Séries temporelles d’images Formosat-2

Formosat-2

Au cours de l’introduction, nous avons présenté les mérites des images de télédétection pour la production de cartes d’OCS, que ce procédé soit manuel ou automatique. Nous avons également abordé l’intérêt d’utiliser plusieurs images d’une même année afin de couvrir au maximum les différentes phases de la végétation sur un cycle phénologique. Cet intérêt motive le choix d’exploiter des séries temporelles d’images Formosat-2, qui concentre dans une série unique l’ensemble de l’information annuelle. Dans cette série, les différents canaux représentent les bandes spectrales aux différentes dates d’acquisition.

Formosat-2 est un satellite lancé par l’agence spatiale nationale de Taïwan en 2004. Pourvu d’une durée de vie estimée à 5 ans, il a cependant acquis des images durant 12 ans avant d’être mis hors service au cours de l’été 2016. Il disposait d’une caméraRemote Sensing Intrument(RSI)permettant l’acquisition d’images à

une résolution de 8 m sur 24 km d’emprise (tuile) avec la possibilité d’une acquisition au mieux quotidienne. Cette caméra offre une acquisition sur quatre bandes spectrales regroupés dans la table2.2

Table 2.2 : Bandes spectrales et longueurs d’onde associées pour Formosat-2. Bande Spectrale Longueur d’onde (nm)

Bleu (B) 450-520

Vert (V) 520-600

Rouge (R) 630-690

Proche InfraRouge (PIR) 760-900

Contrairement à Landsat et Sentinel-2, l’accès aux données était payant. Les images disponibles pour ces travaux ont donc été achetées pour les besoins du CESBIO, avant le début de cette thèse. Cependant, plus de huit années de données sont disponibles avec une répartition disparate telle que le montre la figure

2.2. Dans cette figure, pour les années de 2006 à 2013 les images disponibles en fonction du jour de l’année sont indiquées par les étoiles colorées. Les bandes colorées indiquent les différentes saisons. Chaque étoile est placée sur un axe vertical indiquant le pourcentage de nuages présents sur l’image. Notons, dans un premier constat, que certaines périodes souffrent d’une absence totale d’images, car ces images n’ont pas étés achetées en raison de la forte couverture nuageuse ou du faible taux de pixels exploitables.

Ce jeu de données a été privilégié par rapport à des jeux de données Landsat pour plusieurs raisons : le nombre d’années disponibles en continu, que nous n’avons pas sur les données Sentinel-2 ou Landsat 5 ou 8, ainsi que la résolution spatiale et temporelle meilleures que Landsat. Nous présenterons en fin de manuscrit des résultats obtenus avec les données Sentinel-2, afin d’évaluer le passage à l’échelle des méthodes.

Les images disponibles sont pré-traitées par l’algorithmeMulti-sensor Atmospheric Correction and Cloud

Screening (MACCS)[Hagolle et al., 2010], qui permet de corriger les effets de l’atmosphère sur les valeurs de

réflectances (produit N2A) et de fournir des masques de nuages, de bords, et de saturation.

Harmonisation des données

Dans la mesure où huit années de données peuvent être utilisées, nous devons procéder à l’harmonisation des nouvelles données à l’instar des données de référence. Nous réalisons tout d’abord un masque d’emprise commune en effectuant la somme de tous les masques de bords disponibles. Ensuite nous appliquons un seuil

sur cette somme afin de conserver une emprise maximale. Ce seuil a été arbitrairement fixé à 20 % du total d’images disponibles. Puis nous appliquons ce masque d’emprise commune à toutes les images, ainsi qu’à ceux de nuages et saturation. À partir de ces images, nous constituons les séries temporelles de chaque année. Pour couvrir l’intégralité du cycle agricole, le choix a été fait de réaliser des années de 14 mois du 1er_octobre

de l’année N − 1 au 31 décembre de l’année N (N est considérée comme l’année courante). Nous utilisons les images de 2006 uniquement pour compléter la série temporelle de 2007, ne disposant pas de données en 2005 d’une part, et d’autre part, les données de référence ne sont disponibles qu’à partir de 2007.

Octobre N-1_{Novembre N-1} Décembre N-1

Janvier Février Mars Avril Mai Juin Juillet Août

SeptembreOctobreNovembreDécembre

0

1000

1000

1000

1000

1000

1000

100

Couverture Nuageuse (%)

2008 : 15 images 2009 : 19 images2010 : 16 images 2011 : 16 images2012 : 16 images 2013 : 20 images

Figure 2.2 : Répartition des images (étoiles) Formosat-2 disponibles par année agronomique (octobre N − 1 à décembre N). Les bandes colorées indiquent un changement de saison. Les lignes en pointillés indiquent une faible proportion de nuage. L’écart entre une étoile et la ligne colorée correspondante implique une couverture nuageuse plus importante.

Une fois que l’on dispose des images avec la même emprise, nous souhaitons reconstruire des profils temporels continus (sans nuages). Nous utilisons une interpolation temporelle pixel à pixel permettant de corriger les valeurs aberrantes dans les séries temporelles. Il utilise une série temporelle de masque pour identifier tous les pixels nuageux, saturés et les éventuelles bordures communes. Pour un pixel masqué, sa nouvelle valeur est calculée par interpolation linéaire entre la valeur valide précédente et la suivante dans la série temporelle. Pour les extrémités de la série temporelle, la dernière valeur valide est dupliquée. Le choix de l’interpolation temporelle linéaire a été réalisé après des études de sensibilité sur les résultats de classification, en comparant l’interpolation linéaire avec une interpolation avec des splines. Un effet du la reconstruction des profils temporels est illustré dans la figure2.3.

L’interpolation offrant des performances acceptables, nous ré-échantillonnons les profils temporels sur une nouvelle grille d’acquisition commune à toutes les années. L’utilisation du ré-échantillonnage n’introduit qu’un faible taux d’erreur qui n’altèrent pas les performances des cartes ainsi obtenues [Inglada et al., 2015]. Cependant, comme toute méthode d’interpolation, la qualité du signal reconstruit dépend en grande partie de celle des données en entrée. Ainsi, pour les séries temporelles souffrant d’une longue absence consécutive d’images, l’interpolation sera moins pertinente que pour les séries temporelles dont les images sont mieux réparties sur le cycle phénologique. La figure2.2permet de déduire que l’interpolation pour les années 2007, 2008, 2009 sera de moins bonne qualité que les quatre autres.

Dans notre cas, nous cherchons à simuler une image valide mensuelle, en fixant un pas de temps à 28 jours. Le ré-échantillonnage temporel est optionnel. Mais celui-ci permet d’offrir des séries temporelles pour lesquelles la correspondance entre les canaux est assurée quelque soit les années considérées, puisque nous disposons des mêmes dates virtuelles d’acquisition. Cette astuce facilitera l’application de la plupart des méthodes abordées dans ce manuscrit.

Indices spectraux

À partir des séries temporelles ré-échantillonnées, nous calculons des indices spectraux. Les bandes spectrales de Formosat-2 nous permettent d’en calculer deux parmi les trois généralement utilisés pour la production de cartes d’OCS [Inglada et al., 2015] : leNormalised Difference Vegetation Index(NDVI) et la brillance.

Le troisième indice est leNormalised Difference Water Index (NDWI). Il permet de mettre en évidence

la présence d’eau par une combinaison des bandes spectrales PIRet Moyen InfraRouge (MIR). Cependant, Formosat-2 ne dispose pas de la bandeMIR.

La brillance est calculée comme la norme des bandes spectrales, cet indice est très utilisé pour caractériser les zones urbaines témoignant d’un fort contraste (toit/asphalte).

brillance=pB2+ V2+ R2+_{P IR}2_.

LeNDVIest utilisé pour caractériser la présence de végétation en combinant les bandes rouges etPIR:

N DV I= P IR− R

P IR+ R.

Cet indice normalisé est compris entre -1 et 1. Une valeur proche de 0 indique un sol nu et une valeur proche de 1 la présence de végétation. Les valeurs négatives correspondent souvent à des pixels d’ombre ou d’eau.

Ces indices sont calculés pour chaque date de la série temporelle après ré-échantillonnage temporel. Au total la série temporelle de réflectance et les indices spectraux associés constituent une image de 108 bandes.