ETABLISSEMENT D’UN CADASTRE VITICOLE A L’AIDE DE L’IMAGERIE PAR DRONE
Travail de Bachelor Letourneau Céline | 28 Juillet 2017
Mandant David Cotter, Ingéo SA
Professeur responsable Bertrand Cannelle, HEIG-VD Expert Dorothea Noll, Ecole de Changins
AVANT-PROPOS
Le sujet de ce travail de Bachelor a été proposé par M. David Cotter du bureau Ingéo SA, à Haute- Nendaz (VS). Le mandat consiste à analyser le potentiel de l’imagerie par drone pour constituer un cadastre agricole. Pour se faire, des vols ont été réalisés sur un secteur contenant des parcelles appartenant au mandant, dont les limites et les cépages sont connus. De plus, David Cotter et la commune ont mis à disposition des données existantes sur le secteur d’étude. Il s’agit du parcellaire, d’une partie des cépages en présence et d’un vol réalisé en 2014. Le but de ce travail est de définir des méthodes permettant d’obtenir un résultat qui répond le mieux possible au souhait du mandant.
Dans le cadre de ce diplôme, les tâches suivantes devront être réalisées : Etude des données existantes,
Mise en place de vols supplémentaires,
Etude de la possibilité d’extraire les rangs de vigne, Réaliser les vols avec un assistant ou avec le mandant
Géoréférencer les données et réaliser les produits classiques de la photogrammétrie utils pour ce travail,
Déterminer des outils de classification adaptés et optimiser les paramètres pour ce type de travail,
proposer une chaîne de traitements permettant de déterminer semi automatiquement les cépages, et l’emprise des rangs de vignes
REMERCIEMENTS
Je tiens à remercier, les personnes suivantes, sans lesquelles ce travail de diplôme n’aurait pu aboutir.
Bertrand Cannelle, professeur en photogrammétrie et responsable du travail de diplôme, pour son suivi, ses nombreux conseils et astuces et sa disponibilité tout au long de ce projet
David Cotter, ingénieur HES en géomatique et mandant du travail de diplôme, pour la proposition de ce sujet intéressant, sa disponibilité pour réaliser les mesures de terrain, ainsi que pour la mise à disposition des données du matériel et le partage de son expérience dans les vols de drones Dorothea Noll, assistante de recherche en viticulture et sciences de la terre et experte du travail de diplôme, pour ses conseils et pistes à suivre donnés lors de la soutenance intermédiaire
Sarah Composto, pour son aide précieuse
Léonard Fuhrer, pour la relecture technique de ce rapport
Catherine Nicolas, pour la tâche fastidieuse de relecture de ce présent rapport pour les fautes d’orthographe et de syntaxe
Guillaume Cretton, pour son soutien et ses encouragements
RESUME
La constitution d’un cadastre viticole se fait actuellement sur déclaration à la commune des cépages par les propriétaires des parcelles. Ces cépages sont déterminés par des relevés ponctuels sur les parcelles. La détection semi-automatique des cépages à l’aide de l’imagerie par drone pourrait permettre à la commune d’avoir un moyen de contrôle plus efficace sur les données qu’elle introduit dans son cadastre des vignes. Ce projet propose des méthodes de télédétection des cépages sur des images, acquises par vol de drones, provenant de caméras S110 RGB et S110 NIR de chez Sensefly. Au cours de ce travail, la mise en place de protocoles d’acquisition, de processus d’extraction des rangs de vignes et de propositions de méthodes de télédétection, ont été détaillées.
Les images ont été acquises avec une résolution moyenne d’environ 4cm/pixel par vols de drone Sensefly eBee, muni d’une caméra S.O.D.A. RGB, puis d’une caméra S110 NIR. La zone de vol présentant de fortes dénivelées, les plans de vol ont été effectués en palier de manière à suivre au mieux la pente du terrain. Deux orthophotos à partir des images RGB et NIR et une carte de réflectance à partir des images NIR ont été produites, avec une résolution de 10cm/pixels, soit l’ordre de grandeur de la taille d’une feuille de vigne. Les deux orthophotos ont permis de développer deux méthodes pour extraire les rangs de vignes : à partir d’un modèle numérique d’élévation, à partir de l’orthophoto RGB, et par calcul d’indice GRVI sur les bandes de l’orthophoto NIR. L’analyse a montré que la méthode du calcul d’indice GRVI était plus efficace pour extraire les rangs de vigne sur le secteur d’étude. Cette étape d’extraction des rangs de vigne a permis de débarrasser les orthophoto et la carte de réflectance des pixels au sol ou sur des bâtiments, afin de ne prendre en compte que des pixels correspondant à de la vigne pour appliquer la classification des cépages. La méthode développée pour classifier les cépages est la classification dite de
« vraisemblance maximale ». Le projet ne propose de classification que pour les parcelles munies d’un unique cépage. Pour faciliter la lecture des résultats obtenus, deux couches vecteurs ont été créées : une attribuant le cépage classé qui apparaît le plus sur chaque parcelle, et une autre qui compare la couche précédente avec les cépages déclarés sur les parcelles à la commune. Les résultats montrent que 33% des parcelles ont pu être correctement classifiées par cette méthode.
TABLE DES MATIERES
Avant-propos ... I Remerciements ... II Résumé... III Table des abréviations ... VII Table des illustrations ... VIII Figures ... VIII Tableaux ... IX Schémas ... IX Formules ... IX Graphiques ... IX
1 Introduction ... 1
2 Généralités ... 1
2.1 Objectifs intermédiaires ... 1
2.2 Plan d’action ... 2
2.3 Périmètre de l’étude ... 2
2.4 Logiciels utilisés... 3
3 Définitions et principe de la télédétection ... 3
3.1 Rayonnements électromagnétiques et réflectance ... 4
3.2 Signature spectrale ... 4
3.3 Composition colorée ... 5
3.4 Classification ... 6
4 Analyse des données existantes ... 6
4.1 Données à disposition ... 6
4.2 Extraction de caractéristiques géométriques ... 7
5 Protocole de mesure ... 7
5.1 Mise en place d’un plan de vol ... 7
5.2 Paramétrage du vol ... 10
5.3 Points d’appuis ... 10
5.4 Matériel utilisé pour l’acquisition ... 11
5.5 Règlementation... 11
5.6 Vol sur le secteur ... 12
6 Traitement des acquisitions ... 12
6.1 Géoréférencement des photos ... 12
6.2 Création de produits photogrammétriques ... 13
7 Extraction des rangs de vignes ... 14
7.1 Méthode 1 : Caractéristiques géométriques avec les images RGB ... 14
7.1.1 Modèle numérique d’élévation (MNE) ... 14
7.1.2 Découpage du périmètre d’étude ... 14
7.1.3 Seuillage des hauteurs de MNE ... 14
7.1.4 Extraction des rangs de vignes ... 16
7.2 Méthode 2 : Caractéristiques de réflectance avec les images NIR ... 17
7.2.1 Calcul du NDVI sur la Zone ... 17
7.2.2 Recherche d’un indice pour représenter les rangs de vigne ... 18
7.2.3 Seuillage des valeurs d’indice... 18
7.2.4 Export des rangs de vignes en fichier de forme ... 19
7.3 Comparaison des deux méthodes d’extraction des rangs de vigne ... 19
7.3.1 Analyse qualitative ... 19
7.3.2 Analyse quantitative ... 21
7.3.3 Choix de la méthode d’extraction des rangs de vigne ... 23
8 Classification sur les échantillons de vignes « DOIT » ... 24
8.1 Fichier Signature et dendrogramme ... 24
8.2 Classification de vraisemblance maximale ... 25
8.3 Apport des données issues de la carte de réflectance ... 27
9 Classification des cépages sur les vignes du secteur ... 30
9.1 Création de couche « Vérité Terrain » ... 30
9.2 Classification à l’aide de la fraction de rejet ... 31
9.3 Classifications des rangs de vigne classifiables ... 31
10 Résultats ... 33
10.1 Affichage des résultats ... 33
10.1.1 Attribution d’un cépage par parcelle ... 33
10.1.2 Comparaison de la classification avec la couche de vérité terrain ... 35
10.2 Résultats des classifications réalisées ... 36
10.3 Interprétation des résultats ... 38
11 Sources d’erreur ... 39
11.1 Erreur due à la retranscription des données DOIT ... 39
11.2 Affichage des résultats ... 39
11.3 Taille des échantillons d’apprentissage ... 40
11.4 Influence de l’ensoleillement des vignes ... 41
11.5 Variabilité des pieds de vignes... 41
12 Mesures d’approfondissement ... 42
12.1 Affichage des résultats fiabilisé ... 42
12.2 Utilisation d’un fichier de probabilité a priori ... 43
12.3 Application d’autres méthodes de télédétection ... 44
12.4 Utilisation des grilles de taux d’azote standardisées par cépages ... 45
13 Conclusion ... 46
Références ... 47
Annexes ... 48
TABLE DES ABREVIATIONS
Abréviation Terme anglais Signification en français
GCP Ground Contrôle Point Point d’appuis
NIR Near Infra Red Proche infrarouge
RGB Red Green Bleu Rouge vert bleu
REM - Rayonnement électromagnétique
MNS - Modèle Numérique de Surface
MNT - Modèle Numérique de Terrain
MNE - Modèle Numérique d’Elévation
TABLE DES ILLUSTRATIONS Figures
Figure 1 Situation de la zone d'étude sur un extrait de la carte nationale ... 2
Figure 2 Situation de la zone d'étude sur un extrait de la carte nationale ... 2
Figure 3 Propriétés du rayonnement électromagnétique (Jean-Paul Lacombe, 2007) ... 4
Figure 4 Exemples de signatures spectrales de surfaces naturelles (UVED) ... 4
Figure 5 Spectre de la lumière blanche (UVED) ... 5
Figure 6 Comparaison entre une image RGB et une image IR en composée en "fausses couleurs" (Eklundh) ... 5
Figure 7 Cépages fournis sur l'extrait du parcellaire fourni par David Cotter ... 6
Figure 8 Modèle numérique de surface issu d'un vol avec une résolution à 10cm/px ... 7
Figure 9 Plan de vol tenant compte de du modèle d'élévation ... 8
Figure 10 Plan de vol en palier, vue de dessus et de profil ... 9
Figure 11 Lignes de vol perpendiculaires, vue de dessus et de profil ... 9
Figure 12 Répartition des points d'appui sur la zone de vol ... 10
Figure 13 Extrait de la couche de l'OFAC sur le guichet cartographique (Map.Geo.Admin, 2017)11 Figure 14 Zone de décollage et d'atterrissage du drone ... 12
Figure 15 Points d'appuis sur une photo RGB et une photo NIR ... 13
Figure 16 Modèle numérique différentiel ... 14
Figure 17 MNE avant / après symbologie par seuil (blanc supérieur à 10cm, noir inférieur) ... 15
Figure 18 Comparaison des différents tests de seuillage... 15
Figure 19 Résultat de l'extraction des rangs de vignes à l'aide du MNE ... 16
Figure 20 NDVI sur l'ensemble du secteur ... 17
Figure 21 Extrait du résultat du calcul du GRVI ... 18
Figure 22 Comparaison des seuils de GRVI ... 19
Figure 23 Echantillon de "vérité terrain" et polygone d'emprise ... 21
Figure 24 Différence de taille des pixels entre les résultats des deux méthodes d'extraction ... 21
Figure 25 Modèle à sélectionner pour la production de la carte de réflectance ... 28
Figure 26 Echantillon de pinot noir n°2 AVANT/APRES classification ... 28
Figure 27 Classification de l'échantillon de merlot avec les bandes de l'orthophoto (à gauche) et de la carte de réflectance (à droite) ... 29
Figure 28 Couche de vérité terrain créée à partir des données à disposition... 30
Figure 29 Classification de vraisemblance maximale avant (à gauche) et après (à droite) application de la fraction de rejet ... 31
Figure 30 Classification de vraisemblance maximale avec les 6 bandes (Rouge, Vert, Bleu, NIR, Rouge, Vert) sur l'ensemble des vignes classifiables ... 32
Figure 31 Résultat de classification inexploitable (R, G, B, NIR, R) ... 33
Figure 32 Amélioration de l'affichage des résultats: AVANT / APRES attribution d'un cépage principal par parcelle ... 35
Figure 33 Recherche de corrélation entre les cépages et les résultats ... 38
Figure 34 Classification indécise d'une parcelle ... 39
Figure 35 Exemple d'histogramme de parcelle mal classifiée ... 40
Figure 36 Parcelle à cépage largement dominant ... 42
Figure 37 Explication de la condition sur la classe de cépages maximale ... 42
Figure 38 Résultats de la classification de vraisemblance maximale avec fichier de probabilité a
priori (RGBNIR) ... 43
Figure 39 Appareil de mesure du taux d'azote pour les plantations (Yara ) ... 45
Tableaux
Tableau 1 Logiciels utilisés ... 3Tableau 2 Matériel mis à disposition... 11
Tableau 3 Résultat Pix4D du géoréférencement des photos issues du vol NIR ... 13
Tableau 4 Produits photogrammétriques calculés ... 13
Tableau 5 Comparatif des méthodes d'extraction des rangs de vigne superposées ... 20
Tableau 6 Identifiants et cépages correspondants ... 25
Tableau 7 Méthode d’appréciation des tests de classification ... 26
Tableau 8 Comparaison des tests de classification sur les échantillons DOIT ... 27
Tableau 9 Valeur du champ "Vérité" ... 35
Tableau 10 Résultats des classifications et tests de validation ... 36
Tableau 11 Probabilité a priori de la répartition des classes de cépages ... 43
Schémas
Schéma 1 Composition colorée NIR en "fausses couleurs"... 5Schéma 2 Composition colorée RGB en "vraies couleurs" ... 5
Schéma 3 Evolution de la taille d'un pixel au sol en fonction de la hauteur de vol ... 8
Schéma 4 Extraction des rangs par seuillage des hauteurs du MNE ... 14
Schéma 5 Décomposition de l'inertie totale (en vert l’inertie intra-classe et en rouge l’inertie inter- classes (Déjean) ... 24
Schéma 6 Attribution d'un cépage par parcelle sur FME ... 34
Schéma 7 Création d'une couche de comparaison des classifications simplifiée avec la couche de vérité terrain ... 35
Formules
Formule 1 Expression du pourcentage de réflectance d'un REM incident sur un objet donné ... 4Formule 2 Résolution d'un pixel au sol ... 8
Formule 3 Calcul du NDVI ... 17
Formule 4 Calcul du "Green-Red Vegetation Index" (Takeshi Motohka, 2010) ... 18
Formule 5 Calcul des surfaces de vigne extraites ... 21
Formule 6 Pourcentage de vignes extraites ... 22
Formule 7 Calcul des distances interclasses (ArcGis for Desktop) ... 24
Formule 8 Calcul de la fraction de rejet ... 30
Formule 9 Calcul des probabilités a priori d'attribution aux classes de cépage ... 43
Graphiques
Graphique 1 Comparaison des surfaces obtenues par les deux méthodes avec celles des échantillons de vérité terrain ... 22Graphique 2 Pourcentage de vignes extraites par les deux méthodes ... 23
Graphique 3 Dendrogramme des classes réalisées à partir des échantillons de vérité terrain ... 25
Graphique 4 Classification de vraisemblance maximale sur 6 bandes (orthophoto vs carte de réflectance) ... 29
Graphique 5 Comparaison du nombre des parcelles classifiées justes selon les classifications ... 37
1 INTRODUCTION
Le présent projet s’inscrit dans un contexte qui fait intervenir plusieurs parties prenantes.
Tout d’abord, il faut savoir qu’un cadastre viticole existe déjà sur la plupart des territoires possédant des vignes. C’est la commune qui a la charge de l’établir, à partir des informations déclarés par les propriétaires ou les viticulteurs. La détermination des cépages sur les parcelles s’effectue par des relevés ponctuels et prend du temps. De plus, les cépages consignés dans le cadastre viticole se basant sur la bonne foi des propriétaires des parcelles, il se peut que quelques erreurs surviennent.
Un enjeu de la commune serait de gagner du temps d’acquisition, et de proposer un contrôle des données viticoles.
Les grandes caves, notamment du Valais, réceptionnent de grandes quantités de raisin lors des vendanges. Les récoltes sont réalisées par des propriétaires de petites parcelles ou des employés.
Ces derniers déclarent quel cépages ont été ramassés sur quelle récolte. Cependant, les grandes caves aimeraient avoir un contrôle sur les déclarations des vendangeurs, afin de répondre aux exigences des normes d’appellation du vin toujours plus strictes.
Afin de répondre à ces différents enjeux, ce projet portera sur la recherche d’une méthode permettant de détecter semi automatiquement des cépages à partir d’images acquises par vol de drone. L’objectif sera donc de proposer un protocole de mesures et de traitement permettant d’analyser le potentiel de l’imagerie par drone, dans le but de réaliser un cadastre viticole fiable et semi-automatisé.
2 GENERALITES
2.1 Objectifs intermédiaires
L’étude, réalisée dans le cadre de ce projet, a dû être séquencée en plusieurs étapes, chacune d’entre elle répondant à un objectif spécifique. Ces objectifs intermédiaires sont les suivants :
Mettre en place un protocole d’acquisition Effectuer le traitement des images
Extraire les caractéristiques géométriques des vignes sur les images Mettre en place des méthodes d’analyse des résultats d’extraction Etudier des méthodes de classification
2.2 Plan d’action
2.3 Périmètre de l’étude
Ayent est une commune qui se trouve à proximité de Sion, entre Grimisuat et St-Léonard, dans le canton du Valais, comme indiqué sur la figure 1.
Préliminaires
•Recherche bibliographique
•Analyse des données existantes
Acquisitions supplémentaires
•Mise en place de plan de vol
•Acquisition sur le terrain
Traitement des données récoltées
•Géoréférencement et extraction de la géométrie des vignes
•Classification des cépages
•Vérification de la cohérence des résultats
Figure 1 Situation de la zone d'étude sur un extrait de la carte nationale
Tout au long de ce projet, nous considèrerons le même périmètre d’étude. Il a été proposé par le mandant du projet parce qu’une partie des parcelles qu’il contient lui appartient. Il connait donc leurs cépages et les coordonnées de leurs limites. Le postulat de départ est de considérer que les informations récoltées sur les cépages sont justes. En partant alors de vol sur ce secteur, nous pourrions ainsi tester un traitement sur les vignes de ce secteur pour par la suite vérifier s’il peut se généraliser aux vignes de l’ensemble du territoire communal.
2.4 Logiciels utilisés
Un des objectifs du projet étant de permettre au mandant de réaliser le travail effectué pour d’éventuels futurs mandats, il est important dans le cadre du projet d’utiliser les logiciels à disposition du bureau Ingéo SA et aux bonnes versions. Ainsi, tout au long du projet, nous utiliserons les logiciels suivants :
Logiciel Version
10.4.1
3.1.23
2 et 3
2014
Tableau 1 Logiciels utilisés
3 DEFINITIONS ET PRINCIPE DE LA TELEDETECTION
La notion de télédétection est apparue avec l’apparition de la photographie aérienne. Selon la Commission interministérielle de terminologie de la télédétection aérospatiale (CITTA), la télédétection 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 ». Plus concrètement, elle consiste à enregistrer et analyser des retours d’intensité électromagnétiques par l’acquisition d’images sur le sol, pour en tirer des caractéristiques, d’après (Kergomard). Ce chapitre a pour but de définir la télédétection et de décrire son principe.
3.1 Rayonnements électromagnétiques et réflectance
La différence d’intensité entre le rayonnement électromagnétique (REM) incident et réfléchi varie selon le type d’objet qu’il rencontre.
Figure 3 Propriétés du rayonnement électromagnétique (Jean-Paul Lacombe, 2007)
En effet, comme l’illustre la figure 3 ci-dessus, issue du cours de télédétection spatiale de J.-P.
Lacombe et D. Sheeren, chaque objet possède des propriétés de réflectance, d’absorbance et de transmittance du REM qui lui sont propres. D’après la figure 3, la réflectance correspond au pourcentage de REM réfléchi sur la surface d’un objet par rapport au REM incident. On en déduit que le pourcentage de réflectance s’exprime de la façon suivante :
% = 100 × (1 − ∙ − ∙ )
Formule 1 Expression du pourcentage de réflectance d'un REM incident sur un objet donné
3.2 Signature spectrale
La signature spectrale d’un objet est l’expression du pourcentage de réflectance en fonction de la longueur d’onde. La représentation sous forme de graphique de la signature spectrale de différents objets permet de comparer les longueurs d’ondes selon lesquelles les rayons sont réfléchis et de quelle quantité.
Figure 4 Exemples de signatures spectrales de surfaces naturelles (UVED)
Pour prendre l’exemple de la signature spectrale de la végétation saine sur la figure 4, on constate que les longueurs d’ondes qui ont les plus hauts pourcentages de réflectance sont comprises entre 0.8 et 1.3 µm, ce qui correspond à du proche infrarouge, comme indiqué sur la figure 5.
Figure 5 Spectre de la lumière blanche (UVED)
L’utilisation des signatures spectrales permet de différencier de manière plus contrastée des éléments du sol et ainsi de mettre en évidence sur l’orthophoto des informations spécifiques.
3.3 Composition colorée
La composition colorée d’une image est une technique qui vise à représenter l’information avec de
« fausses couleurs » afin de mettre en évidence des éléments présents sur la photo. En règle générale, sur une image RGB, nous attribuons aux 3 bandes de couleur les trois bandes de couleur primaires correspondantes, comme l’illustre les schémas1 et 2 ci-dessous.
Cependant, lorsque l’analyse porte sur des bandes spectrales n’appartenant pas au spectre du visible, comme le proche infrarouge, il est intéressant de les représenter à l’aide de couleurs.
Conventionnellement, pour les bandes issues d’image en proche infrarouge, nous procédons comme il est indiqué sur le schéma 2 ci-dessus. Cela peut permettre de représenter des informations invisibles sur une image RGB, comme le montre la figure 6 ci-dessous, en distinguant l’herbe naturelle et le gazon synthétique.
Rouge Vert Bleu
Rouge Vert Bleu Rouge
Vert NIR
Rouge Vert Bleu
Schéma 2 Composition colorée RGB en
"vraies couleurs"
Schéma 1 Composition colorée NIR en
"fausses couleurs"
Figure 6 Comparaison entre une image RGB et une image IR en composée en "fausses couleurs" (Eklundh)
3.4 Classification
Les compositions colorées mettent en évidence des informations sur la surface du sol. L’objectif de la télédétection va alors être d’attribuer des pixels à des classes définies, afin de représenter de manière semi-automatique les éléments classés sur l’orthophoto.
On distingue deux méthodes de classification.
La classification supervisée :
Il s’agit d’une classification subjective, qui consiste à associer des groupes de pixels à des classes prédéfinies en tenant compte des caractéristiques du terrain en présence. Les classes sont ainsi choisies avant de lancer le calcul, afin d’indiquer par des exemples au logiciel quel types de pixels correspondent à quels types d’éléments du sol (Jean-Paul Lacombe, 2007).
La classification non supervisée
Cette classification commence par définir un nombre de classes, sans tenir compte de la réalité terrain, et de lancer un calcul automatique. L’ordinateur choisi alors quels pixels attribuer aux classes, en se basant sur des calculs statistiques. La légende des classes, i.e. la correspondance à des objets du terrain, se fait alors après le lancement du calcul (Jean-Paul Lacombe, 2007).
4 ANALYSE DES DONNEES EXISTANTES 4.1 Données à disposition
M. David Cotter, du bureau Ingéo SA à Haute-Nendaz (VS) a mis à ma disposition un vol effectué en 2014, sur le secteur d’étude à l’aide d’une caméra RGB. Les données concernant ce vol sont:
Les photos prises par le drone avec une résolution de 11 cm/px
Le plan de vol
Un plan cadastral de la zone de vol avec les cépages indiqués
L’extrait cadastral fourni par David Cotter comporte 8 cépages différents, répartis sur 11 parcelles.
Des informations supplémentaires sur les cépages ont été fournies par Laurence Rey de la commune d’Ayent. Ces données ont été mises à disposition sous forme de tableau avec les cépages attribués pour chaque numéro de parcelles.
Cependant, la totalité des parcelles survolées par le drone n’a pas forcément de cépage attribué.
Toutefois, l’ensemble des informations récoltées suffiront à réaliser des classifications sur une partie d’entre elles.
Figure 7 Cépages fournis sur l'extrait du parcellaire fourni par David Cotter
4.2 Extraction de caractéristiques géométriques
A partir des données du vol et des photos, un modèle numérique de surface (MNS) a été calculé sur Pix 4D avec une résolution de 10 cm/px. Le résultat, dont une capture a été prise en figure 8, présente un maillage lissé où les rangs des vignes ne sont pas modélisés.
Figure 8 Modèle numérique de surface issu d'un vol avec une résolution à 10cm/px
Un des objectifs du projet est d’extraire les rangs des vignes afin de pouvoir n’appliquer la télédétection que sur les pixels correspondant à la vigne.
L’hypothèse est que le vol a été réalisé avec une résolution insuffisante pour permettre de détecter les différences de hauteur entre le sol et les rangs de vigne. En effet, une étude réalisée en 2015, présentée lors de la semaine « Geospatial Week » à La Grande Motte en France (Use a very high- resolution airborne images to analyse 3D canopy architecture of vineyard, 2015) présente une solution permettant d’extraire les rangs de vignes sur une parcelle, en soustrayant le modèle numérique de terrain (MNT) au MNS. Pour se faire, une résolution de vol à 4 cm/px s’est montrée nécessaire dans leur protocole afin de modéliser correctement les rangs en limitant l’influence de la canopée des vignes. En effet, la canopée des vignes, à savoir la partie supérieure vue depuis le ciel, peut se montrer relativement large et surmonter un feuillage relativement dense. Ainsi, l’extraction des variations d’altitude nécessite une résolution fine afin de produire un modèle 3D de qualité.
Les données à disposition ne permettent donc pas d’extraire avec suffisamment de précision la géométrie du terrain. L’enjeu est alors d’effectuer des vols supplémentaires, à plus haute résolution, comme préconisé dans l’étude citée précédemment, pour permettre une modélisation des rangs de vignes plus fine.
5 PROTOCOLE DE MESURE
L’analyse des modélisations issues du vol effectué en 2014 avec une résolution de l’ordre de 10cm/px a permis de mettre en évidence l’influence de la résolution du vol pour extraire précisément des caractéristiques géométriques sur le secteur afin d’extraire les rangs de vignes. Des vols supplémentaires ont alors été planifiés.
5.1 Mise en place d’un plan de vol
Différents plans de vols ont été planifiés sur Emotion 2. Le principal critère sur lequel il a fallu être attentif est la résolution, à savoir la taille d’un pixel au sol, exprimée en cm/px.
Le secteur sur lequel nous portons l’étude est un terrain relativement accidenté avec de fort changement de pente. La taille d’un pixel se calcul avec la formule suivante :
Résolution : Taille d’un pixel au sol
R =1 px H
p, ! " ′ !! $
Formule 2 Résolution d'un pixel au sol
La formule 2 ci-dessus montre que la résolution est proportionnelle à la hauteur de vol. Pour illustrer la relation entre la hauteur de vol et la résolution, le schéma 3 représente un vol horizontal dans la direction de la pente du terrain. Les indications de hauteurs de vol et de résolutions ont été fournies lors de la mise en place de plans de vol sur Emotion2.
On constate que plus la photo est prise depuis un point de vue haut, plus la taille du pixel au sol est grande. L’influence de la variation de la hauteur de vol sur la résolution n’est pas négligeable dans le cas d’un terrain à fort relief. Il apparaît donc comme nécessaire d’effectuer des vols en palier, afin de suivre au mieux les courbes de niveau du secteur d’étude. En l’occurrence le secteur présente des pentes dont les directions sont différentes. Il faudra alors orienter au mieux les lignes de vol, afin de perdre le mois de résolution possible sur l’ensemble du secteur.
Pour se faire, nous avons utilisé le modèle d’élévation, proposé dans Emotion, comme l’illustre la figure 9 ci-contre. Il s’agit d’un modèle numérique de terrain qui permet d’avoir une idée des intensités et des directions des pentes du terrain.
Afin d’avoir une acquisition permettant d’obtenir une résolution moyenne de 4cm/px au sol et le meilleur recouvrement possible, nous avons effectué 4 plans de vol, à savoir de deux types par caméra.
Les vignes étant des objets linéaires, hauts et peu espacés entre eux, il est important de concevoir un plan de vol qui limite au mieux les points cachés, comme par exemple, ceux se trouvant au sol.
Hmin
~97m
Ligne de vol
Hmax
~287m Rmin
~3.4 cm
Rmax
~10 cm
Schéma 3 Evolution de la taille d'un pixel au sol en fonction de la hauteur de vol
Figure 9 Plan de vol tenant compte de du modèle d'élévation
Dans cet objectif, nous avons imaginé deux types de plans de vol :
Un vol avec des lignes de vol parallèles en palier, suivant le modèle numérique de terrain
Figure 10 Plan de vol en palier, vue de dessus et de profil
Comme nous l’avons vu précédemment, il est nécessaire pour ce type de terrain avec de fortes dénivelées, de prendre en compte le relief afin de ne pas dégrader la résolution des photos. Pour se faire, l’emprise du vol a été placée sur le secteur, les lignes de vol orientées de telle sorte à ce qu’elles soient globalement parallèles aux courbes de niveau (Cf. Figure 10). Cette configuration se fera au moyen de deux vols. Une fois le premier vol terminé, le second suivra la même configuration, translatée de la moitié de la distance entre deux lignes de vol.
Un vol avec des lignes de vol perpendiculaire
Le plan de vol ci-après sur la figure 11 a été réalisé avec des lignes de vol perpendiculaires.
L’avantage d’une telle configuration de vol est qu’elle permet de prendre des photos de quatre points de vue différents et de limiter ainsi la présence de points cachés au sol.
Le problème avec une configuration perpendiculaire est, qu’en présence d’un terrain avec une forte dénivelée, il est impossible de planifier des lignes de vol perpendiculaires aux courbes de niveau qui suivent le terrain, comme l’illustre la vue de profile sur la figure 11. Les lignes de vol dans le sens de la pente du terrain vont alors produire une résolution globale qui sera dégradée par rapport aux lignes de vol parallèles aux courbes de niveau qui suivent, par palier, le relief du terrain.
Après discussion avec David Cotter, habitué des vols de drone en région montagneuse, nous avons opté pour des vols en paliers qui suivent les courbes de niveau.
Figure 11 Lignes de vol perpendiculaires, vue de dessus et de profil
5.2 Paramétrage du vol
Afin de garantir un recouvrement global fiable, malgré un vent assez fréquent sur la zone de vol nous avons fixé un recouvrement latéral entre les photos de 80% et longitudinal de 65%. Puis nous avons descendu la résolution jusqu’à obtenir une résolution moyenne proche de 4cm/px. Il a fallu être attentif au temps de vol, sachant qu’une batterie a en moyenne une autonomie de 20 à 30 min.
En effet, nous disposions de 2 heures pour effectuer le vol. En effet, le soleil est trop rasant avant 9h et le vent se lève vers les 11h. Le dossier du paramétrage des plans de vol transmis à David Cotter avant d’aller sur le terrain est annexé au présent rapport.
5.3 Points d’appuis
Nous avons matérialisé des points d’appuis de façon à ce qu’ils soient répartis au mieux sur l’ensemble de la zone de vol.
Dans la mesure du possible, il a été choisi de prendre un maximum d’objets déjà matérialisés, du type regards, marquages de route, que nous avons au besoin peint avec un spray orange. Seul le point 6 a été matérialisé par une cible amovible rectangulaire jaune fluorescent. Les fiches signalétiques correspondantes sont annexées au présent document (Annexe 5.2).
Figure 12 Répartition des points d'appui sur la zone de vol
5.4 Matériel utilisé pour l’acquisition
Le matériel utilisé pour réaliser des acquisitions supplémentaires ainsi que les personnes qui l’ont mis à disposition sont indiqués dans le tableau 2 suivant.
Matériel Photo Propriétaire
Un drone eBee Bureau Ingéo SA
Une caméra RGB
S.O.D.A. Bureau Ingéo SA
Une caméra S110 NIR HEIG-VD
Un GNSS de Leica avec rover GS14 et console
CS10
Bureau Ingéo SA
Tableau 2 Matériel mis à disposition (SenseFly)
5.5 Règlementation
Le secteur sur lequel porte l’étude se trouve à proximité d’un aérodrome militaire et civil.
L’Ordonnance du DETEC sur les Aéronef de Catégories Spéciales (OACS) fixe des règles à respecter pour effectuer des vols, notamment de drones, en présence de telle installation aérienne. Le drone eBee utilisé lors de notre vol fait partie de la catégorie des aéronefs sans occupant d’un poids allant jusqu’à 30kg. L’Office Fédéral de l’Aviation Civile (OFAC) a mis à disposition sur le géoportail fédéral (Map.Geo.Admin) des données concernant les zones de restriction de vol pour les drones.
Comme l’indique la figure 13, le secteur d’étude se situe dans une zone avec interdiction de vol limité (au-delà de 150m au-dessus du sol).
Nous avons pris garde avec David Cotter de réaliser un plan de vol ne dépasant pas les 100m au dessus du sol, afin de ne pas avoir à demander d’autorisation auprès de l’autorité compétente.
Figure 13 Extrait de la couche de l'OFAC sur le guichet cartographique (Map.Geo.Admin, 2017)
5.6 Vol sur le secteur
Comme nous l’avons mentionné précédemment, le secteur sur lequel nous souhaitions réaliser les vols est relativement accidenté avec une forte dénivelée et peu de parcelles sans culture de vignes. La figure 14 présente le secteur de décollage et d’atterrissage du drone que nous avons choisi qui, malgré une pente assez forte avait l’avantage de ne pas disposer de vignes.
Les vols ont finalement été réalisés sur deux jours : les 8 et 9 juin. En effet, plusieurs problèmes inattendus sont survenus.
Pour commencer, les plans de vols réalisés à l’aide d’Emotion 2 ne sont pas dans un format compatible avec Emotion 3. David Cotter, ayant téléchargé la 3ème version d’Emotion pour pouvoir utiliser sa caméra S.O.D.A de Sensefly récemment acquise, il a fallu refaire les plans de vols préparés, sur place avec Emotion 3. Cependant, l’évolution de l’interface entre Emotion 2 et Emotion 3 est peu intuitive. Par conséquent, du temps a été pris pour comprendre comment paramétrer les vols tels que planifiés sur Emotion 2. Plusieurs appels téléphoniques à l’entreprise Sensefly ont été nécessaires pour résoudre nos différents problèmes le plus rapidement possible.
Puis, alors que le vol RGB s’est effectué sans encombre, la caméra NIR n’était pas paramétrée dans le bon mode. Alors que la plupart des appareils photo montés sur drones doivent être configurés en mode automatique, la caméra S110 NIR doit se trouver en mode C. En effet, en lisant les brochures techniques, nous nous sommes aperçus que ce réglage était nécessaire pour qu’Emotion puisse dialoguer avec la caméra et inscrire, notamment, les mesures d’inclinaisons dans les métadonnées des images. La résolution de ces divers problèmes a pris du temps et les conditions de vols n’étaient plus optimales pour pouvoir faire le vol avec la caméra NIR le même jour.
6 TRAITEMENT DES ACQUISITIONS
Afin de pouvoir exploiter les données qui seront produites à partir des images issues des vols, et les utiliser pour établir un cadastre viticole, il est préférable de se placer dans le système de projection métrique suisse.
6.1 Géoréférencement des photos
Pour géoréférencer les photos prises par le drone, les points d’appuis ont été mesurés au GNSS. Le fichier de mesures exporté permet d’attribuer les coordonnées aux objets mesurés directement dans les images. Dans le cas présent, les coordonnées des points sont en MN95, tandis que les coordonnées des photos sont en WGS84. Cela n’a que très peu d’influence. En effet, Pix4D va caler l’ensemble du nuage sur les points d’appuis.
N’ayant pas utilisé un drone muni d’un capteur RTK, dont les mesures sont plus précises, le logiciel considère les coordonnées des prises de vue des photos comme des valeurs approximatives.
Figure 14 Zone de décollage et d'atterrissage du drone
Le géoréférencement des photos se fait en sélectionnant les cibles, matérialisées sur le terrain, directement sur les photos où elles apparaissent. Les points d’appuis ont pour la plupart été autant faciles à déterminer sur les photos RGB que sur celles en proche infrarouge. Les images en proche-infrarouge sont tout de même moins nettes (Cf. Figure 15).
Les points qui étaient les plus nets ont été sélectionnés dans le maximum de photos. En effet, la sélection de chaque point s’est faite dans au moins 4 photos en privilégiant des points de vue différents.
Les résidus des points d’appuis sur les images est de l’ordre du cm, jusqu’à 2cm, comme le montre tableau du résultat Pix4D du vol NIR sur le géoréférencement (Tableau 3). Ces résidus sont largement acceptables pour l’utilisation que nous allons faire des produits photogrammétriques.
Tableau 3 Résultat Pix4D du géoréférencement des photos issues du vol NIR
6.2 Création de produits photogrammétriques
Pour chaque vol (NIR et RGB), des produits photogrammétriques de type raster ont été calculés.
Vol RGB Vol NIR
Orthophoto à 10cm/px MNS à 10 cm/px MNT à 16cm/px
Orthophoto à 10cm/px
Carte de réflectance à 10 cm/px
Tableau 4 Produits photogrammétriques calculés
L’idéal aurait été d’attribuer la même résolution au MNT qu’au MNS, cependant, il n’est pas possible de descendre en dessous de 5 fois la résolution moyenne (GSD) calculée par Pix4D lors du processus initial. La carte de réflectance a été produite plus tard dans le projet après discussion avec l’experte et le professeur responsable lors de la soutenance intermédiaire. Des tests seront réalisés dans le chapitre 8.3 pour démontrer l’apport de la carte de réflectance par rapport à l’orthophoto, en matière de classification des cépages.
L’ensemble des résultats des calculs Pix4D seront utilisés tout au long du projet pour extraire les rangs de vignes et appliquer la classification des cépages.
Figure 15 Points d'appuis sur une photo RGB et une photo NIR
7 EXTRACTION DES RANGS DE VIGNES
7.1 Méthode 1 : Caractéristiques géométriques avec les images RGB
7.1.1 MODELE NUMERIQUE D’ELEVATION (MNE)
Afin de créer un modèle digital d’élévation, nous nous sommes inspirés de l’étude portant sur l’extraction des rangs de vignes à l’aide d’images de drone à très haute résolution (Use a very high-
resolution airborne images to analyse 3D canopy architecture of vineyard, 2015).
Dans cette étude, la méthode expliquée consiste à soustraire le modèle numérique de surface (MNS), par le modèle numérique de terrain (MNT), afin de produire un modèle numérique d’élévation (MNE). En pratique, les rasters issus directement du calcul de Pix4D associent à chaque pixel une altitude. De plus, pour rappel, un MNT modélise la surface du sol, tandis que le MNS prend en plus en considération le sol et les objets tridimensionnels présents sur le sol. Ainsi, en faisant la différence entre le MNS et le MNT, le sol n’est alors plus pris en compte, aux erreurs de modélisation près. Cette étape a été faite à l’aide de l’outil « Calculatrice raster » d’Arcmap.
7.1.2 DECOUPAGE DU PERIMETRE D’ETUDE
Afin de trouver une symbologie adaptée pour représenter les rangs de vignes, le résultat du calcul de soustraction, présenté à la figure 16, a été découpé. Le but de ce découpage est d’enlever les éléments très hauts, tels que les bâtiments et les arbres, pour pouvoir représenter le raster en seuil.
Pour se faire, l’outil ArcMap utilisé est l’outil « Extraction par masque ». Cet outil permet de découper un raster à partir d’un fichier de forme. Il a alors suffi de dessiner un polygone qui contienne les vignes débarrassées des bâtiments et des arbres. Cette manipulation a permis d’adapter la symbologie pour visualiser les rangs de vignes.
7.1.3 SEUILLAGE DES HAUTEURS DE MNE
Le seuillage des hauteurs sur les pixels du MNE consiste à attribuer une valeur pour tous les pixels compris entre deux plages de hauteur, et pas de valeur à ceux en sont en dehors. Le schéma 4 présente en vue de profil sur un rang de vigne ce que l’on entend par seuil minimal et seuil maximal.
Figure 16 Modèle numérique différentiel
Seuil maximal
Seuil minimal Sol
Rangs de vignes
Schéma 4 Extraction des rangs par seuillage des hauteurs du MNE
Pour commencer, une symbologie par seuil a été réalisée sur le MNE découpé.
Les premiers seuils minimal et maximal choisis ont été respectivement 10cm et 1.5m. Pour faire ressortir les rangs de vignes, la symbologie a été adaptée de façon à représenter les pixels compris dans l’intervalle des seuils choisis en blanc et les autres en noir.
Comme le montre la figure 17, ce premier résultat permet de mettre en évidence les rangs de vignes.
Figure 17 MNE avant / après symbologie par seuil (blanc supérieur à 10cm, noir inférieur)
L’étape suivante a été de tester plusieurs affichages en faisant varier le seuil minimal. Le but est alors de trouver quel seuil permet de représenter le plus finement les rangs de vignes.Pour simplifier la comparaison des résultats, les résultats des différents tests ont été superposés avec des couleurs différentes. Un extrait de ces tests superposés est affiché sur la figure 18.
Figure 18 Comparaison des différents tests de seuillage
Le seuil minimal qui représente le mieux la majorité des rangs de vigne du secteur est de 10cm.
Le seuil maximal, fixé à 1.5m, suffi à débarrasser le raster des objets trop hauts, tout en conservant les pixels des vignes. Cette représentation met en évidence les rangs de vignes sur la majorité du secteur. Des objets qui ne correspondent pas aux vignes sont toutefois toujours présents mais restent dans l’ensemble peu nombreux. Il s’agit entre autres de voiture sur les routes au milieu des vignes.
Les rasters seront nettoyés de ces objets au moment de la classification.
7.1.4 EXTRACTION DES RANGS DE VIGNES
Afin de mettre les rangs de vignes sous forme de raster, la fonction raster « masque » a été utilisée.
Cette fonction va attribuer des valeurs NoData aux pixels qui ne font pas parti de l’intervalle introduit. Ainsi, en appliquant la fonction Masque sur le MNE, et en fixant les seuils optimaux déterminés à l’étape précédente comme borne de l’intervalle, le résultat correspond effectivement aux rangs de vignes, comme déterminés avec la symbologie précédente.
Figure 19 Résultat de l'extraction des rangs de vignes à l'aide du MNE
Pour une meilleure lisibilité, les pixels sans valeurs ont été représentés en rose sur la figure 19. Enfin la conversion des rangs de vigne en polygone facilite le découpage de l’orthophoto. En effet, bien que des fonctions existent, ArcMap supporte difficilement de découper un raster par un raster. La vectorisation des rangs de vignes, au format shape, obtenus par extraction ne doit pas être simplifiée, de telle sorte que l’emprise exacte des pixels soit conservée.
7.2 Méthode 2 : Caractéristiques de réflectance avec les images NIR
Cette méthode a pour but de découper les rangs de vigne, à partir de caractéristiques de réflectance, par calculs d’indices.
7.2.1 CALCUL DU NDVI SUR LA ZONE
Le premier indice calculé est le NDVI. Il s’agit de l’indice de végétation normalisé. Une des particularités de cet indice est qu’il permet de distinguer la végétation des autres types de couverture du sol sur une photo, de manière efficace. Son calcul s’effectue selon la formule 3 suivante.
%&'( )(
)( *
Formule 3 Calcul du NDVI
Ses valeurs varient entre -1 et 1. Cet indice permet de mettre en valeur des informations sur la carte en fonction de la réflectance dans le rouge et le proche infrarouge des objets. Par exemple, « les surfaces autres que les couverts végétaux, comme la neige ou l’eau, pour lesquelles la réflectance dans le rouge est supérieure à celle en proche infrarouge, ont des valeurs de NDVI négatives », représentés en vert sur la figure ci-dessous (UVED). Dans le cas des végétaux, le NDVI a des valeurs comprises généralement entre 0.1 et 0.7, représentées en jaune sur la figure ci-dessous.
Le calcul de NDVI a été réalisé sur l’ensemble de l’orthophoto NIR dans le but de faire un premier test de télédétection.
Figure 20 NDVI sur l'ensemble du secteur
Il est intéressant de constater que cet indice permet la mise en évidence des rangs de vigne.
Cependant, le calcul n’est pas optimal sur l’ensemble du secteur. C’est pourquoi, il serait intéressant de rechercher un indice permettant une représentation plus précise des rangs de vignes sur l’ensemble du secteur, afin de pouvoir les extraire de l’orthophoto par la suite.
7.2.2 RECHERCHE D’UN INDICE POUR REPRESENTER LES RANGS DE VIGNE
Un calcul d’indice s’est révélé particulièrement efficace pour représenter les rangs de vigne le plus proprement possible. Il s’agit du GRVI (Green-Red Vegetation Index) dont le calcul s’effectue selon la formule 4 suivante.
Formule 4 Calcul du "Green-Red Vegetation Index" (Takeshi Motohka, 2010)
Cet indice permet de représenter finement les rangs de vigne sur la majorité du secteur d’étude comme le montre la figure 21. Les vignes sont représentées en orange, ce qui correspond à des valeurs positives.
Figure 21 Extrait du résultat du calcul du GRVI
Le GRVI est plus efficace que le NDVI. En effet, en superposant les résultats de ces deux indices, on constate que les rangs de vignes s’expriment plus finement avec le GRVI. C’est pourquoi, c’est cet indice que nous allons utiliser pour extraire les rangs de vigne.
L’idée est maintenant d’extraire les rangs en trouvant le seuil minimal de GRVI qui permet de ne récupérer que les pixels orange correspondant aux vignes.
7.2.3 SEUILLAGE DES VALEURS D’INDICE
Il est intéressant de constater que tous les rangs de vignes semblent appartenir au même intervalle d’indice GRVI A l’aide de la calculatrice raster, une formule arithmétique a été utilisée pour tenter d’extraire les rangs de vignes : + '( , -.
En faisant varier n, les pixels extraits ont pu être comparés par rapport à leur cohérence avec la position des vignes, en attribuant des couleurs différentes selon le seuil calculé.
En superposant différents seuils, représentés avec plusieurs couleurs (Cf. Figure 22), cela permet de montrer que le seuil qui correspond le mieux à la géométrie des vignes sur l’ensemble du secteur est avec n = -0.005.
7.2.4 EXPORT DES RANGS DE VIGNES EN FICHIER DE FORME
De la même manière que pour la méthode précédente, le raster créé correspondant aux rangs de vignes déterminé selon les propriétés de réflectance de l’orthophoto doivent être convertis en fichier de forme afin de découper l’orthophoto de manière plus aisée. Pour se faire, les pixels attribués aux vignes ont été extraits dans un nouveau raster, à l’aide de l’outil « Reclassification ».
La présence d’arbres sur l’orthophoto, étant attribués aux pixels de vignes, le raster a dû de plus être découpé selon le périmètre créé précédemment. Le raster en sorti ne contient alors plus que les pixels attribués aux vignes. Ce raster a ensuite été, de la même façon, converti en polygones, en prenant soin de ne pas effectuer de simplification de la géométrie, pour garantir l’emprise réelle des pixels sur l’orthophoto.
7.3 Comparaison des deux méthodes d’extraction des rangs de vigne
7.3.1 ANALYSE QUALITATIVE
Pour comparer les méthodes, les deux couches de rangs de vignes produites ont été importées dans ArcMap et superposées à l’orthophoto. Il en ressort qu’extraire les rangs à partir des
caractéristiques de réflectance est globalement plus efficace qu’à partir des caractéristiques d’élévation. Le tableau 5, à la page suivante, présente des zooms de l’orthophoto sur lesquels, les emprises des pixels extraits par chaque méthode sont représentées.
En violet figurent les rangs issus du calcul d’indice GRVI et en jaune ceux issus du modèle numérique d’élévation. Chaque image est analysée pour déterminer les atouts de chaque méthode.
Figure 22 Comparaison des seuils de GRVI
Zoom Avantages et inconvénients des méthodes La méthode géométrique ne permet pas d’extraire les pixels de vigne sur ce type de rang peu dense. La représentation de l’index GRVI, en revanche permet de tracer les lignes des rangs de manière quasi continue.
La parcelle ci-contre est composée de vignes jeunes qui ne pas encore de beaucoup de feuillage. De ce fait, les rangs ne sont pas continus. Cependant, on constate que la méthode du GRVI a tout de même détecté la présence d’un couvert végétal. La méthode d’extraction par le MNE, en revanche ne représente pas de vigne à cet endroit. Les hauteurs de cep sont sûrement trop petites. Dans ce cas, mieux vaut la méthode géométrique qui n’extrait pas de rangs que la méthode du GRVI qui extrait des tâches inadéquates.
L’image ci-contre se situe à proximité du bord de l’orthophoto. Les pixels étant extraits à partir du modèle d’élévation sont particulièrement influencés par les erreurs de modélisation. Il est probable qu’une le MNE soit moins précis à cet endroit. Dans ce type de cas, il est flagrant que la méthode du GRVI est plus efficace. En effet, les pixels sélectionnés correspondent à des vignes et non à un ensemble vigne, route, et sol.
la méthode géométrique extrait des rangs de façon plutôt efficace contrairement à la méthode du GRVI, peu de pixels ont été extraits. Ce phénomène est probablement dû à la minceur des rangs : peu de rayonnement électromagnétique est réfléchi. Si le seuil de GRVI avait été plus pas, les pixels manquants auraient été pris en considération. Cependant, sur l’ensemble du secteur d’étude, cette baisse de seuil aurait impliqué de prendre en compte des pixels incohérents, tels que du sol. Le choix a été de considérer que cette manipulation dégradait trop la qualité des rangs de vigne extraits, sur la majorité du secteur
Tableau 5 Comparatif des méthodes d'extraction des rangs de vigne superposées
D’une manière générale, la méthode d’extraction qui utilise le calcul de l’indice GRVI permet d’extraire des rangs de manière plus précise que celle utilisant le seuillage du modèle d’élévation.
Pour valider cette observation, une analyse quantitative est établie, sur la base d’échantillons de vignes DOIT.
7.3.2 ANALYSE QUANTITATIVE
Afin de proposer une analyse quantitative des méthodes utilisées pour extraire les rangs de vignes, des échantillons de
« vérité terrain » ont été créés. Ces échantillons ont été digitalisés manuellement en détourant les pixels qui représentent de la vigne. Pour gagner du temps, le but est de pouvoir, par la suite, s’en servir comme échantillon d’apprentissage, lors de la phase de classification. C’est pourquoi, les échantillons de vérité terrain ont été créés,
à l’aide de l’outil Classification, avec leur cépage correspondant. Selon la densité de feuillage des vignes, il a paru intéressant de créer plusieurs échantillons pour un même cépage. C’est le cas du pinot noir et du sauvignon blanc. On constate sur la figure 23 ci-dessus, que des pixels extraits par les deux méthodes peuvent déborder de l’échantillon de vérité terrain. Afin de pouvoir constater les écarts aux valeurs DOIT, correspondant aux échantillons de vérité terrain, un polygone d’emprise a servi à détourer les rasters des rangs. Ainsi, même si les pixels débordent de l’échantillon DOIT, ils seront comptés et comparés au nombre de pixels DOIT correspondant. Les pixels des rasters de rangs de vigne découpés par le polygone d’emprise, sont dénombrés automatiquement dans le champ « COUNT » du raster créé. Le nombre de pixels inclus dans les périmètres de vérité terrains est indiqué pour chaque cépage dans le champ « Total », dans le gestionnaire d’échantillonnage.
Cependant, le nombre de pixels des rasters découpés présentait des incohérences (cf. Figure 24). En effet, le raster issu du modèle d’élévation possède moins de pixels que celui issu du calcul de GRVI, alors que son emprise était plus grande. Cela est dû au fait que le raster issu du calcul de GRVI possède la même résolution que l’orthophoto, à savoir 10cm/px ; tandis que celui issu du MNE, possède une résolution moyennée entre celle du MNS, à savoir 10cm/px, et du MNT, de 20cm/px. La taille des pixels des deux rasters obtenus est donc différente.
Raster Méthode Taille d’un pixel (m×m) Rang_grvi_ras.tif Réflectance 0.1×0.1
Rang_vigne.tif MNE 0.1625×0.1625
Afin de pouvoir tout de même comparer l’extraction des rangs de vignes, l’idée a été de convertir les pixels en surface, selon la formule 5 suivante.
. " $/- 0 $ 12 - 13 !$0 4 $ 5 - !$0 12
Formule 5 Calcul des surfaces de vigne extraites
Figure 23 Echantillon de "vérité terrain" et polygone d'emprise
Figure 24 Différence de taille des pixels entre les résultats
des deux méthodes d'extraction
Les classes d’échantillons DOIT ont, quant à elles, été exportées en un fichier de forme, dans lequel un champ surface a été calculé. Le graphique 1 présente les résultats obtenus.
Graphique 1 Comparaison des surfaces obtenues par les deux méthodes avec celles des échantillons de vérité terrain
Les informations qui ressortent de ce graphique confirment que la méthode de réflectance extrait moins de surface de vigne que la méthode géométrique. Grâce à la surface « DOIT » représentée par la courbe verte sur le graphique, on constate que la surface des rangs de vignes extraits par la méthode géométrique est généralement trop importante. Cette remarque soutient l’analyse qualitative qui en avait déjà fait mention. Cela signifie que cette méthode prélève également des pixels au sol. La méthode selon les caractéristiques de réflectance est plutôt pessimiste : elle extrait moins de pixels que ce qu’il faudrait.
Afin de représenter de manière plus lisible les résultats de l’extraction, les surfaces ont été converties en pourcentage par rapport à la surface de vigne « DOIT ».
'$/- 0 $ % . " $/- 0 $ 12
. " $/- &6( 12 100
Formule 6 Pourcentage de vignes extraites
Comme l’indique la formule 6, les surfaces extraites sont comparées en fonction de leur ratio sur les surfaces digitalisées à la main, considérées comme vérité terrain.
5
2
4 4
3 3 3
1 2
01 23 45 67
Surface des échantillons en m2
Echantillons de cépages
Comparaison des surfaces de rangs de vignes obtenues par les deux méthodes
Méthode Réflectance Méthode géométrique Vérité terrain
La représentation de ces pourcentages sur un diagramme en étoile (cf. Graphique 2) permet de comparer les écarts entre les courbes mais surtout la tendance (supérieure ou inférieure) de ces courbes par rapport aux courbes « DOIT ».
Graphique 2 Pourcentage de vignes extraites par les deux méthodes
On constate ainsi que la méthode géométrique est bien trop optimiste en extrayant en moyenne 10% trop de pixels, et que la méthode des caractéristiques de réflectance est plutôt pessimiste, avec 30% de pixels en moins par rapport aux échantillons DOIT.
7.3.3 CHOIX DE LA METHODE D’EXTRACTION DES RANGS DE VIGNE
L’objectif de l’extraction des rangs de vignes est de permettre d’appliquer la classification des cépages sur des pixels qui sont uniquement composés de vignes, afin d’éliminer des sources d’erreurs.
Il apparait alors plus intéressant de choisir la méthode d’extraction la plus pessimiste pour ne pas prendre le risque d’avoir des pixels inadéquats lors de la classification. La méthode qui sera alors retenue pour découper les différentes bandes des rasters pour appliquer des classifications sera donc celle utilisant le calcul d’indice GRVI.
Pinot noir
Gamaret
Merlot
Gamay Syrah
Sauvignon blanc Johannis Pinot blanc
Muscat
Pourcentages de vignes extraites par les deux méthodes
Méthode Réflectance Méthode Géométrique Vérité Terrain
8 CLASSIFICATION SUR LES ECHANTILLONS DE VIGNES « DOIT »
Les classes d’échantillon de vérité terrain, employées pour réaliser l’analyse quantitative des rangs (Cf. Chp. 7.3.2), ont étés réutilisées pour faire un premier test de classification. Le but de cette manipulation est de vérifier si les classes de cépages sont cohérentes et assez différenciées.
Les bandes des orthophoto RGB et NIR ont tout d’abord été découpées selon les rangs obtenus par la méthode de réflectance. Puis, ces extractions de bandes ont ensuite été découpées selon l’emprise des échantillons de vérités terrain de vignes.
8.1 Fichier Signature et dendrogramme
Un fichier signature a été créé à partir des 6 canaux rasters découpées : Rouge
Vert Provenant de la caméra RGB Bleu
NIR
Rouge Provenant de la caméra NIR Vert
A partir de ce fichier signature, nous avons pu générer un dendrogramme. Il s’agit d’un type de graphique qui utilise des données statistiques pour regrouper des classes d’échantillonnage. Pour se faire, le dendrogramme calcule des distances entre les classes et les regroupe petit à petit en fonction de leur éloignement. Le logiciel ArcMap génère automatiquement des dendrogrammes à partir du fichier signature. Le calcul des distances entre les classes s’effectue selon la formule 7, d’après le site web « ArcGis for Desktop » dans l’onglet « Fonctionnement de l’outil Dendrogramme ».
avec m,n : identifiants des classes i : numéro de couche
µ : moyenne d’une classe m ou n dans la couche i V
Pour affecter un point à une classe, le critère de Ward fixe la règle suivante (Déjean) : Minimiser l’inertie intra-classe ↔ Maximiser l’inertie inter-classes
Schéma 5 Décomposition de l'inertie totale (en vert l’inertie intra-classe et en rouge l’inertie inter-classes (Déjean)
Le critère de Ward, illustré par le schéma 5, permet de définir, dans le cas de la télédétection des cépages, des objectifs statistiques quant à la classification réalisée sur les cépages.
Formule 7 Calcul des distances interclasses (ArcGis for Desktop)
Ainsi, pour obtenir une télédétection efficace, nous devons obtenir le plus d’hétérogénéité possible entre les classes d’échantillon digitalisées. Un dendrogramme a été réalisé à partir du fichier signature créé précédemment.
L’axe des abscisses correspond aux distances calculées entre les classes d’échantillon. L’axe des ordonnées correspond aux identifiants des classes répertoriées.
A partir de ce graphique, on peut considérer que les classes 2 et 3, correspondant respectivement au gamaret et au merlot, sont suffisamment différenciées des autres classes, car elles sont regroupées seulement à la fin du dendrogramme. A contrario, il laisse présager des coïncidences entre les classes 8 et 4, correspondant respectivement au pinot blanc et au gamay. En effet, ces deux classes sont les premières à être regroupées par le dendrogramme : la distance entre les moyennes des deux classes est la plus petite.
8.2 Classification de vraisemblance maximale
Sur la base de ces échantillons de vigne DOIT, un premier calcul de classification de vraisemblance maximale a été lancé sur ces mêmes échantillons. Le but de ce calcul est de tester les échantillons d’apprentissage. En effet, en théorie, les classes devraient s’attribuer correctement et de manière automatique, étant donné que ce sont les mêmes qui ont servi à l’apprentissage. De plus, cette manipulation permet de considérer que la totalité pixels doit être classée.
Plusieurs rasters classés selon les cépages ont alors été réalisés en faisant varier les bandes en entrée.
Ainsi, les 4 combinaisons de bandes comparées sont les suivantes (Cf. Annexe 2) :
6 bandes : {Rouge, Vert, Bleu} de la caméra RGB, et {NIR, Rouge, Vert} de la caméra NIR 4 bandes : {Rouge, Vert, Bleu} de la caméra RGB et {NIR} de la caméra NIR
3 bandes : {Rouge, Vert, Bleu} de la caméra RGB 3 bandes : {NIR, Rouge, Vert} de la caméra NIR
Graphique 3 Dendrogramme des classes réalisées à partir des échantillons de vérité terrain
Tableau 6 Identifiants et cépages correspondants
Afin de proposer une méthode rigoureuse pour analyser la classification réalisée par les quatre tests, des histogrammes ont été réalisés sur les échantillons DOIT. Chaque histogramme présente le nombre de pixels classés selon les différents cépages, obtenus sur les échantillons. Etant donné que les échantillons qui ont été classés ont également servi à l’apprentissage, le résultat attendu est qu’un maximum de pixel soit attribué au bon cépage. Cependant le cela ne s’est pas produit de manière systématique selon les tests. D’où la nécessité de construire un tableau de comparaison.
Pour se faire, des couleurs ont été attribuées aux résultats obtenus comme l’indique le tableau 7.
Résultat
satisfaisant Gamay
Résultat
incomplet Syrah
Résultat
insuffisant Merlot
Tableau 7 Méthode d’appréciation des tests de classification
Le tableau détaillé, contenant l’ensemble des échantillons avec leurs illustrations au cas correspondantes se situe en annexe 4 du présent rapport.
Au final, le tableau 8, servant à la comparaison des tests avec les couleurs d’appréciations, a l’allure suivante :
Cépages Tests
R-G-B-NIR-R-G R-G-B-NIR R-G-B NIR-R-G
Pinot noir
Gamaret Merlot Gamay Syrah Sauvignon blanc
Johannis Pinot blanc
Muscat
Tableau 8 Comparaison des tests de classification sur les échantillons DOIT
Le nombre de tests faits sur le pinot noir et le sauvignon blanc correspondent au nombre supplémentaire d’échantillons de vérité terrain digitalisés (Cf. Chp. 7.3.2).
Il est clair que le test qui obtient le plus de résultats satisfaisants est celui utilisant les six bandes provenant des orthophotos issues des deux caméras : les bandes R-G-B-NIR-R-G.
8.3 Apport des données issues de la carte de réflectance
En cours de projet, une carte de réflectance a été calculée à partir des photos de la caméra NIR.
Une orthophoto et une carte de réflectance diffèrent par les points suivants (Pix4D) :
« Une balance des couleurs est appliquée pour le calcul des orthophotos. Cela signifie que Pix4DMapper va essayer d’ajuster l’intensité des couleurs dans chaque image pour qu’elles s’accordent mieux entre elles. Le but de cette manipulation est d’obtenir un rendu visuel plus agréable. ».
« Pour la carte de réflectance, aucune balance de couleurs n’est appliquée. Le poids de tous les pixels est alors calculé de manière différente dans la moyenne pondérée. Le but est de produire une carte où les valeurs de chaque pixel indiquent exactement la réflectance de l’objet. ».
Ainsi, comme l’explique l’article « Difference between the Reflectance map and the Orthomosaic » sur le site de Pix4D Support, en pratique, le calcul d’une orthophoto prend en comptes des moyennes de valeurs de pixels afin d’avoir un rendu plus esthétique. Cela n’est pas le cas pour les cartes de réflectance. Il est alors intéressant de regarder ce que peut apporter ce produit photogrammétrique dans le cadre de la télédétection.
Pour se faire, les différents tests précédents ont été répétés, mais cette fois, les bandes issues de la caméra NIR, ne proviennent plus de l’orthophoto mais de la carte de réflectance. Les rangs de vignes ont été préalablement extraits selon l’emprise des rangs de la méthode GRVI. Puis les emprises des échantillons d’apprentissage ont été soustraites aux rangs, afin de se placer dans les mêmes conditions de tests que précédemment avec les bandes de l’orthophoto.
L’emprise des rangs calculés avec le GRVI sur l’orthophoto NIR a servi à découper la carte de réflectance. En effet, beaucoup de temps a été investi jusqu’à la soutenance intermédiaire pour réaliser les étapes préliminaires à l’étape de classification des cépages.
