.
La jussie ayant tendance à former des patchs de végétations denses, on peut donc la distinguer des autres végétations. Par conséquent nous pouvons supposer que le mélange n’est pas intime et donc que nous pouvons utiliser la version linéaire du démélangeage spectral. Le nombre de bandes limité par le choix de Sentinel-2 reste le seul frein à cette méthode.
Les abondances peuvent être estimées en utilisant trois algorithmes différents :
- LSU sans contrainte (Unconstrained LSU) : les abondances sont sans contrainte et peuvent avoir n'importe quelle valeur numérique.
- LSU contraint (Constrained LSU) : la somme des abondances est égale à 1. Il s'agit de l'algorithme de démixage par défaut.
- LSU entièrement contraint (Fully Constrained LSU) : la somme des abondances est égale à 1 et les valeurs d'abondance ne peuvent pas être inférieures à zéro (valeurs d’abondance entre 0 et 1). Tous les algorithmes supposent que les longueurs d'onde sont données en nanomètres (unité de longueur d'onde par défaut de SNAP).
Dans notre étude, seul l’algorithme Fully Constrained LSU (FLSU) a été utilisé.
13
3.3.3. Choix et construction des masques des zones humides
Plusieurs masques ont été testés pour obtenir la jussie.
3.3.4. Construction du masque des zones en eau en hiver
Le masque d’hiver permet d’obtenir les zones en eaux libres en hiver. Ces zones contiennent potentiellement les jussies terrestre et aquatique. Pour le construire il existe plusieurs alternatives dont l’usage des indices de détection d’eau en surface. Le choix d’utiliser un indice spectral plutôt qu’une classification a été fait pour isoler les zones inondées. En effet, bien qu’une classification permette d’obtenir généralement de bons résultats au cas par cas, elle reste difficilement applicable à une échelle plus large en raison du temps de traitement qu’elle mobilise. De plus, une classification n’est pas automatisable et si les images sont trop complexes, des imprécisions peuvent persister (Fisher and Danaher, 2013 ; Jiang et al., 2014).
En utilisant un indice spectral, nous pouvons définir un seuil. Il s’agit donc d’une méthode pouvant être facilement automatisable et modifiable (Yao et al., 2015).
3.3.5. Choix des indices spectraux.
Afin de choisir le meilleur indice correspondant à notre étude, nous nous sommes basés sur plusieurs sources bibliographiques. Le tableau suivant (Tableau 3), issu de notes de synthèse bibliographique, présente de manière synthétique différents indices de détection des zones humides.
14
Tableau 3. Indices de détection des surfaces en eau.
Indice Ratio
Capteur (avec
résolution spatiale) Contexte d’usage Source bibliographique
Application aux images MODIS NIR (Near Infra Red) Longueur d’onde Image dans le
Proche Infra Rouge
Détection de l’eau. Le proche infrarouge est fortement absorbé par l’eau (qui agit alors comme un corps noir) et est réfléchi par les autres surfaces, notamment la végétation et les sols secs (ces surfaces apparaissent en blanc et l’eau en noir).
Work and Gilmer, 1976; White, 1978;
Rundquist et al. 1987 B2
On utilise l’infrarouge et le rouge car la végétation a une réponse forte dans l’infrarouge et faible dans le rouge, de plus les autres surfaces comme l’eau ont des faibles valeurs dans les deux bandes. L’indice présente des valeurs positives pour la végétation, des valeurs proches de zéro pour les sols nus et des valeurs négatives pour l’eau.
Evaluation de la biomasse et de la production primaire.
Townshend and Justice, 1986;
Tucker and Sellers, 1986 B2-B1 / B2+B1
NDWI (Normalized
Délimitation des masses d’eau : l’indice permet de maximiser la réflectance de l’eau en utilisant les longueurs d’onde du vert, à minimiser la réflectance des masses d’eau en utilisant le proche infrarouge et inversement à maximiser la réflectance de la végétation et du sol dans le proche infrarouge (les masses d’eau ont des valeurs positives, la végétation et les sols ont des valeurs nulles ou négatives.)
L’indice peut également être utilisé pour détecter la turbidité (présence de sédiments en suspension ou de chlorophylle-a)
McFeeters.S.K 1996 B4-B2 / B4+B2
NDII (Normalized NDII avec le contenu en eau de la canopée. Puis d’autres auteurs ont mis en évidence la corrélation entre les valeurs de l’indice et le contenu en eau de la végétation et du sol. (Elvidge and Lyon, 1985 ; Musick and Pelletier, 1986, 1988)
Le NDWIGao (MODIS) et le NDMI de Wilson (2002) permettent de détecter l’humidité des sols, ils sont utilisés initialement pour détecter l’eau dans la végétation (contenu en eau des feuilles)
LSWI (MODIS), de Xiao pour l’humidité des sols, au début appelé NDVIvgt et utilisé sur des images SPOT vegetation.
Hardisky et al.1983
Le NDWI de Mcfeeters a été modifié par l’utilisation du Moyen infrarouge au lieu du proche infrarouge.
L’indice permet de mettre en évidence les masses d’eau en supprimant de manière plus efficace que le NDWI le bruit des terrains bâtis, ainsi que celui de la végétation et du sol.
Les masses d’eau sont ainsi mieux délimitées (plus de détail), par discrimination efficace des surfaces en eau et des surfaces sèches. Le seuil de discrimination est situé autour de 0.
Le NDPI a été utilisé pour la détection des mares et ruisseaux de moins de 0.01 ha et différenciation de la végétation des mares au Sénégal.
Xu 2006
Lacaux, 2006
B4-B6 / B4+B6
B6-B4 / B6+B4
15
Plusieurs résultats issus de l’usage des indices, le Normalized Difference Water Index ou NDWI (Gao, 1996 ; McFeeters, 1996), le Modified Normalized Difference Water Index ou MNDWI (Xu, 2006) et l’Automated Water Extraction Index ou AWEI (Feyisa et al., 2014) ont été comparés. Notre choix s’est porté sur MNDWI qui permet une meilleure discrimination de l’eau en milieu ouvert par rapport aux zones urbanisées, par comparaison au NDWI (Yang et al., 2015 ; Yao et al., 2015).
La formule du MNDWI est la suivante :
= ∗ − ∗ _
∗ + ∗ _