Introduction générale Les milieux naturels africains se marquent par le caractère difficilement accessible
Chapitre 2 Approche Méthodologique
2.2. Structure du modèle d‟estimation
2.2.2. Méthodes de traitement et d’interprétation 1 Chaînes de traitements d‟image
Les algorithmes utilisés pour l‟interprétation d‟images reposent sur des formulations mathématiques destinées à discriminer un maximum d‟informations à partir des propriétés physiques de l‟image elle-même et de l‟organisation spatiale des objets sur ces images. Ces algorithmes, empruntés à différents domaines (imagerie médicale, data mining, bio- informatique, intelligence artificielle), sont généralement spécifiques à une source, un élément et un type de résultat recherché (booléen, image, vecteurs). Les équations dérivées de la logique floue, de la recherche sémantique, des machines à vecteurs de support, des réseaux de neurones et des transformées en ondelettes figurent parmi les techniques les plus performantes pour l‟interprétation d‟image satellitaires.
Les chaînes de traitement d‟image que nous avons mis au point ciblent l‟interprétation de paramètres d‟occupation du sol, en maximisant l‟efficacité des algorithmes. Ces processus ont été implémentés sur le logiciel ArcGIS pour le traitement de l‟imagerie optique et ENVI pour le traitement de l‟imagerie radar. La souplesse d‟utilisation de ces deux logiciels a permis d‟une part de paramétrer et de tester un très grand nombre d‟algorithmes pour sélectionner le plus performant, et d‟autre part de développer un bloc de traitement opérationnel pour la cartographie de la traficabilité à l‟échelle régionale. Ces chaînes de traitement se divisent en trois groupes :
- l‟interprétation des images à moyenne et basse résolution Landsat et MODIS se base sur une analyse des paramètres d‟occupation du sol selon leurs propriétés spectrales. Chaque type de paramètres est ainsi extrait par une chaîne de traitement spécifique, que nous avons optimisée en raccourcissant le temps de calcul et les résultats les moins performants (Figure 17). Ces processus ne font intervenir l‟utilisateur qu‟à l‟initiation de l‟interprétation (apprentissage). L‟optimisation de ces chaînes et la qualification des résultats sont présentées au chapitre 4 ;
Figure 17 : Chaîne de traitement de l’imagerie multispectrale Landsat et MODIS
Les reconnaissances des types de sols, zones urbaines et barrières hydriques sont, pour l‟échelle régionale des diagnostics, extraites uniquement de l‟imagerie Landsat. Les produits EVI et NDVI MODIS sont calibrés à partir de l‟imagerie Landsat, pour une date identique. Cette chaîne est entièrement automatique.
- l‟interprétation des compositions colorées Quickbird est réalisée à partir de deux chaînes de traitements, que nous avons paramétrées et combinées sous conditions (Figure 18). La première chaîne segmente l‟image en polygones, qu‟elle classifie ensuite à partir de leurs critères de formes, de couleurs et de textures. La seconde chaîne discrimine les groupes de pixels de l‟image en définissant le meilleur hyperplan entre eux. Par cette méthode, nous conservons les meilleurs résultats par thème d‟occupation du sol. Le détail de ces analyses est présenté au chapitre 4 ;
Figure 18 : Chaîne de traitement de l’imagerie Quickbird
L‟interprétation de tous les éléments de l‟occupation du sol par imagerie Quickbird est réalisée en un seul processus de classification. La combinaison sélective consiste à ne conserver que les meilleurs résultats, quelles que soient les classes d‟objets reconnus. Le processus de traitement est ensuite reporté sur une dizaine de paysages types du Tchad méridional.
- le traitement des images radar nécessite plusieurs étapes de filtrages et de correction radiométrique (Figure 19). Ces capteurs étant nouveaux et la littérature correspondante étant limitée, nous avons donc mis au point une série de fonctions afin d‟extraire les surfaces éligibles pour la conversion du signal en valeur d‟humidité. Seules sont retenues les surfaces de sols nus, non labourés.
Figure 19 : Chaîne de traitement d’image radar mise au point dans l’étude.
Cette chaîne de traitement requiert de nombreuses interventions de l‟expert tout au long du processus (paramètres et types de filtrage, valeurs de seuillage, choix de la meilleure configuration, sélection des zones d‟échantillonnage). Elle intègre les sources Quickbird en tant que vérité terrain pour valider visuellement l‟homogénéité des zones d‟échantillonnage. La carte de teneur en eau ne concerne alors que les zones sélectionnées à la fin de la deuxième phase de pré-traitement. Le rééchantillonage de l‟image radar n‟est réalisé que lorsque le couple d‟images radar n‟est pas à une résolution identique. On procède alors à un sous- échantillonnage de l‟image la plus résolue par aggrégation. Ce processus n‟est toutefois envisagé que pour des images dont le mode d‟acquisition est identique (stripmap ou spotlight). La différence de résolution entre les deux images est alors d‟un facteur 2.
2.2.2.2. Chaîne de traitement des produits d‟humidité et de
praticabilité
Le traitement des produits d‟humidité GLDAS a pour objectif de produire une cartographie de la teneur en eau pondérale au pas de 90m à partir des valeurs de teneur en eau volumiques, exprimées au pas de résolution de 25 km. Ce processus est obtenu à partir de la spatialisation du poids volumique des sols, que nous avons calculé par traitement de l‟imagerie Landsat (Figure 20).
Nous ne faisons pas intervenir le Topographic Wetness Index (Beven et Kirkby, 1979) de manière systématique pour redistribuer les valeurs d‟humidité. Certaines hypothèses sur lesquelles il est fondé (notamment celle de débit continu) perdent leur validité dans les environnements à très faible dénivelé (Zhang et Montgomery, 1994 ; Kokkila, 2002), de type plaine d‟inondation. Son intégration dans la production de diagnostics de régions à fort dénivelé est discuté dans le chapitre 5.
Figure 20 : Chaîne de traitement des produits d’humidité GLDAS
Nous avons conservé le pas de temps des produits GLDAS de 3h. Ce processus étant entièrement automatique, le calcul de la teneur en eau pondérale est très rapide. On peut ainsi suivre l‟évolution de l‟humidité au cours d‟une journée et produire les diagnostics de traficabilité tout-terrain correspondants.
Les estimations trihoraires de précipitations du capteur TRMM (nommés par l‟acronyme 3B-42) sont produites en temps réel au pas de 20km (Kongoli et al., 2007, Vila
et al., 2007). Elles combinent les mesures radar de cinq instruments météorologiques (TMI,
TCI, SSM/I, AMSR-E et AMSU-B) pour ajuster les estimations infrarouges des satellites météorologiques (GOES, NOAA, MSG ; NASA, 2008). La comparaison de ces produits avec des stations au sol ont montré d‟une part une très bonne corrélation avec les mesures pluviométriques, et, d‟autre part, une correcte reproduction des régime saisonniers (Dubreuil
et al., 2007 ; Huffman & Bolvin, 2009).
L‟intégration de ces données requiert une phase de pré-traitement que nous avons automatisé. Les précipitations cumulées sont ensuite calculées à partir des estimations tri- horaires, puis intersectées avec le réseau routier. La carte de praticabilité est obtenue par reclassification du réseau et des hauteurs de précipitations journalières (Figure 21), par un arbre de décision dichotomique.
Figure 21 : Chaîne de traitement des produits de précipitation TRMM
2.2.2.3. Constitution d‟une base statique et mise à jour dynamique
La mesure de traficabilité est le résultat d‟une estimation dynamique. La complexité des traitements nous a amené à réfléchir à une construction logique du modèle permettant de disposer à l‟avance des informations pérennes et réduisant le temps de traitement de la mise à jour. Il se décompose en une base statique autour de laquelle s‟articule une partie dynamique (Figure 14).La base statique constitue l‟ensemble des informations issues des données d‟archives. Elle contient d‟une part, un fond cartographique regroupant les informations d‟occupation du sol et d‟autre part, la base de données pédologiques. Sur cette base viennent se greffer des informations climatologiques et les informations de mise à jour. La base de données routières est constituée au départ de données d‟archives (géométrie, revêtement et état), puis mise à jour régulièrement à chaque fin de saison des pluies.
Le fond cartographique est un fond raster, extrait de l‟imagerie satellitaire par des techniques de classification (cf 2.2.1.). La base de données sol renseigne chaque type de sol, reconnu à partir de leurs propriétés multispectrales, en caractéristiques géotechniques. La construction de cette base est présentée au chapitre 3. La base de données routières rassemble les caractéristiques d‟états pérennes (dégradation d‟usure) et évènementielles (dégradation instantanée lié à une crue), ainsi que le revêtement des routes principales.
La mise à jour du modèle concerne les données de précipitations et d‟humidité des sols. Elles sont calculées quotidiennement à partir des estimations à 3h. La température du sol et de l‟air, l‟humidité de l‟air, le flux radiatif et les vents n‟interviennent qu‟indirectement dans le diagnostic et ne seront pas détaillés dans cette étude. La valeur de résistance à la pénétration au cône est calculée en fonction de l‟humidité et du type de sol (cf. chapitre 4-4). Le diagnostic de praticabilité de la route est prononcé à partir de l‟accumulation des précipitations sur 24h.