Les intrants

Le présent projet consiste en l'analyse d'une image ETM+ _{segmentée pour la cartographie}

écologique d'un milieu arctique. Une attention plus particulière a été portée à la détection des patrons de végétation pour les classes de végétation que définissent Manseau et al. (2003). Dans ce contexte, un des premiers enjeux que nous avons abordés concernait le choix des intrants spectraux et non-spectraux. Bien évidemment, nous avons puisé à même les bandes de l'image satellitaire, mais nous avons aussi généré différents dérivés de ces bandes, plus particulièrement pour la cartographie de la végétation. Enfin, nous y avons incorporé des données auxiliaires.

3.2.1. L'image ETM+ _{de Landsat}

L'image utilisée fut prise le 13 août 2000 par le capteur ETM+ _{(satellite Landsat-7), à 10 h 42,}

heure locale. L'image compte 6 bandes spectrales distinctes, dont chacun des pixels mesure 30 m

par 30 m, ou 900 m2_{. À ces bandes s'ajoutent la bande panchromatique, dont la résolution spatiale}

au sol est de 15 m, et la double bande thermique, de 60 m de résolution. Il s'agit d'un produit de niveau 1-G, c'est-à-dire une image qui a subi une correction radiométrique et une correction géométrique au Centre canadien de télédétection. Les plages spectrales des huit bandes et l'ensemble des métadonnées d'acquisition de l'image sont données aux annexes 3 à 5.

3.2.2. La création d'indices spectraux

L'utilisation d'indices spectraux en télédétection a fait l'objet de nombreux textes (Crist and Cicone, 1984; Huete, 1988; Jensen, 2005). Dans le cadre du présent projet, nous avons créé plusieurs indices spectraux, soit avant, soit après l'étape de segmentation. Les indices qui ont été créés en amont de la segmentation sont ceux qu'on pourrait considérer comme des indices classiques. En effet, de par leur succès, certains indices spectraux sont passés dans l'usage courant. Vu leur potentiel prometteur, nous avons voulu en tester quelques uns, nommément le

Normalized Difference Vegetation Index (Myneni et al., 1995), le Soil Adjusted Vegetation Index

(Huete, 1988) et les transformations Tasseled Cap (Crist and Cicone, 1984). À cet effet, nous avons généré des données matricielles que nous pouvions insérer dans le projet sous forme de

couche. Les indices qui ont été créés après la segmentation sont de simples rapport bandes calculés à même le logiciel eCognition. Cette dernière approche a le désavantage de ne livrer qu'une seule valeur par objet, soit la moyenne de l'indice sur l'ensemble des pixels du segment. À l'inverse, l'incorporation d'indices sous forme de bandes en amont du projet permet de préserver les valeurs de l'indice pour chacun des pixels à l'intérieur des objets, ce qui démultiplie les possibilités d'analyses.

3.2.3. Modèle numérique d'altitude

Comme le suggèrent divers auteurs (Parrot et al., 1993; Pouliot et al., 1995; Jensen, 2005; Sidjak

and Wheate, 1999; Deshaye, 2000; Buchroithner et al., 2006), l'incorporation d'un modèle

numérique d'altitude (MNA) dans un projet de classification permet de distinguer certaines classes qu'on ne peut pas séparer sur la base seule des données spectrales. Dans notre cas, par exemple, le degré de pente permet de séparer les falaises dénuées de formations meubles des autres surfaces minérales. De même le profil très plat des plans d'eau peut nous aider à les différencier des ombres. De manière à nous ouvrir ce genre d'options, un MNA a été créé pour le secteur à l'étude pour permettre d’utiliser l'altitude et la pente. Pour plus de détails sur la création du MNA, voir l'annexe 7.

3.2.4. L'optimisation de l'espace-attribut

À la suite de la création des intrants, une première sélection a été faite parmi ces sources d'information à l'aide d'une fonction prévue à cet effet dans le logiciel eCognition. En effet, ce logiciel comporte une fonction dont on peut traduire le nom par « optimisation de l'espace- attribut » (feature space optimisation). Par le mot attribut, on entend tout descripteur qui peut caractériser un objet donné de l'image. Les attributs peuvent être de tout ordre, par exemple : la valeur moyenne de la réponse spectrale des pixels du segment dans une bande donnée, la taille du segment, son homogénéité interne, son voisinage ou sa distance par rapport à un objet d'une classe donnée, la valeur du pixel qui la plus faible ou la plus forte réponse dans une bande donnée, etc. Le nombre de tels attributs pour chacun des objets de l'image se chiffre à plus de mille. L'optimisation de l'espace-attribut consiste en une analyse cernant les attributs qui

maximisent la séparabilité entre des groupes de segments-échantillons. En y recourant de façon itérative, il est possible de sélectionner les bandes qui s'avèrent les meilleures pour distinguer diverses classes les unes des autres. Compte tenu des objectifs du présent projet, nous avons axé cette première analyse sur les classes de végétation. En utilisant les relevés de terrain comme données de référence, des groupes d'échantillons ont été créés pour chacune des classes végétales. Puis, une série d'itérations a été réalisée pour identifier les bandes les plus importantes à retenir pour les suites du projet.

3.2.5. La sélection finale des intrants

Les bandes 1, 2 et 3 de l'image Landsat ETM+ _{ont été retenues d'office pour l’affichage à l'écran.}

Les nombreux exercices « d'optimisation de l'espace-attribut » ont révélé l'utilité des bandes 4, 5 et 6 (gains élevés). Les bandes 7 et 6 (gains faibles) ont été abandonnées à cause de leur forte corrélation avec les bandes choisies. L'inclusion de la bande panchromatique (bande 8), bien qu'utile pour l'interprétation visuelle de l'image, rend le travail de l'ordinateur plus lent sans augmenter la séparabilité des classes. En conséquence, la bande 8 n'a pas été retenue pour le projet. Pareillement, la fusion (pansharpening) des données panchromatiques avec les données multispectrales du capteur ETM+ _{n'est pas avantageux ; on peut soupçonner que la dimension}

relativement grande des segments rend inutile l'utilisation de pixels plus fins. Les tests d'optimisation ont souligné l'utilité de la sixième transformation Tasseled Cap. Le NDVI s'est avéré un indice très important pour augmenter la séparabilité entre de nombreuses classes, dont les classes végétales tout particulièrement. Le SAVI, que l'on pourrait présumer plus utile que le NDVI dans la toundra, n’a donné qu’un rendement similaire au NDVI, sans augmenter sensiblement la séparabilité des classes végétales. Puisque le NDVI est plus répandu dans la littérature et mieux compris par un auditoire plus large d'utilisateurs éventuels, il a été préféré au SAVI. Enfin, l'altitude et la pente s'avèrent des informations auxiliaires pertinentes.

Nous noterons ici que pour une raison inconnue, la couche matricielle du NDVI a été intégrée au projet avec un décalage d'un pixel en X et d'un pixel en Y. Ce décalage n'a été remarqué qu'en fin de projet. On peut soupçonner que ceci aura eu une répercussion sur le potentiel de

discrimination de la classification pour les plus petits segments, mais ce problème n'a pas été évalué de façon systématique.

En somme, la banque d'images qui a été constituées comportait les 13 couches suivantes : bandes ETM+ _{1, 2, 3, 4, 5, 6 (gains élevés) et 7; NDVI; Tasseled Cap 6th; MNA, Altitude, Pente.}

Rappelons que cette liste se limite aux intrants matriciels retenus ou générés en amont du projet. À ceux-ci s'ajoutent plusieurs indices qui ont été créés suite à la segmentation de l'image, à même les valeurs spectrales des objets d'image. Parmi ces indices, ceux qui se sont révélés utiles à la suite de l’étape d’optimisation sont les suivants, exprimés mathématiquement :

ETM1/(ETM2 + ETM3) ;

ETM1/(ETM1 + ETM2 + ETM3) ;

ETM1/(ETM 1 + ETM2 + ETM3 + ETM4) ;

ETM1/(ETM1 + ETM2 + ETM3 + ETM4 + ETM5) ; ETM2/(ETM1 + ETM2 + ETM3) ;

ETM3/(ETM1 + ETM2 + ETM3) ; ET'M5/(ETM1 + ETM2 + ETM3) ; ETM6/(ETM1 + ETM2 + ETM3) ; ETM4/ETM3 ;

ETM4/ETM5 ;