III. Détetion de hangements à l'éhelle sous-pixelique 101
10. Performanes empiriques 165
10.4. Inuene de la taille du hangement sous-pixellique
Aprèsavoiranalysélesperformanes delaméthode enfontiondupourentagetotalde
hangements apparaissant dans l'image,nous proposons, dansette setion, d'étudier les
perfor-manes obtenues lorsque les hangements introduits n'aetent que partiellement un pixelbasse
résolution. Il s'agitd'un as de gure trèsfréquentquionstitue unedes prinipales diultés de
ladétetion de hangements àpartird'images BR.Ceshangements, dits sous-pixelliques,
appa-raissent dès quela tailledes hangements à détetern'est pas susament grande relativement à
latailled'unpixelBR, i.e.typiquementlorsqu'un hangementseproduitsur uneparelle agriole
quin'est quepartiellementouverte parunpixelbasse résolution.
Dansettesetion,notreobjetifestd'analyserlesperformanesdudéteteurenfontion
dutaux d'oupation d'un hangementdansunpixelbasserésolution.En partiulier,ladétetion
est-elled'autantplusperformantequelehangementoupeunegrandeproportiondupixelbasse
résolution?Existe-t'ilunseuilen-dessousduquel les hangements ne peuvent plusêtre détetés?
Pourtenterderépondreàesquestions,noussimulonsunertainnombred'imagestestsontenant
des hangements présents en des proportions données. La setion 10.4.1 dérit le proessus de
simulation des images, puis la setion 10.4.2 présente les résultats obtenus ave la méthode de
détetion aontrario.
10.4.1. Simulation des hangements
EnutilisantdesimagesprovenantdeapteurstelsqueSpot/VGTpourlesquelshaque
pixelreprésenteunesurfaeausolde
1km 2
,denombreuxphénomènespeuventseproduiresurunesurfaetrèsinférieure,maisaussisurunesurfaequi,bienquesupérieure,setrouveprojetéesur
plu-sieurspixelsbasserésolutionenproportionéventuellementfaible.Pourséparer lesproblèmes,nous
proposons de nous plaer dansun ontexte où le nombrede pixels touhés par des hangements
est xe, et représente
20%
des pixels de l'image BR. Cepourentage aété hoisiarbitrairement omme un pourentage moyen pourle type d'appliation visée. Deplus, lasetion 10.3a permisd'observer un très bon fontionnement de la méthode pour les images ontenant
20%
de pixelsde hangement,don ehoix semblebienindiquépouréviter de onfondreles diérentes limites
de laméthodetout en envisagant unadre réaliste.Pourles mêmesraisons,nous onsidéronsun
niveau de ontraste xe, simuléà haute résolutionave unéart-type
σ = 0.05
orrespondant à la demi-distaneinterlasses.Par dénition, les hangements sous-pixelliques doivent être introduits sur les images
haute résolution avant leur dégradation spatiale. Pour failiter l'analyse, tous les hangements
introduitsdansuneimagedonnée onernentlamêmeproportiond'un pixelBR.Paronséquent,
noussimulonsdesimagespourlesquellestousleshangementsnereprésententque
p%
delasurfaed'un pixelBR,où
p
variede1
à100
.Dansetobjetif,nousséletionnonsaléatoirement20%
despixels de l'image BRpour les modier, et nous onsidéronsleur projetionsur le domainehaute
résolution. Un hangement impatant
p%
d'un pixel BR est simulé à partir du tirage aléatoireuniformed'un label
l ′ ∈ { 0, · · · , 10 }
orrespondantau type d'oupationdu sol du hangement.Ce tirage permet de représenter un simple hangement de label (parmi les labels existants) ou
l'apparition d'un nouveau label (le label
10
n'est pas présent dans la labellisation initiale). Les valeurs des pixels HR de hangements sont alors remplaéespar les valeurs tirées aléatoirementselon une loi normale de moyenne
0.1 ∗ l ′
et d'éart-type0.05
. Ainsi simulé, unhangement quise produit sur lasurfae représentée par unpixel BRne orrespond apriori qu'àun seultype de
perturbation (par exemple : oupe de forêt, inondation, inendies, onversion de prairie en zone
agriole, nuages,et.).Cependant, lorsquelelabeld'originedupixelHRonsidéréestégalà
l ′
,lavaleur dulabelde hangement
l ′
est tiréealéatoirementune nouvelle fois.Lanouvelle imageHR est ensuite moyennée parblosde taille16 × 16
de sorteà réerl'imageBRtest.Danslasetion10.4.2,nousprésentons lesexpérienesmenéesetlesrésultatsobtenus à
partird'images simuléesavedeshangements dontlataillevarierelativement àlatailledupixel
BR, maisle nombretotalde pixelsde hangements est xé.
10.4.2. Résultats
Dansl'objetifd'analyserlesperformanesdelaméthodeenfontiondelasurfaeque
re-présenteunhangementauseind'unpixelBR,nousonsidéronsunrapportderésolutiononstant
entre lalabellisationet l'imageBR,égal à
16
.Cerapportorrespondtypiquementau adre d'ap-pliation aux données provenant des apteurs Spot/HRV et MeRIS. Dans ette setion, nousprésentons les résultats de la détetion obtenus à partir de la labellisation (f. gure 10.1) et
d'images simuléesomme indiqué dans la setion 10.4.1, où
20%
des pixels de l'image BR sonttouhés par des hangements en proportion
p
. Pourtoutp ∈ { 1, · · · , 100 }
xé, nous appliquonslaméthode de détetionsur
500
imagessimulées,ontenant20%
de pixels aetéspardeshan-gements en proportion
p
. Pour éviter de biaiser les résultats, haune de es expérienes a étéréalisée ave un nombre xe d'itérations égal à
400 000
, nombre largement susant lorsque leshangements ne onernentque
20%
des pixelsde l'image.La gure 10.18 présente les pourentage des diérents types d'erreursde détetion
ob-tenus en fontion du pourentage de la surfae d'impat d'un hangement sur le pixel BR
or-respondant. Pour plus de lisibilité, haun de es graphes présente la médiane et les
25 eme
et75 eme
perentilesdes erreursobtenues sur tousles testsréalisés pour untaux d'oupationp
duhangement dans le pixel BR donné. De plus, les résultats ont été rassembléspar pas de
5
, i.e.lamédiane etles perentilessontaluléspourtousles résultatsobtenus ave
p ∈ ]k, k + 5]
pourtout
k ∈ { 0, · · · , 95 }
.Le pourentagedes erreursde détetionobtenuesglobalementest présenté gure10.18, àgauhe.D'aprèse graphe,remarquonsquelaméthode estapable dedéteterleshangements ave moinsde
5%
d'erreurs (en médiane)dès que leur surfae d'impat représenteplus de
13%
environ du pixel BR, et ave moinsde2.5%
d'erreurs lorsque les hangementsre-prèsentent plusde
25%
dupixel BR.Contrairement àe qu'on pourraitpenserintuitivement,les performanes de ladétetion ne s'améliorentquetrès peu au-delàde e seuil.Pour une analyse plus omplète des erreurs de détetion, la gure 10.18, au entre et
à droite,présentent respetivement les pourentages de faux positifset de faux négatifsobtenus
relativement au nombre total de pixels de l'image BR. Le nombre de pixels touhés par des
hangements étantxé pouresexpérienes(à
20%
despixels del'image), unenormalisationsur le nombreréel de hangements ne hangeraitpas l'allure desourbes. Enpartiulier,remarquonsque le seuil de
25%
observé globalement pour les erreurs de détetion orrespond à une valeur seuil à la fois pour les faux positifset pour les faux négatifs. Lorsque les zones de hangementsreprésentent moins de
10%
des pixels BR, la méthode a tendane à déteter presque tous lespixels de l'image omme ohérents ave la labellisation. En réalité,
20%
des pixels de l'imagereprésentent des hangements. Ilssont don détetés à tort par la méthode, d'où la présene de
prèsde
100%
defauxpositifs(f.gure10.18auentre)lorsquep < 10%
.Deplus,sipresque100%
des pixels sont détetés par la méthode, le nombre de négatifs est presque nul. Lanormalisation
sur le nombre réel de pixels sans hangements étant élevé, le pourentage de faux négatif (f.
gure 10.18 àdroite) apparait omme nul tant que
p ≤ 25%
.Au-delà de e taux d'oupation, le pourentage de faux négatifs est, en médiane, alterne entre0
et0.5%
. C'est à dire que, dèsque les hangements oupent plus de
25%
dupixel BR, seuls0.5%
despixels (valeur médiane)réellement sans hangements sont détetés à tort par la méthode omme orrespondant à des
hangements.
Naturellement,laquestionseposealorsdesavoirsilesperformanesobtenuesenfontion
du taux d'oupation des hangements dans haque pixel BR impaté sont indépendantes du
rapport de résolution onsidéré. Pour tenter de répondre à ette question, nous proposons de
réaliserlamême expérieneque préédemment, aveles rapportsde résolution
4
,16
et32
.Pourquelesrésultatssoientomparables,lesimagesHRontétésimuléesenonséquene,i.e.demanière
à avoir un niveaude bruit omparable, une fois l'image dégradée. En eet, une diminution de la
résolutiond'uneaquisitionsetraduitparuneetderégularisationsurl'image,i.e.unediminution
de sa variane empirique. Plus préisément, en supposant l'indépendane spatiale des données,
nous pouvons supposer qu'une imageHR de variane
σ 2
moyennée d'un fateurN
admet alorspour variane
σ 2 /N 2
. L'image HR est don simulée respetivement ave les éart-types0.0125
,0.05
et0.1
respetivementpourlesrapportsderésolution4
,16
et32
.Commepréédemment,nous xonslepourentagede pixelsde l'imagetouhéspardeshangementsà20%
etleshangementssont ensuite introduits sur les images bruitées de sorte à représenter de
0
à100%
de haquepixel de hangements. La gure 10.18 présente les diérentes erreurs obtenues ave, de gauhe
à droite,le pourentage totald'erreurs, de faux positifsrelativement au nombreréel de pixels de
hangements etdefaux négatifsrelativementaunombreréeldepixelssanshangements.Lestrois
ourbesorrespondantautroisfateursderésolutiononsidérésévoluentde manièretrèssimilaire
en fontiondutaux d'oupation deshangements dans haquepixel. En partiulier, remarquons
que lavaleur seuilde
25%
d'oupation des pixels est xe pour es trois rapports de résolution, quelquesoitletyped'erreursonsidéré.Cetteexpérieneneorrespondqu'àunexemplepartiulier.Cependant, ellesemblelairementindiquerladépendane desperformanesautaux d'oupation
des hangements àl'intérieurdes pixelsBRplutt qu'au rapportde résolutionen lui-même.
Laapaité d'uneméthode àdéteterleshangements sous-pixelliquesest unpointlef
pour la détetion de hangements à partir d'images BR. Globalement, d'après les expérienes
réalisées, les performanes de la méthode sont stationnaires vis-à-vis du taux d'oupation d'un
hangement dansun pixelBRdès que e taux est supérieurà
25%
.Elles présentent alorsmoinsde
2.5%
d'erreurs de détetion au total (valeur médiane) quelque soit le rapport de résolutiononsidéré. Lorsque la taille relative des hangements dans le pixel BR est inférieure à
25%
, lesrésultats s'améliorent ave latailledes hangements. Cependant, même lorsque les hangements
n'oupent que
5%
des pixels BR, les erreurs de détetion ne onernent qu'environ10%
despixels (valeurmédiane). Deplus, lesperformanesne semblentdépendre durapportde résolution
qu'à traverslepourentage d'oupationdes hangements danslepixel BR.
Dans la partieIV, nous présentons quelques as d'appliation des méthodes de
lassi-ation et de détetion de hangements sur un jeu de données réelles de laplaine duDanube, en
Roumanie.
0 25 50 75 100
Fig. 10.18.:Erreurs de détetion (
%
du nombrede pixelsdans l'image)obtenuesen fontion dutaux d'oupationdes hangements dansunpixelBR. Degauhe àdroite,médiane
et perentiles du total des erreurs obtenues, des faux positifs et des faux négatifs.
Performanesobtenuespourdesimagessimuléesave
20%
depixelsdehangementset,de haut en bas, desrapportsde résolutionde
4
,16
et32
.Appliation à une zone agriole de
la plaine du Danube (base de
données ADAM)
11.1. La base de données ADAM
Dans ette partie, nous présentons quelques senarii d'appliations à la base de
don-nées ADAM.Celle-iréunit, notamment,unesérie de
39
images SPOT/HRVaquises en modemulti-spetral (pixels représentant environ
20 × 20
m2
) entre otobre2000
et juillet2001
dansl'objetif d'évaluer l'apport des tehniques d'assimilation de données spatiales pour la
modélisa-tion agronomiqueetl'informationagrioleen général.LeprojetADAM (Assimilationde Données
parAgro-Modélisation)(fhttp://kalideos.nes.fr/) s'estintéresséàunezoned'agriulture
intensive danslaplaineduDanube,en Roumanie. Cesiteest aratériséparungrandparellaire,
quis'étendsur
40 × 60
km2
àenvironet setrouve à35
kmàl'estde Buarest.Danseadre,lesimagesSPOT/HRV ontétéaquisesenvironunefois parquinzaine.Unetellefréquene
d'aqui-sition(
39
imagesen10
mois)aétépossibleparl'utilisationonjointe dessatellitesSPOT 1,2et 4.Cependant, laprésene denuages oude neigerend inutilisableertaineszonesde l'image selonles dates etlaqualité desimages issuesdes diérentssatellites estvariable.
De plus, unertain nombrede mesures ont été réaliséessur le terrain : aratéristiques
du sol, du ouvert, reensement des pratiques ulturales. Ces mesures ont été réalisées sur
42
unités expérimentales ouvrant haune plus d'un pixel SPOT (environ
30
m de diamètre) (f.gure 11.1).Dans l'optiquede valider lesrésultats obtenus, nousonsidérons prinipalementune
zoned'étuderestreinteàunarré
256 × 256
autourdesmesuresde terrainprésentéesgure11.1.Après une série de pré-traitements réalisés par le CNES, les images utilisées sont
su-perposables ave une préision inférieure au pixel (en projetion GaussKruger) et orrespondent
à des mesures TOC (Top of Canopy), i.e. orrigées (en théorie) des eets de l'atmosphère. Les
réetanes mesuréesdansles troisanaux duapteurSPOT/HRV fournissentdesinformations
redondantes pour l'étude de lavégétation, dontles plusimportantes proviennent des bandes
2
et3
(f. gure11.2). De nombreux indies de végétation (f. Setion1.3.2)sont dénisà partir dees deux bandes spetralesde manièreà séletionner l'informationpertinentepour lavégétation.
Dans ette partie, laplupart desrésultatsprésentés ont été obtenus àpartir d'images de fration
de ouvert(f.gure11.3).CesimagesontétégénéréesàpartirdestroisanauxSPOT/HRVet
desinformationsd'aquisitiongrâeàunehaînedetraitements 1
fondéesurlemodèlebiophysique
SAIL +PROSPECT(f.[Jaquemoud etal.,1995℄) pourl'agriulture de préision.
1
ChaînedetraitementmiseàdispositionparEADS/ASTRIUM.
Fig. 11.1.:Bilandesmesuresde terrain pourl'année agriole
2000 − 2001
.L'analyse de sensibilitéprésentée danslehapitre 6a montré,sur desdonnéessimulées,
que les performanes de la méthode de lassiation non-supervisée se dégradaient lorsque le
rapport de résolution dépassait
20 × 20
. Par onséquent, nous nous plaçons dans le adre del'utilisationonjointed'imagesSPOT/HRVetMeRIS(i.e.dansunrapportderésolution
15 × 15
).Les seules imagesoptiques BRde labasede données ADAMétant desimagesSPOT/VGT (i.e
dans un rapport de résolution
50 × 50
), les images BR ont été simulées à partir des donnéesSPOT/HRV parmoyennage par blosde taille
16 × 16
.Dans la setion11.2, nous présentons quelques senariid'appliation onsidérés de
ma-nière àprésenter lesrésultats obtenus dansdiérents ontextesréalistes.
(a) TC214/11/2000 (b)TC213/03/2001 ()TC212/04/2001 (d) 24/05/2001
(e) TC231/05/2001 (f) TC213/06/2001 (g)TC224/06/2001 (h)TC231/07/2001
(i)TC314/11/2000 (j)TC313/03/2001 (k)TC312/04/2001 (l)TC324/05/2001
(m)TC331/05/2001 (n)TC313/06/2001 (o)TC324/06/2001 (p)TC331/07/2001
Fig. 11.2.: ImagesHRderéetaneaquisesà
8
datesdiérentes,répartiesentrele14
novembre2000
etle31
juillet2001
.Lesimagesaquisesdansleanal2
duapteurSPOT/HRVsontprésentées en haut (TC2) et les imagesaquises dansle anal
3
sontprésentéesen bas (TC3).
(a) 14/11/2000 (b)13/03/2001 () 12/04/2001 (d)24/05/2001
(e) 31/05/2001 (f) 13/06/2001 (g)24/06/2001 (h)31/07/2001
Fig. 11.3.: ImagesHRde frationdeouvertaquisesà
8
dates diérentes,répartiesentrele14
novembre
2000
etle31
juillet2001
.11.2. Quelques senarii d'appliation
Laproblématique onsidérée auours de e travail de thèsea étédénie, en partiulier,
pour l'analyse et le suivide lavégétation. Si les méthodes élaborées dans les parties IIet IIIont
des domaines d'appliationdistints,leur utilisation onjointe onduit àun proessusompletde
mise àjour.
En eet, la méthode de lassiation sous-pixellique dénie dans la partie II permet la
réation de artesd'oupationdes solsàHR àpartir d'unesegmentationHR etd'uneséquene
d'imagesBR.Cetteméthode permetd'exploiterl'informationradiométriquemultitemporellepour
distinguerlesdiérentstypesd'oupationdusoltoutenbénéiantdelaloalisationspatialeHR
donnée parleparellaire.L'ensemblede lasurfaeterrestrepourraitalorsêtrerégulièrement
arto-graphiéàunmoindreoût,permettantainsiunsuividel'oupationdessolspourdesappliations
géographiques,agronomiques,oupolitiques.Notons,ependant,quel'algorithmenefournitpas
di-retement unearted'oupationdessolsmaisuneartedelabels.Uneinterprétationthématique
des diérentslabels estensuite néessairepourobtenir unearted'oupation dessols.
La méthode de détetion de hangements permet, quant à elle, de déteter des zones
de hangements d'oupation du sol même lorsqu'ils ne onernent qu'une partie du pixel BR.
Plus préisément, ette méthode permetd'étudier la ohérene entre uneséquene d'images BR
et une lassiation HR dérivant l'état de la surfae à une date de référene. Par onséquent,
si le ritère déni permet de déteter la présene de hangements ave une ertaine robustesse
(f. hapitres 9 et 10), il ne permet pas de qualier le hangement ni de déterminer la surfae
impatée. En eet, une petite surfae touhée par un forthangement d'intensitéradiométrique
peut être détetée de la même manière qu'un hangement de moindre intensité mais ayant une
surfae d'impatsupérieure.
Si les deux méthodes proposées sontindépendantes d'un point de vueméthodologique,
elles peuvent être utilisées en ollaboration pour la mise en ÷uvre de proessus plus omplets
vis-à-visde ertaines appliations. Parlasuite,nous proposons troissenariid'appliation :
lorsquedeshangements sontdétetés,laméthode de lassiation peutêtre utilisée
pour générer une nouvelle arte d'oupation du sol et, ainsi, déterminer le type de
hangement observé ;
la détetion du domaine BR le plus ohérent ave une arte de référene peut être
exploitée dansl'objetifde validerunearted'oupationdessols(oulassiation);
une arte d'oupation des sols peut être mise à jour par l'utilisation suessive des
méthodesdelassiationetde détetionde hangements :laséquened'imagesBR
est utiliséepourgénérerune lassiation,validéeparlaméthode de détetion.Cette
dernière permetensuite,àl'aquisition denouvellesimages,de détetersilaarteest
toujours valideou sideshangements sontapparus etlalassiation àregénérer.
Les hapitres 12 et 13 présentent les résultats obtenus dans le ontexte de es diérents senarii
pourla zoned'étudeduprojet ADAMsur laquellenous disposons de mesuresde terrain.
12.1. Classiation sous-pixellique
Dansette setion, nousappliquons laméthodede lassiation non-supervisée(f
Par-tieII)àunextraitdelazoned'étudeduprojetADAMpourlequeldesrelevésontétéeetuéessur
leterrain.Nousproposonsd'évaluerlesrésultatsdelaméthodedelassiationnon-superviséed'un
point de vue méthodologique et quantitatif en omparant les résultats obtenus à partir d'images
BRàeuxobtenusàpartird'imagesHR,etd'un pointvuethématiqueetqualitatifenomparant
les lassiations que nous obtenons à la lassiation réalisée par F. Oro (INRA) à partir des
relevés deterrain (gure 12.5)dansle adre duprojet ADAM.
L'algorithme de lassiation non-supervisé permet, étant donné un nombre de labels,
de déterminer le label de haque segment à partir d'une image ou d'une séquene d'images. La
gure 12.1 présente les résultats de l'algorithme de labellisation non-supervisé obtenus à partir
d'une segmentation HR omportant
100
régions(gure 12.1(a)) et d'uneséquene HR de huitimages de frationde ouvert (gure 12.1 (b)) pourregrouper les
100
régionsen5
labels. Cettelabellisation,générée àpartird'images HR, est onsidérée omme labellisation de référene pour
évaluerlesrésultatsobtenusàpartird'imagesBR.Apartirdelaséquened'imagesBRdefration
de ouvert12.2(a) etpour
5
lasses,l'algorithmepermetd'obtenir lalabellisation12.2(b). Cette dernière estidentiqueàlalabellisation12.1()pour96.6%
despixels.L'image12.2()permetdevisualiser,en blan,les erreursobtenuesàpartirde laséquene BRparrapportau résultatHR.
A titre de omparaison, la même expériene est réalisée sur la séquene d'images de
NDVI 1
orrespondant aux mêmes dates (gure 12.3 (a)). L'objetif de ette omparaison n'est
pas tellement d'évaluer le meilleur indie pour la lassiation des types d'oupation du sol
mais plutt de vérier que l'utilisation de soures diérentes onduit au même résultat. En
ef-fet, les images de NDVI ont été générées par ombinaison des anaux
2
et3
d'aquisitions SPOT/HRVIR alors que les images de fration de ouvert résultent d'une inversion omplexedes mesures SPOT/HRVIRà traversun modèle biophysique. Lalabellisation (f.12.3 (b))
ob-tenue àpartir de laséquenede NDVIest trèsprohe de elleobtenue àpartirde laséquene de
fration de ouvert. L'image 12.3 ()présente, en blan,les pixels mallabelliséspar rapportà la
labellisationdesimagesde frationde ouvertHR.Lesartesd'erreursprésentéesgures12.2()
et 12.3 ()sont trèssimilaires, e qui montreque l'utilisationde données de
N DV I
ou defra-1
Normalized DiereneVegetation Index :