Techniques d’extraction des paramètres structuraux

Le critère de preuve structural considéré pour cette étude est le système de densité de fracturation. Ce paramètre est susceptible de favoriser la formation d’anfractuosités topographiques ainsi que la mise en place de roches hôtes potentiellement minéralisées (pegmatites granitiques).

Selon Li, (2010), les travaux de Walsh et al. (1986), comparant cinq techniques d’amélioration différentes (valeur moyenne de toutes les bandes, Analyse en composantes principales (ACP), taux de bande, égalisation d'histogramme et filtre passe-haut) ont montré que l’ACP est une technique efficace pour l'identification des linéaments. D’autre part, l’étude de Paganelli et al. (2003) a permis d’évaluer la pertinence de l’utilisation de la technique d'analyse des composantes principales (ACP) des images radars, pour la détection de caractéristiques linéaires géologiques. Les résultats ont montré que l’utilisation de l’ACP peut fournir une base d'image améliorée pour la cartographie structurale. En effet, les résultats ont montré entre autres que la bande PC2 de l’image RADARSAT-1, optimise la perception topographique inhérente aux images radar et conservent l'information relative à la réponse radar à la surface. Cela améliore notamment, l'interprétabilité des structures linéaires géologiques. Plus tard, les travaux de Adiri et al. (2017) ont montré qu’en plus des images Sentinel 1, des linéaments géologiques peuvent être extraits des bandes VNIR et SWIR des images OLI et ASTER. La technique utilisée dans notre étude s’appuie sur les travaux de Adiri et al. (2017). Elle a consisté à extraire des linéaments à partir des images radar et optiques Sentinel. L’ensemble du processus d’extraction automatique et de cartographie de la densité de linéaments peut être résumé dans l’organigramme de la figure 17.

Figure 17 : Organigramme méthodologique d’extraction automatique de linéaments.

Cette nouvelle approche méthodologique a permis de dépasser les procédures classiques habituelles et d'obtenir plus de linéaments pour la zone étudiée. Concrètement, il s’est agi d’extraire de façon automatique des linéaments issus d’images optiques multispectrales (VNIR et SWIR) et radars prétraités puis de valider les linéaments naturels extraits à partir de données de vérité terrain. A cet effet, les bandes B11 (SWIR) et B08 (NIR) ont été rééchantillonnées à 10 m de résolution. La bande C de polarisation VV de l’image Sentinel- 1 SAR IW GRD a été corrigée radiométriquement et géométriquement à 10 m de résolution. Ces bandes ont été utilisées pour extraire de façon automatique des linéaments sur toute la zone d’étude.

Concrètement, le logiciel SNAP a été utilisé pour réaliser une correction automatique des effets atmosphériques contenus dans les scènes Sentinel-2B MSI L1C. Ce qui a permis d’obtenir pour les bandes B02, B03, B04 et B08 à 10 m de résolution, des ortho-images de surface de réflectance de niveau 2A. Puis, la bande B11 (re échantillonnée à 10 m) et la bande B08 ont fait l’objet d’une analyse en composantes principales, de sorte à compresser les informations contenues dans les bandes initiales dans de nouveaux canaux appelés Composants Principaux (PC) (Zhang et al., 2007; Gabr et al., 2010; Adiri et al., 2015).

Cela permet d’éliminer la redondance des données, d’isoler le bruit et d’améliorer ensuite les informations ciblées dans l'image (Amer et al., 2012). Ensuite, une mosaïque d’images radar Sentinel-1 SAR IW GRD a été construite. Il s’est agi de la calibrer et de la corriger topographiquement en utilisant un modèle numérique STRM 3 arcsec (90 m de résolution) valable pour la zone d’étude. Les valeurs numériques ont été converties en amplitude Gamma0 de polarisation simple VV et le bruit ou chatoiement dans les images a été réduit à l’aide du filtre de Lee dans une fenêtre glissante de 3 x 3. Les images résultantes ont été converties et rééchantillonnées à une résolution de 10 m.

La technique d’extraction automatique de linéaments est basée sur un algorithme de détection automatique de lignes, de contours, d’angles et de distances dans les pixels de l’image. La boite à outils « Lineament extraction » du logiciel PCI Geomatica fournit l’algorithme. Les valeurs de ces caractéristiques sont calculées selon plusieurs paramètres. Les paramètres RADI (filter radius) et GTHR (Edge Gradient Threshold)) sont utilisés pour la détection de contours. Les paramètres LTHR (Curve Lenght Threshold) et FTHR (Line Fitting Threshold) pour la détection des lignes et les paramètres ATHR (Angular

Difference Threshold) et DTHR (Distance Linking Threshold) pour la détection des angles

dans les pixels de l’image. Les travaux menés par Corgne et al. (2010) et Hashim et al. (2013) recommandent d’utiliser une longueur minimale de 10 pixels comme seuil de détection LTHR acceptable ; une valeur comprise entre 3 et 8 pixels comme rayon de filtre RADI pour éviter l’introduction de bruit dans le processus ; une valeur comprise entre 10 et 70 pixels comme niveau minimum de détection de bordure GTHR et une valeur comprise entre 2 et 5 comme seuil maximal de tolérance FTHR pour ajuster une courbe en polyligne. Également, une valeur comprise entre 3 et 20 degrés est recommandée comme angle maximal ATHR à ne pas dépasser pour une liaison de deux polylignes. Enfin, une valeur comprise entre 10 et 45 pixels comme distance maximale DTHR est acceptable pour lier deux polylignes. Par conséquent, les paramètres suivants ont été utilisés dans le cadre de cette étude : RADI : 5; GTHR : 30; LTHR : 5; FTHR : 5; ATHR : 30 et DTHR : 30. Le résultat est une carte des linéaments naturels et androgènes couvrant toute la zone d’étude. Les linéaments naturels ont par la suite été discriminés, puis validés à l’aide de la littérature et des images satellites haute résolution disponibles sur la zone d’étude. Les cartes de

densité de linéaments validés et une rosace directionnelle régionale ont été construites dans un SIG.

Les valeurs de densités obtenues ont été extraites aux coordonnées géographiques de chaque entité composant les différents types de cibles minérales. Ces valeurs ont été assignées dans la table de données de prospection minérale et seront utilisées comme variables prédictives structurales dans le jeu de donnée d’apprentissage.