Inversion des images aéroportées

Maintenant que nous avons validé notre inversion sur un pixel, on se propose d’inverser des

images sur la forêt de Mondah. Pour effectuer notre inversion, on choisit une zone que nous connaissons sur laquelle nous avons pu faire de la vérité terrain et qui comporte une partie relativement plate et une autre qui possède beaucoup de relief. On prend en plus dans la zone

d’inversion une zone d’image contenant l’océan et une autre contenant de la route pour voir comment notre algorithme d’inversion se comporte sur ces zones bien qu’elles n’aient pas été

inclues dans l’apprentissage. Nous voulons voir si ces zones se distinguent sur les images et si nous pouvons les détecter. La zone que nous choisissons d’inverser est présentée par le rectangle blanc dans la Figure 5-10 ci-dessous.

Figure 5-10 : Zone choisie pour effectuer l’inversion (rectangle blanc). En bleu, trajet

que nous avons fait dans la forêt pour effectuer des relevés d’humidité. En jaune, parcelle où nous avons effectué la vérité terrain. C’est sur cette parcelle que l’inversion

a été validée.

Sur cette Figure 5-10 il apparaît également en bleu des relevés GPS d’un chemin que nous avons suivi pour effectuer des observations et des relevés d’humidité à différents endroits

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

177 dans la forêt. Malheureusement, pour diverses raisons, ces relevés ont été effectués 6 mois après le vol aéroporté, soit pendant la saison des pluies, tandis que les images radar dont nous disposons à ce jour ont été acquises à la saison sèche. Ces relevés d’humidité sont donc

difficilement exploitables pour l’inversion de ces images ; ils nous permettront uniquement de vérifier si on suit les mêmes tendances de variation d’humidité entre les différents points. Les

points jaunes que l’on voit sur l’image correspondent à la zone où nous avons fait notre vérité terrain et où nous avons validé notre inversion.

L’équipe de l’ONERA de Salon de Provence nous a fourni les champs complexes des

polarisations HH, HV et VV ainsi que les angles d’incidences pour chaque pixel. Les images font 104 pixels en distance et 2803 pixels en azimut avec une taille de pixel de 9.48 m². Elles

ont été acquises d’est en ouest au nord de la scène. On effectue un lissage sur une fenêtre de 5 × 5 pixels pour les différentes polarisations.

Après traitement, on obtient les images radar ci-dessous. Par souci de visibilité pour la suite, nous avons augmenté le ratio de la taille des pixels, ils sont 3 fois plus longs selon la distance azimutale, ce qui leur donne cet aspect étiré. Cela est uniquement dû à la représentation

graphique de l’image.

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

178

Figure 5-12 : Image de la zone étudiée en polarisation HV après traitement.

Figure 5-13 : Image de la zone étudiée en polarisation VV après traitement.

Les images des 3 polarisations sont données Figure 5-11, Figure 5-12 et Figure 5-13. Pour la polarisation VH on prend la même image que la polarisation HV. On remarque sur la gauche

la présence de l’océan (en particulier sur la polarisation croisée). La route ne se distingue pas

particulièrement sur les différentes images. Les valeurs extrêmes des champs sont localisées

sur des pixels non moyennés au bord de l’image. La gauche de l’image a une texture différente de la droite due à la présence d’un relief plus accentué. La partie droite de l’image

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

179

On effectue maintenant une moyenne en distance par rapport à l’axe azimutal pour évaluer le

champ rétrodiffusé moyen pour chacune des polarisations. On note au passage les valeurs minimales et maximales du champ pour chaque case azimutale. Les résultats sont présentés Figure 5-14, Figure 5-15 et Figure 5-16 ci-dessous.

Figure 5-14 : σ_0HH moyen par case azimutale sur la forêt de Mondah.

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

180

Figure 5-16 : σ0VV moyen par case azimutale sur la forêt de Mondah.

On constate que les valeurs des σ₀ moyens sur la forêt pour les polarisations HH, HV et VV sont respectivement autour de -10.5 dB, -16 dB et -10.5 dB. On peut remarquer que les

fluctuations des différentes courbes augmentent lorsqu’on s’approche de l’océan ce qui est dû

au relief. Ces valeurs correspondent bien à celles sur lesquelles nous avons construit et réglé nos métamodèles. Nous pouvons donc espérer de bons résultats quand à l’inversion autour de ces valeurs moyennes. On voit néanmoins que les valeurs extrêmes des champs sortent de

notre domaine d’apprentissage (Figure 5-7), nous pouvons donc nous attendre à avoir des mauvaises valeurs d’inversion pour les quelques pixels concernés.

On fait donc fonctionner notre algorithme d’inversion pixel par pixel avec un moyennage 5 × 5 pixels pour inverser ces images radar. On cherche à inverser les mêmes paramètres que précédemment, à savoir l’humidité du sol, le nombre de ramifications dans notre modèle de croissance, l’orientation et la variation d’orientation moyenne des branches et enfin l’humidité de la végétation. Les résultats d’inversion sont présentés ci-dessous.

On commence par s’intéresser à l’inversion de l’orientation moyenne des branches (Figure

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

181

Figure 5-17 : Inversion de l’orientation moyenne des branches sur la forêt de Mondah.

On observe une nette différence entre la forêt et l’océan. La route n’apparaît cependant pas sur l’image.

Figure 5-18 : Inversion de la plage d’orientation moyenne des branches sur la forêt de

Mondah. On observe ici aussi une nette différence entre la forêt et l’océan. La route n’apparaît pas non plus sur l’image.

La première chose que l’on observe lors de l’inversion de ces deux variables est que l’on distingue très clairement l’océan sur les images inversées. Sur cette zone, bien que l’orientation moyenne et la plage de variation de l’orientation des branches n’aient aucun sens car il n’y a rien de physique, on trouve des valeurs radicalement différentes de celle de la zone

boisée. Ceci est logique et comme nous allons le voir il en est de même pour les autres paramètres. Pour ce qui concerne le bout de route, on ne le distingue pas sur l’image ; ceci est

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

182

sans doute dû à la résolution de l’image et au fait que cette route traverse la forêt et est donc entourée d’arbres.

Sur la forêt, les valeurs de l’orientation moyenne des branches sont homogènes et ont une

valeur autour des 45°. Ceci s’explique tout d’abord par le fait que nous avons à faire à une

forêt mono-espèce ; il est donc normal de trouver une orientation moyenne quasi constante sur toute la zone et la valeur inversée est en accord avec nos observations sur place.

Regardons à présent ce que l’on obtient au niveau de l’inversion des humidités de la végétation et du sol Figure 5-19 et Figure 5-20.

Figure 5-19 : Inversion de l’humidité de la végétation sur la forêt de Mondah. On

observe que sur la mer l’humidité de la végétation est mise à 0.

Figure 5-20 : Inversion de l’humidité du sol sur la forêt de Mondah. Les images étant acquises durant la période sèche, l’humidité du sol est extrêmement faible.

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

183 Ici aussi on remarque que la zone correspondant à l’océan se détache de la zone forestière sur les images.

Concernant l’humidité de la végétation, on remarque que plus on se rapproche de l’océan,

plus sa valeur moyenne diminue. Cela est probablement dû à une diminution de la densité de

végétation. La valeur moyenne de l’humidité de la végétation sur la forêt se situe autour des

50%. Sur la partie gauche de l’image, des zones avec des valeurs très faibles apparaissent :

elles sont certainement dues au relief qui n’a pas été pris en compte dans la démarche.

Sur la forêt, on trouve une humidité du sol très faible, en dessous de 15% pour quasiment

toute la zone. Ceci s’explique par le fait que les images aéroportées ont été acquises durant la

période sèche. Ce résultat est donc tout à fait logique. Il pourrait être intéressant de comparer

ces résultats d’inversion avec ceux que l’on peut obtenir à partir de l’inversion de l’algorithme

de (Dubois, 1995) par exemple. On retrouve sur la carte d’humidité une texture différente

entre la gauche et la droite de l’image, probablement due à la présence du relief.

On effectue deux coupes sur deux cases distances adjacentes et on trace le profil azimutal

d’humidité du sol pour voir comment cette humidité évolue sur des zones proches. On trace également l’humidité moyenne selon l’azimut. Pour éliminer les points absurdes où l’inversion n’a pas fonctionné, on borne les valeurs de notre image entre 5% et 30% d’humidité.

Figure 5-21 : Coupes d’inversion de l’humidité du sol moyenne par rapport à la distance azimutale et humidité moyenne intégrées sur l’axe distance.

On constate Figure 5-21 que les deux coupes adjacentes donnent des résultats d’inversion qui

suivent la même tendance. Ceci est un bon point car l’inversion a été effectuée pixel par pixel et on peut s’attendre à ce que deux pixels adjacents donnent des humidités assez proches. L’humidité moyenne est relativement stable le long de l’azimut et se situe autour de 12%. Les

fluctuations que l’on observe peuvent être liées à une compensation des effets de pente qui ne sont pas pris en compte dans les modèles de substitution.

Chapitre 5 : Utilisation de MIPERS NG dans un processus d’inversion des propriétés bio-géophysiques de la forêt de Mondah.

184

Pour terminer, observons Figure 5-22 ce qu’il se passe lors de l’inversion du nombre de ramifications dans le modèle de description de la végétation. Ce paramètre est directement lié à la biomasse de la partie branches de la végétation.

Figure 5-22 : Inversion du nombre de ramifications des arbres de la forêt de Mondah.

L’océan se détache encore une fois sur les images d’inversion et prend une des valeurs limite de l’apprentissage, bien que cette variable n’ait aucun sens sur cette zone. Il est cependant rassurant de voir que la valeur de l’inversion est homogène sur cette zone.

Sur la forêt, on n’observe pas de tendance particulière. On aurait pu penser que le nombre de

ramifications allait diminuer à mesure que l’on se rapproche de l’océan, puisque ce paramètre

est lié à la biomasse forestière mais il n’en est rien.