Exploitation des images satellitaires Modis-Terra pour la caractérisation des états de surface : cas de la Tunisie

DJAMAI NAJIB

EXPLOITATION DES IMAGES SATELLITAIRES

MODIS-TERRA POUR LA CARACTÉRISATION DES

ÉTATS DE SURFACE

Cas de la Tunisie

Mémoire présenté

à la Faculté des études supérieures de l'Université Laval dans le cadre du programme de maitrise en Sciences Géomatiques

pour l'obtention du grade Maître es sciences (M.Sc)

DEPARTEMENT DES SCIENCES GEOMATIQUES

FACULTÉ DE FORESTERIE, DE GÉOGRAPHIE ET DE GÉOMATIQUE UNIVERSITÉ LAVAL

QUÉBEC 2010

DJAMAI NAJIB

EXPLOITATION DES IMAGES SATELLITAIRES

MODIS-TERRA POUR LA CARACTÉRISATION DES

ÉTATS DE SURFACE

Cas de la Tunisie

Mémoire présenté

à la Faculté des études supérieures de l'Université Laval dans le cadre du programme de maitrise en Sciences Géomatiques

pour l'obtention du grade Maître es sciences (M.Sc)

DEPARTEMENT DES SCIENCES GEOMATIQUES

FACULTÉ DE FORESTERIE, DE GÉOGRAPHIE ET DE GÉOMATIQUE UNIVERSITÉ LAVAL

QUÉBEC 2010

Résumé

Bien que de nombreuses incertitudes demeurent sur la rapidité, l'amplitude et la répartition géographique du changement climatique, sa réalité fait aujourd'hui consensus au sein de la communauté scientifique, et l'occurrence des sécheresses et des dégradations du couvert végétal et des zones humides dans tous les continents soulignent l'importance de ce phénomène. Les pays de l'Afrique du nord, et la Tunisie en particulier, sont parmi les régions les plus vulnérables à cause de leurs situations géographiques particulières limitées par le Sahara au sud et la mer au nord. Dans ce contexte de changement global, le suivi spatio-temporel de l'état de surface en Tunisie permettra de comprendre l'étendue, l'amplitude et le déroulement de ce phénomène dans la région.

Les images satellitaires hebdomadaires de MODIS-Terra épurées des effets atmosphériques, des nuages et de leur ombre et ayant de bonnes résolutions temporelle et radiométrique sont un bon outil pour le suivi temporel de l'état de surface. Ainsi, des méthodes de classification non supervisée (ISODATA) et supervisée (Maximum de vraisemblance et Fuzzy) sont utilisées pour les classifier. Elles aboutissent à des séries temporelles traduisant l'évolution des surfaces occupées par les sols secs, les sols humides, la végétation et les plans d'eau de 2000 à 2009 ainsi qu'à la détection de leur changement. L'analyse spectrale et le filtrage numérique ont servi pour montrer que l'évolution temporelle de ces quatre classes est à la base annuelle, et qu'elle est liée à la pluviométrie. Cependant, une variabilité à grande échelle, à l'ordre de 8-9 ans, peut être mise en question à cause de sa faible puissance dans les séries temporelles de 10 ans obtenues.

Mots-clés : MODID-Terra, ISODATA, Maximum de vraisemblance, Fuzzy classification, Analyse spectrale, Filtrage numérique

Abstract

Although many uncertainties remain about the speed, the magnitude and the geographical distribution of climate change, its reality is nowadays consensus within the scientific community. The occurrence of droughts and the degradation of vegetation cover and wetlands in all continents underline the importance of this phenomenon. North Africa's countries, and in particular Tunisia, are among the most vulnerable areas due to their special geographical situations limited by the Sahara in the south and the sea in the north. In this context of global change, spatial-temporal monitoring of the surface state in Tunisia will be a good source for policy makers and scientists.

Weekly MODIS-Terra's Satellite images purged of atmospheric effects, clouds and its shadows, have good temporal and radiometric resolutions. They are excellent tools for time tracking of the surface state. Thus, unsupervised (ISODATA) and supervised classification methods (Maximum Likelihood and Fuzzy classification) are used to allowing for identifying on the time series reflecting the evolution of the area occupied by dry soils, wet soils, vegetation and water from 2000 to 2009. Spectral analysis and digital filtering were used to show that the temporal evolution of these classes is essentially annual, and is closely related to rainfall. However, a large-scale variability (8-9 years) may be highlighted; it may appear clearer if series of period longer than 10 year are disposed

Keywords: MODID-Terra, ISODATA, Likelihood classification, Fuzzy classification, spectral analysis, digital filtering

Avant-propos

Ce travail n'aurait pu se réaliser sans la collaboration de plusieurs personnes et organismes. Je désire en premier lieu remercier mes directeurs de recherche Marc Cocard et Valéry Gond pour leurs conseils et leurs soutiens scientifiques. Mes remerciements également à Alfonso Condal, un professeur chercheur à l'université Laval, pour sa collaboration et ses précieuses informations.

Je tiens à remercier le Ministère Tunisien des Études Supérieures et la Mission Universitaire de la Tunisie en Amérique du Nord pour leurs soutiens financiers. Je remercie également l'Institut National de la Météorologie de la Tunisie pour leurs données et M. Hsan Saidi, M.Jmaiel Elhajri et pour leurs informations et leurs conseils.

« Je dédie ce travail à ma mère, mes frères et sœurs et tous mes ami(e)s »

Table des matières

Résumé ii Abstract iii Avant-propos iv Table des matières vi Liste des tableaux viii Liste des figures x 1. Introduction 14 2. Objectifs 15 3. Mise en contexte 16

3.1. Présentation de la zone d'étude 16

3.1.1. Présentation générale 16 3.1.2. La topographie et les ressources hydriques 16

3.1.3. Les conditions climatiques 19 3.2. Caractéristiques des types d'occupation du sol cherchés 21

3.3. Présentation de la source des données 23

3.3.1. Choix du satellite 23 3.3.2. Donnée générales sur l'instrument MODIS-Terra 25

3.3.3. Inventaire des données 27

4. Méthodologie 30 4.1. Cartographie des plans d'eau avec le CLDVW 32

4.2. Classification des images satellitaire 34 4.2.1. Classification non supervisée : ISODATA 35

4.2.2. Classification supervisée 36 4.3. Étude des séries temporelles 38

4.3.1. Analyse spectrale 38 4.3.2. Filtrage numérique 39 5. Préparation et traitement des données 42

5.1. Acquisition des données 42 5.2. Description de « Surface Reflectance 8-Day L3 Global 500m » 42

5.3. Sélection des bandes 44 5.4. Prétraitement des données 45

5.4.1. Généralités 45 5.4.2. Traitement des images MOD09A1 47

5.4.3. Délimitation du domaine d'étude : masquage des frontières 48

5.4.4. Masquage des nuages 53 5.4.5. Nettoyage des données 59 6. Résultats et discussions 60 6.1. Cartographie des plans d'eau avec le contraste local du DVW 60

6.2. Classification non supervisée et validation des classes 61

6.2.1. Classification 62 6.2.2. Regroupement des classes 65

6.2.3. Généralisation 69 6.2.4. Sélection des pixels d'entrainement 74

6.2.6. Classification avec la méthode « Fuzzy classification » 83 6.2.7. Validation de l'évolution temporelle de la végétation avec l'indice de végétation

NDVI 84

6.2.8. Étude des séries temporelles de l'évolution de l'état de surface 85 7. Étude du lien entre l'évolution de l'état de la surface et la pluviométrie 89 7.1. La distribution spatio-temporelle de la pluviométrie en Tunisie 90 7.2. Étude du lien entre la pluviométrie et l'occupation du sol en Tunisie 96

Conclusion 100 Bibliographie 102

Liste des tableaux

Tableau 1 : Répartition géographique du potentiel hydrique moyen en Tunisie (Source :

Direction Générale des Ressources en Eau de Tunisie) 17 Tableau 3: Spécifications techniques de MODIS-Terra 26 Tableau 4: Les bandes de fréquence de MODIS-TERRA 27 Tableau 5: Description du fichier « Surface Reflectance 8-Day L3 Global 500m » 43

Tableau 6: Répartition des valeurs de la réflectance relatives aux différentes bandes

utilisées de MODIS-Terra (en %) 47 Tableau 7: Le contenu du fichier « 500m State Flags » 54

Tableau 8: Comparaison des bandes spectrales (rouge, proche infrarouge et proche

infrarouge) de MODIS-Terra et celles de VEGETATION (SPOT-4) 60 Tableau 9: La superficie occupée par chacun des classes obtenues avec la méthode

ISODATA 63 Tableau 10: Les vecteurs moyens des classes obtenues avec la méthode ISODATA 63

Tableau 11: Les écart-types des classes obtenues avec la méthode ISODATA 63 Tableau 12: Les centres des quatre superclasses calculés à partir des signatures spectrales66

Tableau 13: Les distances des dix classes aux centres des quatre superclasses 66 Tableau 11 : Changement des pourcentages des surfaces occupées par les quatre classes en

passant du regroupement à partir de 10 classes au regroupement à partir de 20 classes (du regroupement à partir de 20 classes au regroupement à partir de 10 classes) 70 Tableau 12: Les vecteurs moyens (VM) et les matrices de variance covariances (MVC)

relatives aux différentes superclasses 76 Tableau 13: La différence entre les résultats du maximum de vraisemblance et ceux de «

Fuzzy classification » 84 Tableau 14: Le déphasage entre les variations annuelles des quatre superclasses (en jours)

85

Tableau 15: Les bandes passantes des filtres 87 Tableau 16: Quelques statistiques sur la variabilité annuelle des superficies occupées par les

Tableau 18: Le décalage entre les quatre classes et la pluviométrie (en mois) 98 Tableau 18: le taux de chaque type des zones de classe variable et celui des zones de classe

stable par rapport à la surface totale de la Tunisie 99

Liste des figures

Figure 3.1 : La carte topographique de la Tunisie (Source : Direction Générale des

Ressources en Eaux) 18 Figure 3.2: La carte climatique de la Tunisie (Source : Institut National de la Météorologie)

20 Figure 3.3: Exemples des plans d'eau en Tunisie (Atlas des Paysages de la Tunisie) 21 Figure 3.4: Exemples de classe de végétation (Atlas des Paysages de la Tunisie) 21 Figure 3.5: Exemples des zones humides en Tunisie (Atlas des Paysages de la Tunisie) ...22

Figure 3.6: Exemples des sols secs en Tunisie (Atlas des Paysages de la Tunisie) 22 Figure 3.7: La répartition spectrale des bandes de MODIS-Terra comparée à celles d'autres

instruments 25 Figure 3.8: Le satellite Terra 26

Figure 3.9: La grille sinusoïdale de MODIS avec un exemple d'une une image RGB

acquises le 3 décembre 2006 à la côte Est des Etats-Unis 28 Figure 3.10: Les indicatrices de déformation de Tissot de la projection sinusoïdale 30

Figure 4.1 : Représentation matricielle d'une image multi-spectrale 35 Figure 4.2: Schéma explicatif de la méthode de classification ISODATA (Source: Richards

A., R., Remote Sensing Digital Image Analysis) 36 Figure 4.3: Exemple d'un pixel partagé entre trois classes 37 Figure 4.4: Schéma explicatif de l'analyse spectrale et le filtrage numérique 40

Figure 4.5: Schéma représentatif du calcul des bandes passantes d'un filtre 41

Figure 5.1 : La zone d'étude prise par les sept premières bandes de MODIS-Terra 44 Figure 5.2: Les sept premières bandes de MODIS-Terra comparés aux signatures spectrales

des quatre objets cherchés 45 Figure 5.3: Exemple d'interpolation des valeurs de réflectance erronées 47

Figure 5.4: Exemple de traitement de l'image du 25 janvier 2003 prise avec la bande rouge

de MODIS-Terra 48 Figure 5.5: La superficie occupée par la cellule hl8v5 : Tunisie et des parties de l'Algérie,

de la Lybie, du Méditerranée et de l'Europe 48 Figure 5.6: Les limites politiques de la Tunisie en coordonnées géographique (à gauche) et

en projection sinusoïdale (à droite) 49 Figure 5.7: Illustration de la cellule h 18v5 51 Figure 5.8: Le masque de délimitation de la zone d'étude 52

Figure 5.9: Schéma explicatif de l'opération de masquage 52 Figure 5.10: Exemples d'images contaminées par les nuages : images prises par la bande

bleue de MODIS-Terra le 18 février 2000 et 22 mars 2002 53 Figure 5.11 : Exemple de deux situations nuageuses prise avec la bande bleu (a : 18 février

2000 et c : 22 mars 2002) et leurs masques correspondants (b et d) 56 Figure 5.12: Pourcentage d'occupation par le nuage de chaque pixel entre 2000 et 2009... 57

Figure 5.14: Répartition des images disponibles selon le taux du nuage quelles contiennent 58

Figure 6.1 : Carte des plans d'eau en Tunisie interprété avec la méthode CLDVW 61 Figure 6.2: Exemple de deux sous classes de sol sec qui chevauchent avec une superclasse

différente 62 Figure 6.3: La répartition spatiale des dix classes obtenues avec la méthode ISODATA ...64

Figure 6.4: Les réponses spectrales des classes obtenues avec la méthode ISODATA 65 Figure 6.5: Les signatures spectrales du sol sec, du sol humide, de la végétation et de l'eau

66 Figure 6. 6: Les ellipsoïdes représentatifs des dix classes obtenues avec ISODATA (a) et

ceux des superclasses obtenus après regroupement (b) 68 Figure 6.7: La répartition spatiale des quatre superclasses obtenues après regroupement (b)

des dix classes obtenues avec ISODATA (b) 69 Figure 6.9: a- La répartition spatiale des vingt classes obtenues avec ISODATA 70

Figure 6.8: Exemple de calcul de la moyenne de l'hiver de la bande 6 71 Figure 6.10: La classification ISODATA des moyennes saisonnières 72 Figure 6.11 : Le regroupement de classes trouvées avec ISODATA des moyennes

saisonnières 72 Figure 6.12: Répartition des étages bioclimatiques en Tunisie (Source: M. Ben Dhia, 1996)

73

Figure 6.13: a- La répartition spatiale des pixels d'entrainement choisis 75 Figure 6.14: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau

en Tunisie à 22 (a) et 30 (b) avril 2000 77 Figure 6.15: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau

en Tunisie aux différents saisons 78 Figure 6.16: La répartition spatiale moyenne des sols secs, sols humides, végétations et

plans d'eau en Tunisie de 2000 à 2009 79 Figure 6.17: Les cartes traduisant la fréquence de l'occupation par le sol sec (a), la

végétation (b), le sol humide (c) et les plans d'eau (d) entre 2000 et 2009 81 Figure 6.18: La variation des superficies occupées par le sol sec, le sol humide, la

végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et

2009 82 Figure 6.19: La variation des superficies occupées par le sol sec, le sol humide, la

végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et

2009 83 Figure 6.20: Comparaison entre la variation de la superficie occupée par la végétation

trouvé avec le maximum de vraisemblance et celle trouvée avec le NDVI 84 Figure 6.21 : Spectres des séries d'évolutions des surfaces occupées par les sols secs, les sols

humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009 86 Figure 6.22: La variation annuelle des séries d'évolutions des surface occupées par les sols

secs, les sols humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009 87 Figure 6. 23: Les variabilités de 8-9 ans des sols secs et des sols humides (en rouge) 88

Figure 7. 1 : La distribution spatiale des stations de mesure utilisées par GPCP (juillet 2006)

Source(http://www.dwd.de) 89 Figure 7. 2: La distribution spatiale de la pluviométrie mensuelle moyenne en Tunisie entre

2000 et 2007 91 Figure 7. 3: La distribution spatiale de la pluviométrie mensuelle moyenne par saison en

Tunisie entre 2000 et 2007 92 Figure 7. 4: La pluviométrie mensuelle moyenne en Tunisie entre 2000 et 2007 93

Figure 7. 5: Spectre de la pluviométrie mensuelle moyenne en Tunisie entre 2000 et 200794 Figure 7. 6: Les trois variabilités de la pluviométrie en Tunisie et leur composition entre

2000 et 2007 96 Figure 7. 7: Comparaison entre l'évolution des surfaces occupées par le sol sec, le sol

humide, la végétation et les plans d'eau et celle de la pluviométrie entre 2000 et 2007 97 Figure 7. 8: Le cycle pluviométrie, plans d'eau, végétation, sol humide, sol sec,

pluviométrie 99

1. Introduction

Bien que de nombreuses incertitudes demeurent sur la rapidité, l'amplitude et la répartition géographique du changement climatique, sa réalité fait aujourd'hui consensus au sein de la communauté scientifique et ses conséquences auront des impacts majeurs sur nos sociétés, en bouleversant les écosystèmes, la répartition de la population, la disponibilité des ressources naturelles et nos modes de vie.

Depuis quelques années, plusieurs études ont porté sur ces changements planétaires, dont plusieurs se sont intéressées aux sécheresses, désertifications et au manque des ressources en eaux et des zones humides qui sont les conséquences les plus néfastes (Wilhite et Glantz, 1985; Kogan et Sullivan, 1993; Kogan, 1997; Park et al, 2004; Jang, 2004). En l'occurrence, depuis les dernières années, d'importantes sécheresses occupant de grands territoires sur tous les continents soulignent l'importance de ce phénomène. Leurs effets sont d'ordre économique, environnemental et social. Ils peuvent être désastreux, voir mortels dans les pays sous-développés. Selon certains scénarios, la fréquence et l'impact des sécheresses risquent d'augmenter dans les années à venir.

Les pays de l'Afrique du nord, et la Tunisie en particulier, sont parmi les régions les plus vulnérables par ce type de changement climatique à cause de leurs situations géographiques particulières limitées par le Sahara au sud et la mer au nord. Dans ces régions, les plans d'eau et les zones humides ont un rôle socioéconomique et environnemental très important, ce qui invite fortement à les protéger. Dans ce contexte de changement global, la cartographie et le suivi des changements spatiotemporels que subit l'occupation du sol en matière de plans d'eau, de zones humides et de couverture végétale ainsi que des surfaces occupées par les sols secs sont un apport important pour la gestion de ses ressources et pour la compréhension de leurs variabilités.

Par contre, la caractérisation des plans d'eau et des zones humides est une opération difficile et coûteuse qui demande beaucoup de temps surtout dans des régions où ces zones sont très fluctuantes car leurs surfaces occupées sont entièrement reliées au rythme des pluies. Il existe des outils in-situ utilisés pour ces fins, ils sont basés sur un réseau de

stations hydrométéorologiques qui fournissent des données ponctuelles sur une période de temps et des régions données. Ces réseaux sont parfois peu représentatifs car trop peu de stations, souvent mal situées, les constituent. De plus, l'augmentation des coûts associés au suivi des données et à l'entretien des réseaux surtout dans les régions désertiques fait en sorte qu'il est prévisible que ces derniers diminueront dans les années à venir. Il est donc important de se doter d'outils et des nouvelles méthodes plus performantes pour suivre régulièrement et de façon continue dans l'espace et le temps l'état de ces surfaces.

L'imagerie satellitaire offre des nouvelles possibilités pour surveiller de tels phénomènes puisqu'elles permettent une bonne couverture spatiale, une périodicité d'observations avec des résolutions spatiales et temporelles importantes. Ainsi, nous essayons dans cette étude d'évaluer le potentiel de l'imagerie satellitaire, et les images de MODIS-Terra en particulier, pour le suivi et la caractérisation des conditions de sécheresse et la cartographie des plans d'eau et des zones humides dans un milieu aride, comme la Tunisie.

2. Objectifs

L'objectif essentiel de ce travail est d'apprécier l'apport de MODIS-Terra pour le suivi temporel de l'état de surface. Il s'agit d'étudier les variabilités spatio-temporelles des surfaces occupées par les sols secs, les sols humides, la végétation et les plans d'eau en Tunisie de 2000 à 2009 et détecter les changements qu'y parviennent.

Au terme de cet étude, nous souhaitons ajuster des cartes qui montrent l'étendu spatial des sols secs, des sols humides, de la végétation et des plans d'eau tout au long de la période d'étude, ainsi que trouver les principaux variabilités qui gouvernent la variation temporelle de leurs surfaces occupées. Ce type des variabilités permettront de décider sur l'impacte du changement climatique sur l'état de surface d'une des régions les plus menacées et sur l'existence des certaines périodicités dans les séries temporelles.

Cependant, la préparation du jeu des données, la définition d'une approche pour détecter chacun des quatre classes et la validation des séries temporelles traduisant l'évolution des

surfaces occupées par les quatre classes sont des objectifs intermédiaires important qui permettent l'élaboration de l'objectif principal. L'étude du lien entre ses séries temporelles avec la pluviométrie sera aussi un objectif qui permettra , d'une certaine façon, la validation des séries temporelles trouvées et mettre le phénomène de la sécheresse et la dégradation du couvert végétal, des zones humides et des plans d'eau dans un contexte naturel sous forme d'un cycle de vie.

Sous entendu, la qualité des données utilisées et la performance des méthodes de classification utilisées auront un rôle déterminant sur la qualité des résultats cherchés, et le recours tant que possible aux mesures in-situ et aux résultats antérieurs n'ont qu'à valider plus la qualité ces résultats.

3. Mise en contexte

3.1. Présentation de la zone d'étude

3.1.1. Présentation générale

La Tunisie est située au nord du continent Africain entre les latitudes 30° et 38° nord et 7° et 12° est, limitée par la Mer Méditerranée au nord et à l'est, par l'Algérie à l'ouest et par la Lybie au sud-est. Sa superficie est de 163 610 km2.

3.1.2. La topographie et les ressources hydriques

Comme le montre la figure 3.1, la surface occupée par la Tunisie est caractérisée par : Deux régions montagneuses : la première est située au sud-est et la deuxième est au centre ouest du pays où se situe le point culminant : Djebel Chambi (latitude : 35°12' N, longitude : 8°41' E, h : 1 544 mètres) ;

- Une large plaine désertique au sud (le Sahara) qui occupe près de 40 % de la surface totale du pays ;

Un seul cours d'eau permanent, la Medjerda, qui traverse transversalement le nord tunisien de l'ouest vers l'est ;

- Des plans d'eau permanents (lacs) tel que lac de Tunis (40 km2), lac d'Ichkeul (100 km2) et lac de Bizerte (120 km2) ;

Des régions humides quasi permanentes comme Chott-Djérid (au sud ouest), Sebkha Sidi-El-Héni (au centre Est), (voir figure 3.1)

Les eaux de surface présentent les principales sources hydriques du pays : sur 4,6. 106 m3

d'eaux disponibles, il y a 2,7. 106 m3 en eaux de surface et 1,8. 106 m3 en eaux

souterraines. Les ressources superficielles se caractérisent par des fluctuations importantes au cours de l'année et leur dépendance de l'apport annuel de pluie : le nord abrite les principaux cours d'eaux, il reçoit les plus grandes quantités de précipitation et fournit 82 % des ressources en eau du pays. Le centre du pays est subhumide en général. Il se caractérise par des apports pluviométriques moyens. Le sud est caractérisé par l'aridité et l'endoréisme.

Tableau 1 : Répartition géographique du potentiel hydrique moyen en Tunisie (Source : Direction Générale des Ressources en Eau de Tunisie)

Ressources Eaux de surface (Mm3) Nappes phréatiques (Mm3) Nappes profondes (Mm3) Total des nappes (Mm3) Total général (Mm3) Nord 2190 371 183 554 2744 Centre 320 199 254 454 774 Sud 190 97 733 831 1021 Total 2700 669 1171 1840 4540 17

Figure 3.1: La carte topographique de la Tunisie (Source : Direction Générale des Ressources en Eaux)

3.1.3. Les conditions climatiques

La Tunisie est située dans une zone tempérée chaude. Elle est caractérisée par trois grandes zones climatiques distinguées (voir figure 3.2).

Au nord, le climat est méditerranéen influencé par les vents du nord humides qui soufflent à partir de l'Europe. Il est caractérisé par des hivers doux et humides et des étés chauds et secs. C'est la région la plus pluvieuse du pays, la pluviométrie est maximale en hiver et atteint 1500 mm par ans. Les températures sont généralement douces en été, ils n'excèdent pas 35°C. En hiver, elles atteignent parfois quelques degrés en dessous du zéro le jour et encore plus basses la nuit surtout dans la coté Ouest, là où la neige peut tomber de temps en temps. Cette région occupe à peu près le sixième de la surface totale du pays. Elle est plus large dans la coté ouest que dans la coté est.

Le centre est caractérisé par un climat semi aride. Il occupe presque le cinq douzième de la surface totale du pays. La surface occupée par cette zone semi aride est partagée entre les monts à l'Oust et les pleines côtières à l'Est où la mer joue un rôle important pour modérer le climat. Le climat de cette région est variable. Les températures sont élevées l'été avec une moyenne de 38°C. En hiver, elles sont modérées dans la cotés est et faibles dans la coté Ouest. La pluviométrie est maximale en hiver avec une moyenne annuelle de 700 mm par ans et la précipitation solide est rare, mais elle peut avoir lieu sur les monts.

Le sud est une vaste région désertique qui occupe presque le un tiers de la surface totale du pays. Son climat est influencé par le vent sec, le Sirocco, qui souffle à partir du Sahara. Les températures varient beaucoup entre l'hiver et l'été et entre le jour et la nuit. En hiver, les températures sont basses surtout la nuit, elles peuvent descendre jusqu'au quelques degrés en dessous de zéro. Par contre en été, elles atteignent les 45°C, le jour. Dans cette région, la pluviométrie est très faible, elle ne dépasse pas parfois 100 mm/ ans.

3.2. Caractéristiques des types d'occupation du sol cherchés

Plan d'eau : C'est une surface occupée par l'eau libre. Elle peut aller d'un grand lac à un petit cours d'eau détectable avec la résolution spatiale considérée.

(a) (b) (c) Figure 3.3: Exemples des plans d'eau en Tunisie (Atlas des Paysages de la Tunisie)

a- Plan d'eau à Sebkhat Sidi-El-Hani (partie inondée) b- Plan d'eau à Chott-Djérid (partie inondée)

c- Lac Ichkeul

Végétation : C'est une surface occupée par de la végétation assez développée. En fait, la végétation peut cacher un sol humide ou bien un plan d'eaux, dans ce cas là le tout sera considéré comme végétation.

(=0 0) (c)

Figure 3.4: Exemples de classe de végétation (Atlas des Paysages de la Tunisie) a- Foret de Chaambi (centre-ouest)

b- Ain Draham (nord-ouest) c- Cap Bon (nord-est)

Sol humide : C'est une classe de sol intermédiaire entre un plan d'eau et un sol sec. Il regroupe les sols humides sans être occupées par l'eau libre, les parcelles faiblement humides avec des végétations dispersées. Dès que la végétation se développe considérablement sur ce type de sol, il sera considéré comme végétation et non comme sol humide. Dans notre zone d'étude, les régions montagneuses (centre-ouest et sud-est) contiennent généralement des végétations dispersées. Elles seront considérés comme des sols humides.

(a) 0>) (c) Figure 3.5: Exemples des zones humides en Tunisie (Atlas des Paysages de la Tunisie)

a- Zone peu humide avec une végétation peu développée (centre-ouest) b- b- Sebkhat Sidi-EL-Hani (une partie humide et une partie inondée) c- c- Chott Djérid (période non inondée)

Sol sec : C'est un sol dénudé avec une humidité ou proche de zéro (exemple Sahara).

3.3. Présentation de la source des données

De plus en plus, la télédétection acquiert un rôle fondamental dans les études environnementales en général. Comme son nom l'indique, cette discipline repose sur l'acquisition d'information à distance, sans contact direct avec l'objet détecté. Sa définition officielle donnée par COMITAS (1988) est « l'ensemble des connaissances et techniques utilisées pour déterminer des caractéristiques physiques et biologiques d'objets par des mesures effectuées à distance, sans contact matériel avec ceux-ci ». Les satellites artificiels rendent de grands services à la télédétection. Ils sont caractérisés par une stabilité et des champs de vision importantes ainsi que des époques de mesures périodiques, régulières et continues, ce qu'ils permettent d'être la source des données les plus performantes pour le suivi de l'état de surface.

3.3.1. Choix du satellite

Le choix de source des données à utiliser dépend des objectifs soulignés et aux moyens mis en disposition. Un inventaire des différents capteurs disponibles, notre choix a porté sur l'instrument MODIS-Terra comme outil principal de notre étude.

Ce choix préférentiel des données fournies par MODIS-Terra se justifie par les caractéristiques suivantes:

- Un bon compromis entre la haute résolution temporelle et la résolution spatiale (500 m, ce qui représente une précision surfacique 6 fois plus fine que celle du capteur spécialement destiné à l'étude du couvert végétal, à savoir SPOT-VEGETATION, ou même NOAA-AVHRR1.

Une très bonne résolution spectrale (2 à 7 fois celle de SPOT-VEGETATION);

National Oceanic and Atomspheric Administration - Advanced Very High Resolution Radiometer

L'existence d'un réseau de points de contrôle au sol amenant la précision de la géolocalisation à 45m (géoréférencement). Ceci engendre une probabilité de corrélation entre le pixel et le terrain de 65%, au lieu de 13% sans le réseau de points au sol (Ground Control Points). Cette probabilité augmente avec le nombre de points pris en compte (MOD09 User's Guide: http://modis-sr.ltdri.org);

MODIS dispose d'un ensemble de calibration et d'étalonnage radiométriques internes au capteur (MOD09 User's Guide: http://modis-sr.ltdri.org);

Les corrections géométriques et atmosphériques à de haute précision effectuées sur ce produit (MOD09 User's Guide: http://modis-sr.ltdri.org);

Le passage au dessus de la zone d'étude, la Tunisie, à une heure optimale pour avoir une bonne qualité des images (aux alentours de 1 lh local): un angle solaire faible (soleil proche du nadir) et une probabilité de couverture nuageuse plus faible le matin qu'en après-midi;

L'utilisation d'images composites 8 jours : ceci permet de construire, à partir des images quotidiennes, une image composée par les pixels les moins affectés par les nuages et ceux qui possèdent les angles zénithaux les plus importantes;

Ces données de très bonne qualité sont disponibles gratuitement par l'intermédiaire du Land Processes Distributed Active Archive Center (LP DAAC) de la NASA.

IHHWi i llllll

DD a

i 11

m a n

I N I

CH

□

3 4 111

L _

Figure 3.7: La répartition spectrale des bandes de MODIS-Terra comparée à celles d'autres instruments

3.3.2. Donnée générales sur l'instrument MODIS-Terra

- Terra

TERRA est le premier satellite du programme EOS, lancé par la fusée Atlas HAS à partir de la station Vandenberg AFB le 18 décembre 1999. Il est sur une orbite héliosynchrone polaire à une altitude de 705 km. Il balaye la surface de la terre toute entière chaque 1 à 2 jours. La prise de mesures ont commencé depuis le 24 février 2000.

C'est un projet multidisciplinaire géré par la NASA en partenariat avec les agences spatiales canadienne et japonaise et avec la contribution du JPL (Jet Propulsion Laboratory) et de l'LRC (Langley Research Center) dans le but de surveiller l'état de l'environnement terrestre et les changements qu'ils peuvent avoir lieu. Il fournit des mesures sur les propriétés physiques et radiatives des nuages, les échanges d'énergie, les échanges de carbone, et les échanges d'eau (air/terre et air/mer), les traces des gaz et les volcans grâce aux cinq instruments :

ASTER : Advanced Spaceborne Thermal Emission and reflection Radiometer; CERES: Clouds and Earth's Radiant Energy System;

MISR: Multi-angle Imaging Spectro Radiometer;

MOPITT: Measurements of Pollution in the Troposphere;

MODIS: MODerate resolution Imaging Spectroradiometer (Spectroradiomètre imageur à résolution modérée).

Figure 3.8: Le satellite Terra

MODIS

MODIS est une abréviation de « MODerate resolution Imaging Spectroradiometer » ou bien « Spectroradiomètre imageur à résolution modérée ». Ce capteur est embarqué sur les satellites Terra et Aqua.

Tableau 2: Spécifications techniques de MODIS-Terra Fréquence d'acquisition 20.3 tr / min de route Télescope

17.78 cm de diameter off-axis afocal (collimation)

avec arrêt intermédiaire domaine

Taille lmx 1.6m x 1 m

Poids 228.7 kg

Puissance 162.5 W

Débit - jour de pointe : 10.6 Mbits / s moyenne : 6.1 Mbit / s Résolution 12 bits

MODIS-Terra balaye la surface terrestre avec un faisceau de dimensions 2 330 km x 10 km en observant sur 36 bandes de résolutions spatiales de 250 mètres (bandes 1 et 2), de 500 m (bandes 3-7) et 1000 m (bandes 8-36). Ces bandes sont enregistrées et étalonnées avec une précision dans le domaine spectral de 0,4 à 14,4 um. Elles fournissent des informations sur la température de surface des terres et des océans, la couverture des terres, les nuages, les aérosols, la vapeur d'eau, les profils de température et les feux.

Tableau 3: Les bandes de fréquence de MODIS-TERRA (Les bandes exploitées dans cette étude sont sélectionnées en bleu)

Bande Largeur de _bande Bande Largeur de _bande

1 620 - 670 20 3,660 - 3,840 2 841 - 876 21 3,929 - 3,989 3 459 - 479 22 3,929 - 3,989 4 545 - 565 23 4,020 - 4,080 5 1230 -1250 24 4,433 - 4,498 6 1628 -1652 25 4,482 - 4,549 7 2105 -2155 26 1,360 - 1,390 8 405 - 420 27 6,535 - 6,895 9 438 - 448 28 7,175 - 7,475 10 483 - 493 29 8,400 - 8,700 11 526 - 536 30 9,580 - 9,880 12 546 - 556 31 10,780 - 11,280 13 662 - 672 32 11,770 - 12,270 14 673 - 683 33 13,185 - 13,485 15 743 - 753 34 13,485 - 13,785 16 862 - 877 35 13,785 - 14,085 17 890 - 920 36 14,085 - 14,385 18 931 - 941 19 915 - 965

Groupes 1 à 19 sont en nm; Groupes de 20 à 36 sont en p.m

3.3.3. Inventaire des données

- Description générale des produits MODIS-Terra

MODIS -Terra fournit plusieurs types de données entre autres sur la réflectance, l'albédo, les couches nuageuses, les couches de neige. Toutes ces données sont projetées sur une " 2 7

grille sinusoïdale de 36 colonnes (de 0° à 35° de l'ouest vers l'est à partir du méridien 180°) et 18 lignes (de 0 à 17 du nord vers le sud à partir du pôle nord). C'est-à-dire que chaque cellule est de dimensions 10° x 10°. Les dimensions d'une cellule en unité de distance d'une cellule sont :

Composante horizontale :

l = R . ^ . c o s ( (

)

Composante verticale : L = R. 10.7T

180 (2)

Où R est le rayon de la terre et cp est la latitude du lieu.

Les cellules sont indexées comme suit : hNvM, où N et le numéro de colonne et M est le numéro de la ligne. Par exemple, la Tunisie est située dans la cellule hl8v5.

h >

_k.

_r

m

m

1

i

acquises le 3 décembre 2006 à la côte Est des Etats-Unis (MOD09 User's Guide:http://modis-sr.ltdri.org)

- Nature et niveaux de qualité des données de MODIS-Terra

Les données de MODIS-Terra sont à quatre niveaux de traitement :

Le niveau LO : ce sont les données brutes qui sont stockées dans un format « pds » (Production Data Set), de manière à pouvoir être traitées par n'importe quel utilisateur;

Le niveau Ll : ce sont les données de radiances calibrées et géoréférencées. On distingue deux types LIA (données brutes calibrées) et LIB (données brutes calibrées et géoréférencées);

Le niveau L2 : ce ont des données de LIB aux lesquelles on a appliqué les corrections atmosphériques. Elles sont directement exploitables pour traiter les paramètres de surface;

Le niveau L3 : ce sont les données de L2 améliorées en composant deux ou plusieurs images (composition de bandes ou composition des périodes d'observation).

Dans ce travail les données du niveau L3 sont utilisées, plus précisément des images composites de 8 jours. Ce choix nous permet d'éliminer le maximum de nuages et d'avoir le meilleur angle zénithal pour l'observation de la Terre. Ces données ont aussi bénéficié de toutes les corrections et traitements nécessaires, si bien qu'elles sont directement exploitables (Vermote E.F. et Vermeulen A., 1999). Cela nous a évité de faire les corrections radiométriques, géométriques et des effets atmosphériques.

- Type de projection

Comme mentionné, les données de MODIS-Terra sont projetées suivant une projection sinusoïdale : la projection sinusoïdale est une projection cartographique équivalente utilisée pour une représentation globale de la Terre qui introduit de fortes distorsions angulaires aux pôles. Par contre au près de l'équateur et Greenwich (le cas de notre zone d'étude), les distorsions sont très petites (voir figure 3.10). Avec cette projection, les parallèles sont des

droites régulièrement espacées, les méridiens ont une forme sinusoïdale, seul le méridien central est rectiligne.

Pour un point (9, X) du globe, ses coordonnées sinusoïdales (X, Y) sur la carte sont :

X = ^cos(<p) (3)

Y = 9 (4) Avec

A. : Longitude du lieu et 9 : Latitude du lieu

hl8v5

(Notre zone d'étude)

Figure 3.10: Les indicatrices de déformation de Tissot de la projection sinusoïdale

4. Méthodologie

Dans ce chapitre, nous présentons les grandes lignes de la méthodologie que nous avons adaptée. Elle consiste aux quatre étapes suivantes:

a) Préparation des données : Il s'agit de :

Recueillir des images satellitaires réparties sur une période suffisamment longue pour qu'on puisse détecter et étudier les changements que subit la zone étudiée; Effectuer les corrections nécessaires pour réduire les erreurs susceptibles d'avoir lieu dans les images utilisées;

Construire des masques pour ajuster les limites de la zone d'étude et masquer les nuages;

Nettoyage des données. b) Classification :

Elle consiste à :

- Utiliser la méthode de CLDVW proposée par Gond et al. (2004) pour déterminer et cartographier les plans d'eau en Tunisie;

Utiliser la méthode de classification non supervisée (ISODATA) pour analyser la zone d'étude et déduire des pixels d'entrainement pour la classification supervisée; Appliquer la méthode de maximum de vraisemblance pour une classification supervisée de la zone pour l'ajustement des cartes hebdomadaires et les séries temporelles traduisant la variation de la surface occupée par chaque classe;

Appliquer la méthode « Fuzzy classification » comme un deuxième type de classification supervisée pour améliorer les séries temporelles.

c) Validation interne : Le but est :

Cartographier la variation de l'étendu spatial de chaque classe;

Déduire des séries temporelles traduisant la variation de la surface occupée par chaque classe tout au long de la période d'étude;

Déterminer les variabilités (périodicités) dans les séries temporelles. d) Validation externe et interprétation:

Elle consiste à comparer les séries temporelles avec des séries pluviométriques et essayer de trouver un lien entre des deux phénomènes.

4.1. Cartographie des plans d'eau avec le CLDVW

Bien que, la cartographie des plans d'eau était depuis longtemps un sujet qui intéresse beaucoup de chercheurs dans le domaine de l'environnement de gestion des ressources en eaux (Hoffer R., 1978), il reste un sujet d'actualité qui inspire son importance de l'intérêt croissant aux problèmes de l'environnement et les travaux associés pour le protéger (Haas E.M, 2009). En fait, littérature est riche en ce qui concerne la cartographie des plans d'eau à l'échelle locale avec des instruments à haute résolution (Frazier and Page 2000, Baghdadi et al. 2001, Chopra et al. 2001, Harvey and Hill 2001). Par contre aux échelles transnationales, les travaux d'inventaire ou de suivi et les méthodes pour les réaliser ont attiré moins d'attention (Verdin 1996, Gond et al., 2004).

L'une des premières méthodes utilisées pour estimer l'humidité du sol avec les outils de la télédétection est l'exploitation des émissions thermiques, qui sont sensibles aux variations de l'humidité dans les cinq premiers centimètres du sol : les surfaces saturées en eau émettent faiblement les radiations microondes, tandis que les sols secs émettent des niveaux élevés (Guha and Lakshmi, 2002). Toutefois, dans de nombreuses applications, il est difficile de séparer les radiations émises par les sols saturés et les sols non saturés en raison de la rugosité de la surface, de la végétation, de la topographie complexe (Schmugge, 1985; Bindlish et al, 2003). Par conséquent, une importante phase d'étalonnage et la connaissance préalable de l'état et de la couverture de la surface sont nécessaires (Kerr, 2007).

Une approche plus prometteuse pour estimer l'humidité du sol est de détecter la variation de la verdeur de la biomasse caractérisée par l'indice de végétation 'Normalized Difference Vegetation Index' (NDVI), au sein d'une zone homogène. La variation de l'humidité du sol affecte directement la croissance des végétations sous-jacentes (Yang et al, 2006). L'indice de végétation, défini comme la différence normalisée entre le rouge et le proche infrarouge,

est l'indice le plus utilisé pour estimer la quantité de végétation présente sur la surface et suivre son évolution temporelle.

NDVI = ^ ^ - (5)

PIR+R v '

Le NDWI est un autre indice couramment utilisé. Il est plus sensible à l'humidité de la surface. Il a été défini par Gao (1996), comme la différence normalisée entre le moyen et le proche infrarouge, pour exploiter simultanément les informations fournies par ces deux bandes jugées sensibles à l'humidité du sol. Alwis D. A. (2007) a repris le même indice pour déterminer les zones saturées au nord-est des États-Unis. Il l'a défini comme suit :

M D W l — ^ (7 8 0~9 0 0 n m )~P(1550-1750nm ) , „

P(780-900nm ) +P(1550-1750nm )

p: La refelectance de surface dans la bande des fréquences considéré

En fait, dans le moyen infrarouge (1550 à 1750 nm), les variations locales de la réflectance sont sensibles à l'évolution de l'humidité de la surface. Cette bande est très utilisée pour la détection de la teneur en eau de la surface (Ceccato, et al, 2001; Xiao et al, 2002; Whiting et al, 2004). Dans le proche infrarouge (780-900 nm) et en dehors des bandes d'absorption de la vapeur d'eau, la réflectance est plus influencée par les mêmes facteurs affectant le rayonnement moyen infrarouge, mais non par la teneur en eau (Fensholt, 2004).

Dans ce travail, nous appliquerons la méthode proposée par Gond el al, (2004) mais dans un autre contexte spatial (la Tunisie au lieu du Burkina Faso) et avec un autre instrument (MODIS-Terra au lieu de VEGETATION embarqué sur Spot-4). Cette méthode est basée sur la notion du contraste local de l'indice de différence entre la végétation et l'eau (DVW) noté CLDVW. Gond et al., (2004) ont montré que les plans d'eau sont faciles à repérer à partir d'un seuil fixé sur les cartes du CLDVW. L'indice de différence entre la végétation et l'eau (DVW) est défini comme la différence entre l'indice de végétation (NDVI) et l'indice normalisé de différence d'eau (NDWI). Le contraste local est la différence entre la valeur d'un pixel et la moyenne d'une surface centrée autour du pixel. La taille de cette surface est choisie de sorte qu'elle soit presque insensible aux valeurs particulières.

4.2. Classification des images satellitaires

Les méthodes de classification sont des sujets de recherche très discutées en télédétection (Mohanty et Majumdar, 1996; Atkinson, 2000; Bandyopadhyay et Maulïk, 2002; Maulik et Bandyopadhyay, 2003), pour la surveillance de l'agriculture (Rydberg et Borgefors, 2001; Murthy et al, 2003) et la gestion des risques naturels (Ostir et al, 2003; Van der Sande et al, 2003; Yang et al., 2004; 2007) aussi bien pour plusieurs autres domaines.

On distingue: la classification supervisée et la classification non supervisée :

La classification supervisée est basée sur la collecte des pixels d'entrainement qui sont des échantillons des classes qu'on veut avoir. Elle nécessite la connaissance préalable du site (Foody et Arora, 1996);

La classification non supervisée consiste à regrouper les pixels qui présentent des caractéristiques similaires en classes spectralement homogènes en se basant sur un ensemble de conditions aux limites spécifiées par l'utilisateur (Hegarat-Mascle et al, 1997).

Différentes études ont montré l'intérêt des classifications non supervisées dans les études de classification du sol avec les outils de la télédétection dans les cas où on ne connait pas bien la zone étudiée pour qu'on puisse extraire des pixels d'entrainement (Yang M.D., 2007, Alwis et al, 2007). Les méthodes de classification non supervisée sont très variées (Richards A., Jia Xiuping,2006) : Iterative Self Organized Data Analysis Technique A (ISOData), la classification avec Ascendante Hiérarchique, classification avec sélection des pics des histogrammes pour ne citer que les plus importantes. Récemment, beaucoup de travaux ont défini et testé des méthodes de classifications intelligentes qui dépassent le problème majeur des méthodes classiques de classifications non supervisée : la nécessité de fixer le nombre de classes dès le départ. Ces méthodes sont essentiellement basés sur les algorithmes génétiques (Yang M.D., 2007) et algorithmes de réseaux neuronaux (Shu-Hsien Lia et al, 2007). Cependant, la méthode (ISODATA), présentée par Bail and Hall (1965), reste la méthode de classification non supervisée la plus utilisée (Alwis et al, 2007).

4.2.1. Classification non supervisée : ISODATA

Nous procéderons à une méthode de classification non supervisée pour avoir une idée générale sur les classes que nous pouvons avoir dans la région d'étude et de savoir, à travers des tests statistiques, s'il est possible de les regrouper en quatre grandes classes : sol sec, sol humide, végétation et plans d'eau. Cette méthode ne sera pas appliquée sur toute la série des images, mais nous utiliserons des échantillons choisis de façon à ce qu'ils ne contiennent pas de nuages ou d'ombre de nuages. Le but de cette étape n'est pas la classification des images en tant que telle, mais de préparer la classification supervisée que nous adaptons dans la suite.

L'algorithme de classification ISODATA se base sur un choix arbitraire de N points uniformément répartis dans l'espace multi-spectral (N vecteurs) comme les centres de N classes à distinguer dans l'image.

Point Q ^ Vecteur Vi

Figure 4.1 : Représentation matricielle d'une image multi-spectrale

Pour chaque pixel de l'image, nous calculerons les distances (la distance de Manhattan « Ll » ou la distance Euclidienne « L2 ») qui le séparent des centres définis et nous l'associerons à la classe la plus proche (Mather P.M.,2004 et Richards A., Jia Xiuping,2006).

La distance de Manhattan entre deux points xl et x2 est définie par :

d{xl,x2)= E{Lil*l£-*2il (77)

La distance Euclidienne entre deux points xl et x2 est défini par :

d(xl,x2) = \\xl-x2\\ = {{xl - xl)

- {_xl - x2)f

= (z{Li(*u - x

y y (88)

Une fois tous les pixels parcourus, les moyennes des classes sont calculées et sont considérés comme centres des classes dans l'itération qui suit. La procédure est itérée jusqu'à ce que les centres de classes soient stables.

Des pixels à classer (à deux groupes) Deux points choisis arbitrairement dans un espace bi - spectral comme centres des classes pour la

première itération • • • ■ ■ ■ ' ■ ' ' 2 ( 1 1 / ^ _l l _ L

A

j ^

■h

Figure 4.2: Schéma explicatif de la méthode de classification ISODATA (Source: Richards A., R., Remote Sensing Digital Image Analysis)

4.2.2. Classification supervisée

- Maximum de vraisemblance

La méthode de maximum de vraisemblance consiste à choisir des pixels d'entrainement pour chaque classea>j, i=l...N où N est le nombre des classes désirées. À partir de ces

pixels, le vecteur multi-spectral moyen (n^) et la matrice de variance-covariance £,- pour chaque classe sont calculés.

chaque pixel, les probabilités p(x|o>()pour que le pixel X appartient à la Par la suite pour

classes a>(Sont estimées

P(*|û>i) = exp[<p—(x-mO'Qlj) ^x-rrij)]

(2Ti)^(|ZiD2 (9)

Le pixel x est associé à la classe cok si p(x|wk) > p(x|Wj) pour tout i=l..N (Alan

H.SJ980, Zenzo S.D et al, 1987 et Richards A., Jia Xiuping,2006 ). Donc, cette méthode associe à chaque pixel à une seule classe, c'est-à-dire à partir d'une image d'entrée on abouti à une seule image classifiée à la sortie.

Dans le cas où un pixel contient plus d'une classe (voir figure 4.3), la méthode de maximum de vraisemblance l'associe à la classe la plus probable (par exemple celle qui occupe le plus d'espace).

30 m |eau

I Sol humide Sol sec

30 m

Figure 4.3: Exemple d'un pixel partagé entre trois classes

- Classification pondérée (Fuzzy classification)

Cette méthode de classification remédie au problème de classification des pixels mixtes dans le cas d'une classification avec le maximum de vraisemblance. Elle consiste à associer à chaque pixel des probabilités fF. (x) pour appartenir à chacune des classes définies Ft ,i =

1... N, ou N est le nombre des classes désiré (Jensen J.R, 2005).

Avec 0 < fF. ( x ) < l (90) E x e x fF i( x ) > 0 (101)

2L

f

(x) = i

-

= ï ^ i ^

Contrairement à la méthode de maximum de vraisemblance qui associe le pixel de la figure 4.3 à classe « eau » puisqu'il est majoritaire, Fuzzy classification peut l'interpréter comme, par exemple, 70% d'eaux, 20 % de sol humide et 10 % de sol sec.

Ainsi, cette méthode ne permet pas d'avoir une image classifiée, comme est le cas avec la méthode de maximum de vraisemblance, puisque pour chaque pixel elle associé le taux de la surface occupée par chaque classe.

4.3. Etude des séries temporelles

4.3.1. Analyse spectrale

L'analyse spectrale consiste à décomposer l'énergie d'un processus temporel X(t) dans le domaine des fréquences et à déterminer les bandes de fréquences qui correspondent à une proportion importante et significative de cette énergie de variance représentée par des pics dans le spectre de puissance représenté graphiquement par la densité spectrale (variance par unité de fréquence) en fonction de la fréquence variant de 0 à 0,5 cycles par unité du temps. La base de l'analyse spectrale est le calcul du spectre de puissance par la transformation de Fourier dont l'algorithme le plus utilisé est connu sous le nom de FFT « Fast Fourier Transform ». Son avantage majeur est le gain de temps de session de calcul informatique. Mais cette méthode présente des défauts qui sont : la faible résolution fréquentielle néfaste

pour un travail avec des séries temporelles relativement courtes et surtout le recours à des fenêtres de type Harming ou autres qui, par convolution perturbent le spectre.

Pour palier aux défauts de la FFT, nous avons eu recours à une méthode plus récente et très puissante dite la méthode de l'entropie maximale. Elle consiste à décomposer les séries étudiées en séries élémentaires simples à traiter séparément et qui représentent les modes de variabilité du phénomène étudié. Chaque série élémentaire a sa fréquence spécifique f; et sa densité spectrale qui est une fonction de l'énergie qu'elle apporte à l'allure globale du signal étudié (figure 4.5). L'allure des densités spectrales en fonction des fréquences de la gamme d'échantillonnage est appelée le spectre de puissance du phénomène physique. Ce type d'analyse repose sur l'ajustement du processus temporel continu X(t), l'échantillonnage de X(t) en X(NÀt), et l'estimation du spectre de l'énergie. Ces trois étapes définissent la structure de l'algorithme du spectre utilisé dans notre étude pour le traitement des séries temporelles (Ben Sakka M., 1989).

4.3.2. Filtrage numérique

Pour isoler les modes (variabilités) existants dans les séries temporelles réelles, révélés par l'analyse spectrale ayant une énergie importante représentée par un pic dans le spectre de puissance, le filtrage numérique est utilisé. Les signaux obtenus (séries temporelles filtrées) dépendent directement de la nature et des propriétés intrinsèques du filtre par l'intermédiaire de sa fonction caractéristique, car les propriétés de transfert ont une influence prédominante sur la transmission de l'amplitude des différentes fréquences constituant le signal. Dans cette étude, nous utilisons le filtre récursif d'ordre 2 de Butterworth, c'est un filtre à déphasage linéaire qui n'introduit pas de déformation, c'est à dire de distorsion du signal numérique d'entrée (Ben Sakka M., 1989). Les bandes passantes des filtres sont déterminées à partir du spectre comme l'indique la figure 4.5.

Analyse spectrale temps Filtrage numérique U fi f:

<* WWW^AyVv

Fréquence (cycle/unité de temps) f- WV\AAA/VVWWVW\AAMAAA/VWWV

Ymax 1

Bande passante 1 Bande passante 2

Figure 4.5: Schéma représentatif du calcul des bandes passantes d'un filtre

5. Préparation et traitement des données

5.1. Acquisition des données

Les données de MODIS-Terra sont disponibles gratuitement sur le site de « Processes Distributed Active Archive Center (LP DAAC) » de la NASA : http://modis.gsfc.nasa.gov/data/.

Dans cette recherche, nous avons utilisé une série d'images de réflectance composites jours de résolution spatiale de 500 m et de niveau de traitement L3 : Surface Reflectance 8-Day L3 Global 500m sur la période allant du 18 février 2000 au 2 juin 2009. Ceci correspond à 426 époques d'observation (deux images ne sont pas disponibles 26 décembre 2000 et 18 juin 2001).

Notre zone d'étude est située entre les latitudes 30 et 38° nord et les longitudes 7 et 12° (5 et 10° en coordonnées sinusoïdales), donc seule la cellule v5hl8 est retenue. Dans cette cellule, les distorsions causées par la projection sont faibles comme il est déjà expliqué dans la section 3.3.3.

5.2. Description de « Surface Reflectance 8-Day L3 Global

500m »

Le produit de MODIS-Terra nommé « Surface Reflectance 8-Day L3 Global 500m » contient les images composites de huit jours à partir des images quotidiennes prises avec les sept première bandes qui sont déjà subit un niveau de correction L3. Dans toutes ces images, la réflectance est multipliée par 10000.

Chaque donnée de réflectance (chaque pixel) est accompagnée, dans des fichiers annexes, par des données sur l'angle zénithal du soleil, l'angle zénithal du capteur (angle de vue), l'angle azimutal relatif, la nébulosité, les aérosols, la neige,...ainsi que la journée de mesure (parmi les huit qui précèdent).

Plus des détails sur ce produit sont données par le tableau suivant:

Tableau 4: Description du fichier « Surface Reflectance 8-Day L3 Global 500m » Science Data Sets (HDF

Layers (13))

Units Bit Type Fill

Value Valid Range Factor Scale 500m Surface

Reflectance

Band 1 (620-670 nm)

Reflectance 16-bit signed

integer -28672 -100- 16000 0.0001 500m Surface

Reflectance

Band 2 (841-876 nm)

Reflectance 16-bit signed integer

-28672 -100-16000 0.0001

500m Surface

Reflectance Band 3 (459-479 nm)

Reflectance 16-bit signed integer

-28672 -100-16000 0.0001

500m Surface

Reflectance Band 4 (545-565 nm)

Reflectance 16-bit signed

integer -28672 -100-16000 0.0001 500m Surface

Reflectance Band 5 (1230-1250 nm)

Reflectance 16-bit signed

integer -28672 -100-16000 0.0001 500m Surface

Reflectance Band 6 (1628-1652 nm)

Reflectance 16-bit signed integer

-28672 -100-16000 0.0001

500m Surface Reflectance Band 7 (2105-2155 nm)

Reflectance 16-bit signed

integer -28672 -100-16000 0.0001 500m Reflectance Band

Quality (see Table 12) Bit Field unsigned 32-bit integer

429496

7295 4294966531 0- NA Solar Zenith Angle Degree 16 bit signed

integer

0 0-18000 0.01 View Zenith Angle Degree 16bit signed

integer 0 0- 18000 0.01 Relative Azimuth Angle Degree 16 bit signed

integer 0 18000-18000 0.01 500m State Flags ( s e e T a b l e l 3 > unsigned integer Day of Year Julian day 16 bit

unsigned integer

65535 1-366 NA

5.3. Sélection des bandes

Les images satellitaire recueillies sont mesurées sur sept bandes de fréquences: le rouge (620 — 670 um), le bleu (459 — 479 um), le vert (545 — 565 um) , deux dans le proche infrarouge (841 — 876 um) et (1230 — 1250 um) , et deux dans le moyen infrarouge (1628- 1652 um) et (2105 - 2155 pm). Le but est de réduire l'espace multi spectral pour faciliter le traitement tout en gardant l'information nécessaire pour la discrimination des classes cherchées et le calcul éventuel des indices.

Bande 1 ( rouge) Bande 2 (PIR) Bande 3 (bleu) Bande 4 (vert)

Bande 5 (PI R) Bande 6 (MIR) Bande 7 (M IR)

Réflecta»ce(*/.) .100 Isa JBO l-w 120 ' o

Figure 5.1: La zone d'étude prise par les sept premières bandes de MODIS-Terra La sélection des bandes est basée sur les signatures spectrales du sol sec, du sol humide, de la végétation et de l'eau fournis par Richards J.A., 2006 (figure 5.2) et la répartition des sept bandes sur l'échelle des fréquences.

Deux bandes dans le proche infrarouge PIR sont à disposition : les bandes 2 et 5. La bande 5 ne permet pas une bonne distinction entre le sol humide et la végétation. Les deux bandes

dans le moyen infrarouge MIR (6 et 7) ont un comportement presque similaire avec les quatre classes : sol sec, sol humide, végétation et eaux. Ainsi, nous gardons une seule dans le PIR : la bande 2, et une seule dans le MIR : la bande 6. Les bandes 2 et 6 correspondent à celles utilisées par Alwis D. A., et al., (2007) pour le calcul de l'indice NDWI.

0 4 3 8 _U 1 6 2 4

Longueur d'onde (jim)

t t ¥

S .• * Procke infrarouge

■♦ « - Moves infrarouge

Figure 5.2: Les sept premières bandes de MODIS-Terra comparés aux signatures spectrales des quatre objets cherchés

Pour conclure, nous avons réduit l'espace multi-spectral de sept à cinq bandes en gardant trois bandes dans le visible (une bande dans le bleu, une dans le vert et une dans le rouge) et une bande dans le proche infrarouge et une bande dans le moyen infrarouge.

5.4. Prétraitement des données

5.4.1. Généralités

Dans une étude de détection de changements, les images utilisées doivent présenter les caractéristiques les plus homogènes possibles de sorte que les différences provenant de leur comparaison puissent être associées à de réels changements d'état du territoire et non à des ^ 5 "

artefacts liés aux images. Idéalement, les images doivent provenir du même capteur et la date d'acquisition doit varier le moins possible. En raison de considérations physiques et économiques, ces conditions idéales n'ont pu être rencontrées. Afin de contrer ces lacunes, les images ont d'abord fait l'objet de corrections radiométrique, atmosphérique et géométrique. Ce paragraphe présente un bref aperçu sur quelques types des corrections recommandées (Richards A., Jia Xiuping,2006):

- Corrections radiométriques : Ce type de correction est nécessaire à cause des variations dans l'illumination et dans la géométrie de visée d'une scène, des conditions atmosphériques, du bruit et de la réponse du capteur. Ainsi, diverses méthodes de corrections atmosphériques peuvent être appliquées comme l'ajustement des modèles très détaillés des conditions atmosphériques durant l'acquisition des données.

Corrections géométriques : Les distorsions géométriques sont dues à différents facteurs, notamment le système optique interne des capteurs, le mouvement du système de balayage, le mouvement de la plate-forme, l'altitude, l'orientation et la vitesse de la plate-forme, le relief du terrain, la courbure et la rotation de la Terre. Les corrections géométriques sont appliquées pour compenser ces distorsions afin que la représentation géométrique de l'imagerie soit aussi proche que possible de la réalité (Tsayem Demaze, 2008).

Le processus de correction géométrique consiste à identifier sur l'image des points de contrôle bien distribués (X1,Y1), (X2,Y2),....(Xn,Yn) , puis chercher leurs coordonnées (xl,yl), (x2,y2),...(xn,yn) à partir des sources de référence (Alhamlan et al, 2004).

Une fois plusieurs couples de points de contrôle ont été identifiés, deus équations de transformation sont déduites pour corriger les coordonnées.

5.4.2. Traitement des images MOD09A1

Les images MODIS récupérées ont déjà bénéficié des corrections et des traitements nécessaires. Par contre, on remarque que certains pixels ont des valeurs au-delà des limites logiques de la réflectance (0 < réflectance (%) < 100).

Le tableau ci-dessous met en évidence le rapport entre le nombre des pixels à corriger par rapport au nombre des pixels total (la superficie de la Tunisie).

Tableau 5: Répartition des valeurs de la réflectance relatives aux différentes bandes utilisées de MODIS-Terra (en %)

Inférieurs à 0 Entre 0 et 100 Supérieurs à 100

Bande 1 0.01 99.76 0.24

Bande 2 0.02 99.74 0.24

Bande 3 0 99.30 0.23

Bande 4 0 99.76 0.24

Bande 6 0 99.77 0.23

Pour résoudre ce problème, nous avons interpolé les valeurs erronées par la moyenne des valeurs acceptables parmi les huit pixels voisins.

c>

6 1

"" 1

Figure 5.3: Exemple d'interpolation des valeurs de réflectance erronées

Figure 5.4: Exemple de traitement de l'image du 25 janvier 2003 prise avec la bande rouge de MODIS-Terra

5.4.3. Délimitation du domaine d'étude : masquage des frontières

L'objectif de cette partie est la construction d'un masque unique qui sera utilisé tout au long du travail afin de cacher les parties qui sont au-delà de notre zone d'étude (méditerranée, Algérie, Lybie et Europe).

Figure 5.5: La superficie occupée par la cellule hl8v5 : Tunisie et des parties de l'Algérie, de la Lybie, du Méditerranée et de l'Europe

- Extraction de la zone d'étude

Pour la construction du masque des frontières, la collection libre « Generic map tools » (http://gmt.soest.hawaii.edu/) est utilisée pour extraire les limites politiques de la Tunisie. Ces limites sont données en coordonnées géographiques. Donc, il est nécessaire de les transformer en cordonnées sinusoïdales (X, Y) afin de correspondre aux cartes de MODIS-Terra.

38

37 - j

a - Les limites politiques de la Tunisie en coordonnées géographiques 36 3 5 -34 33 32 -31 30 ; i ! ! > / ^ ^ W 1 i ! / * / ^ ^ W 1 > t j

'"yy

i

J>

b- Les limites politiques de la Tunsie recalculées dans une projection sinusouidale (X.Y) 38 37 36 — 35 34 33 -10 11 12 32 31 30 1 > ! ' M ! 1 > \ l f\ s :

V

7k

^ ¥ \

k

Figure 5.6: Les limites politiques de la Tunisie en coordonnées géographique (à gauche) et en projection sinusoïdale (à droite)

- Les coordonnées images et géo-référencement

La grille de MODIS-Terra possède un repère orthonormé d'origine (0,0) situé à l'extrémité Nord-Ouest de l'image, d'axe vertical dirigé vers le sud et d'axe horizontal dirigé vers l'est.

Le pas de chaque axe dépend de la résolution spatiale de l'image en question et la latitude de l'axe horizontal.

• , r. lO°.n.R Le pas suivant 1 axe vertical : P a v =

180°.Res (12)

,, , n , 1O'.n.R. cos (q>)

Le pas suivant 1 axe horizontal : Pan. =

F 180 .Res

(13)

Par suite, les cordonnées images (Px,Py) sont données par :

(14) (15) (Y0-Y).n.R 180 '.Res T JP _ <X-XQ).n.R , r y " 180'Jtes + / P Avec:

X, Y: Coordonnées sinusoïdale du lieu;

X0, Y0: Coodonnées de l'origine du repère de la cellule en question;

R : Rayon de la Terre;

Res : Résolution spatiale de l'image.

Le terme fp est ajouté pour tenir compte de la position exacte de chaque pixel dans l'image

1000 1500 1000 1 500 2 000 2 400 >"- i — I — ! — '.-~r 2000 2400

i-—;---!—!—!-—:---Deux types de coordonne*

Coordonnée géographiques en projections sinusoïdales (XY) :

Coordonnées fanage (px, py i 0 S Px £ 2400 0 < Py S 2400 ■

<p = 40*

■ ; - | -t. .t. .t.1. . | . .t. . | . . . | . . . | . . .1. . .t. .t.1. .t. . . | . . . | - | . .i. .

,\=0° X = 1 0 '

I I

Figure 5.7: Illustration de la cellule hl8v5

Avec une résolution spatiale de 500m, la cellule v5hl8 (celle qui contient notre zone d'étude) est échantillonnée en 2400 lignes et 2400 colonnes. Les coordonnées images (Px,Py) des points inclus dans cette régions sont données par :

Px = 240 (40 - X) + L (16)

Py = 240 Y + fp

Construction du masque des frontières

(17)

Pour la construction du masque des frontières, il faut transformer les coordonnées géographiques des frontières politiques de la Tunisie de la projection sinusoïdale (X,Y), de 30°à 40° nord et de 0° à 10° est, en coordonnées images (Px,Py),2400 x 2400 pixels. Ensuite, Attribuer une valeur « 0 » aux pixels à l'extérieur de la zone et « 1 » aux pixels situés à l'intérieur, frontière incluse.

2000 n — i — ! — i — ! — ! — i — r ~j t -<p=40= -<p=30= -A=0= A=10° I Figure 5.8: Le masque de délimitation de la zone d'étude

L'application du masque, dans la suite, consiste à multiplier chaque image par le masque permettant de cacher les pixels qui ne font pas partie du domaine de l'étude (voir figure ci-dessous). Pour une raison de simplification, nous avons réduit les dimensions de l'image à 2000 x 1000 pixels qui couvrent notre région d'étude.

a- Masque 500 1000 1500 • 2000

C

b- Image à masquer c-lmaue après l'application du masque

500 1000 1500 2000

1

1

■ '

I

i

T

i

5.4.4. Masquage des nuages

Malgré l'exploitation des images composites de 8 jours qui permettent de choisir les pixels les moins affectés par les nuages, des parties plus ou moins importantes de ces nuages persistent. Des masques des nuages sont construits pour cacher les pixels contaminés par les nuages. Les images contenant plus que 10% de nuage sont jugées inappropriées et ils ne sont pas utilisés dans ce travail.

- Détection des nuages

Les nuages sont un élément perturbateur pour une grande partie des travaux qui utilisent l'imagerie satellitaire pour caractériser des propriétés du sol. Dans la littérature, on trouve beaucoup de travaux qui exposent des méthodes pour la détection des nuages (English S. J., 1999, Vani K.,2006). L'exploitation de la bande bleue est parmi les méthodes les plus simples puisque les nuages en reflètent beaucoup plus que le sol ou la mer comme le montre la figure 5.10 ci-dessus :

Figure 5.10: Exemples d'images contaminées par les nuages : images prises par la bande bleue de MODIS-Terra le 18 février 2000 et 22 mars 2002