Traitement des données SPOT

3.7.1. Compositions colorées

La composition colorée est une simple visualisation des structures observables sur l‟image à partir de l‟interprétation des couleurs. Elle est constituée à partir des trois canaux de l‟image SPOT5 : B1, B2 et B3 qui représentent respectivement les longueurs d‟onde du Vert, du Rouge et du Proche Infrarouge. Ces trois canaux sont combinés avec les couleurs standards en R G B en faisant correspondre le canal du Proche Infrarouge (B3) au R (Rouge), le canal du Rouge (B2) au G (Vert) et le canal du Vert au B (Bleu).

Limites de parcelles cacaoyères (2008-2009) Limites du LITIME pistescacao ! ( Villages échantillonnés Cultures Cacaoyers Cafeiers Occupation

arbres de hauteur moyenne

arbres peu élevés ou de hauteur irrégulière brousse secondaire

cultures itinérantes avec arbres cultures itinérantes sans arbres savane arborée dense savane arbustive claire savane arbustive dense

167

Figure 73 : Composition colorée de l'image SPOT5 à 2.5 m de résolution spatiale avec les combinaison des canaux 3 2 1 dans l'ordre des couleurs standards Rouge, Vert, Bleu.

L‟observation de la composition colorée (Figure 73) nous montre diverses structures qui peuvent être regroupées à l‟œil nu en quatre grandes structures : végétation dense, végétation claire, la végétation en formation et les sols nus. On observe aussi par endroit des structures sombres.

3.7.2. Correction géométrique de l’image SPOT

Les trois canaux de SPOT5 ont été corrigés géométriquement à deux reprises avec les données GPS de points des carrefours, des fermes et des pistes cacaoyères relevées sur le terrain en 2008 et en 2009.

La première correction a été réalisée uniquement avec 12 points de contrôle des fermes et des carrefours de la première année d‟observation en utilisant le logiciel ArcGis. Dans le cas de cette première correction, nous avons utilisé une méthode de simple translation. Cette méthode consiste à calculer d‟abord le décalage en X ( X) et le décalage en Y ( Y) pour chaque point GPS particulier (carrefours, fermes) dont on connaît les positions préalablement sur le terrain. Ensuite, nous avons déterminé le décalage moyen ( X) de tous les points de contrôle qu‟on a adapté ensuite à l‟image de base pour effectuer la correction. D‟après le tableau, le décalage moyen en X est X = -33.824375 et en Y, Y=-129.015 (Tableau 19). Dans le tableau, le couple de coordonnées (X1,Y1) constitue celui relatif aux points GPS réels rélévés au sol tandis que le couple de coordonnées (X2, Y2) désigne les nouveaux points de l‟image vers lesquels le décalage doit s‟opérer.

Végétation dense Végétation claire

Végétation en formation Sol nus

168

Tableau 19 : Les points de contrôle de géoéréférençement sous ArcGis de SPOT5 avec la méthode de translation.

L‟idée recherchée est de recalculer les nouvelles valeurs de coordonnées de l‟image de manière à ce qu‟elles concordent avec les coordonnées des points GPS. C‟est pour cela que nous calculons d‟abord le décalage élémentaire de chaque point ( X, Y) à partir d‟une positions 1 qui représente celle du point GPS de terrain et d‟une position 2 qui est le point de repère de l‟image. La détermination du décalage moyen en X et en Y ( X, Y) permet de caler l‟image satellite.

Mais les seuls points GPS des carrefours utilisés dans le cadre de la première correction sont insuffisants pour obtenir une meilleures erreur quadratique moyenne (RMSE). Alors nous avons rélévés au cours de notre deuxième mission de terrain de nouveaux points GPS à partir des carrefours et des pistes cacaoyères relevés en continu lors de nos déplaçements. Ces différentes données GPS ont permis de réaliser une deuxieme correction de l‟image satellite avec le logiciel de traitement Envi. Dans le cas de la deuxieme correction géométrique, nous avons utilisé 26 points d‟amers. Nous avons d‟abord appliqué la transformation géométrique de type RST (Rotation Scaling Translation) pour caler l‟image afin d‟eviter des déformations de pixels, ensuite nous avons utilisé une fonction polynomiale de premier ordre avec un ré-échatillonnage au plus proche voisin. Cette dernière transformation garde la même valeur radiométrique du pixel élémentaire de base à la fin de la procédure de correction.

3.7.3. Classification de l’image SPOT

Après la correction géométrique, une classification non supervisée basée l‟algorithme du k mean a été appliquée sur les trois canaux spectraux de SPOT5. Cette classification a été effectuée pour 30 classes et avec 100 itérations. L‟algorithme K mean est une technique de classification basée sur les „Distances Minimales‟. Cette technique partitionne les données en K classes qui ne se chevauchent pas. K représente le nombre de centroïdes dans la population et chaque classe contient les pixels qui sont proches d‟un centroïde.

GPS GPS IMAGE IMAGE DECALAGE X DECALAGE Y

station X1 Y1 X2 Y2 DX DY ANANIKOPE 228891,6 839736 228868 839584,07 -23,6 -151,93 AHLOKOPE 228435,8 840406,3 228408,27 840287,4 -27,53 -118,9 ABOTSIKOPE 1 227693,7 834191,1 227659,02 834066,69 -34,68 -124,41 ABOTSIKOPE 2 227901,9 834229,9 227876,21 834111,6 -25,69 -118,3 ABOTSIKOPE 3 227944,8 834090,8 227912,02 833956,92 -32,78 -133,88 OBILALEKOPE 1 228106,1 835487,5 228070,15 835357,19 -35,95 -130,31 OBILALEKOPE 2 228417,8 835180,5 228383,07 835065,29 -34,73 -115,21 BETHEL 228771,1 832987,8 228718,74 832855,69 -52,36 -132,11 BETHEL 229610,9 834033 229573,63 833901,8 -37,27 -131,2 ODOMI-ABRA 1 227853,4 830379,4 227797,88 830246,55 -55,52 -132,85 ODOMI-ABRA 2 227853,4 830398,1 227819,94 830266,64 -33,46 -131,46 DZOGBE 227875,2 827701,3 227855,58 827561,47 -19,62 -139,83 MANGUASSI 2 229713,8 821502,5 229673,89 821381,05 -39,91 -121,45 ITIMOGO 232352,9 820989,6 232318,17 820865,34 -34,73 -124,26 OBITCHE 1 233447 832214 233420,42 832087,49 -26,58 -126,51 OBITCHE 2 233448,6 832233,8 233421,82 832102,17 -26,78 -131,63 Moyenne -33,824375 -129,015

169

Les centroïdes sont positionnés par une procédure itérative qui les emmène progressivement dans leur position finale stable. Mais l‟avantage de cet algorithme, c‟est qu‟il est simple de conception et rapide avec de faibles exigences en taille de mémoire. Son inconvénient est que K est choisi en fonction d‟une simple visualisation, ce qui peut rendre l‟interprétation difficile surtout dans le cas d‟un grand nombre de données.

Les statistiques des classes ont été obtenues en combinant sous le logiciel „Envi‟ la classification à 30 classes et les trois canaux de l‟image de base. Ainsi pour chaque canal spectral, on a obtenu pour chaque classe, la moyenne radiométrique, l‟écart type, les minimums et les maximums. Les moyennes radiométriques de chaque classe ont été utilisées d‟une part pour calculer les valeurs de NDVI sur la base des statistiques des canaux du Rouge et du Proche Infrarouge. La radiométrie des classes est ainsi représentée sous forme de profils pour observer les caractéristiques des classes en fonction des différents canaux spectraux.

3.7.4. Composition de l’indice de végétation : ndvi

L‟Indice de Différence Normalisé de la Végétation Différence Normalisée : ndvi est un indicateur numérique simple qui peut être utilisé pour caractériser la végétation verte. Cet indice est simple de calcul et est plus utilisé pour comparer des couverts végétaux moins dense, permettant ainsi de distinguer nettement des couverts à forte activité chlorophyllienne par rapport aux couvert à faible activité chlorophyllienne ou rendre compte des objets abiotiques tels que les sols nus. Le ndvi a été calculé à partir des valeurs radiométriques des classes dans les canaux du Rouge et du Proche Infrarouge de l‟image SPOT-5. Les valeurs de ndvi varient entre -1 et 1. Ces valeurs ont été ré-étalées entre 0 et 255 de sorte à les représenter dans le même repère que les valeurs radiométriques des classes. Le ndvi ré-étalé constitue le ndvi transformé : ndvit. C‟est ainsi que les profils radiométriques des classes ont été obtenues.

3.7.5. Regroupement des 30 classes radiométriques en familles radiométriques Les 30 classes radiométriques ont été regroupées en familles radiométrique à partir de la classification hiérarchique ascendante (CHA) en appuis avec l‟interprétation des valeurs de ndvi des classes. La classification hiérarchique ascendante est un ensemble de techniques de classification non supervisées qui permettent de constituer des groupes d‟individus similaires sur la base de leurs distances de séparation. En effet, les individus qui fusionnent sont ceux qui admettent des distances de séparation faibles et ceux qui s‟en éloignent ont des distances de séparation fortes. La distance entre les individus est définie souvent par la distance euclidienne. Dans notre cas, la classification hiérarchique ascendante a permis de former des groupes de classes sur la base de leur radiométrie dans les trois bandes spectrale de l‟image SPOT5. Les résultats issus de cette classification sont présentés sous forme d‟arborescence dont l‟analyse permet d‟obtenir 16 familles radiométriques comme résultat.

170