• Aucun résultat trouvé

Caractérisation des zones urbaines en vue d'une modélisation du cycle de l'eau

N/A
N/A
Protected

Academic year: 2021

Partager "Caractérisation des zones urbaines en vue d'une modélisation du cycle de l'eau"

Copied!
67
0
0

Texte intégral

(1)

HAL Id: hal-02590683

https://hal.inrae.fr/hal-02590683

Submitted on 15 May 2020

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of sci-entific research documents, whether they are

pub-L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non,

Caractérisation des zones urbaines en vue d’une

modélisation du cycle de l’eau

F. Abdo

To cite this version:

F. Abdo. Caractérisation des zones urbaines en vue d’une modélisation du cycle de l’eau. Sciences de l’environnement. 2008. �hal-02590683�

(2)

Université Montpellier II

Mastère BGAE deuxième année

Recherche Eau et Environnement (R2E)

2007-2008

MEMOIRE DU STAGE

CARACTERISATION DES ZONES URBAINES EN VUE

D’UNE MODELISATION DU CYCLE DE L’EAU

Présenté par

Fadi ABDO

Encadrant : Flavie CERNESSON

Christian PUECH

Date de soutenance : 09/07/2008 CemOA : archive ouverte d'Irstea / Cemagref

(3)

Table des matières

Table des matières ...1

Index des figures ...2

Index des tableaux ...3

1. Introduction ...4

2. Objectif...5

3. Problématique de la perméabilité des sols ...5

4. Zone d’étude...7

4.1. Présentation ...7

4.2. L’accroissement de la population sur le bassin de Thau (Crotet, 2007) ...8

4.3. Evaluation de l’étalement urbain sur le bassin de Thau (Bouard, 2006) ...8

4.4. Synthèse des études précédentes ...11

5. Présentation des données disponibles ...13

5.1. SPOT 5 ...13

5.2. Modèle Numérique de Terrain (MNT)...14

6. Carte d’occupation et d’utilisation du sol ...15

Définition ...15

Utilisation ...15

7. Modélisation hydrologique en milieu urbain ...16

7.1. La méthode rationnelle...16

7. 2. La méthode du Soil Conservation Service (SCS) ...18

8. Etablissement des nomenclatures :...22

9. Méthodologie de traitement des données ...23

9.1. La classification pixel par pixel ...23

9.2. La classification orientée objet...24

9.2.1.1. Définition ...24

9.2.1.2. Méthodes ...25

9.2.2. Classification ...26

9.3. Extraction des réseaux hydrographique ...28

9.3.1. Généralité ...28

9.3.2. Extraction le réseau hydrographique par la méthode 8D ...29

9.3.3. Les étapes de l’extraction des réseaux hydrographiques ...29

10. Les résultats...31

10.1. Classification pixel à pixel ...31

10.2. Classification orientée objet ...34

10.2.1. Segmentation ...34

10.2.2. Classification ...36

10.2.3. L’analyse de la texture de la classification...41

10.3. Extraction des réseaux hydrographiques...46

10.4. L’extraction du réseau routier ...48

11. Enrichissement de la carte de l’occupation des sols ...51

12. Conclusion...52 Références bibliographiques ...53 Annexe ...55 CemOA : archive ouverte d'Irstea / Cemagref

(4)

Index des figures

Figure 1 : Impacts de l’urbanisation sur le cycle de l’eau (Chocat et al, 1997) ...6

Figure 2 : Localisation de territoire de Thau...7

Figure 3 : Evolution relative depuis 1954 de la population et de la surface occupée par l’habitat sur l’ensemble du territoire de Thau (Bouard, 2006). ...10

Figure 4 : La rapidité de l’évolution du bâti au niveau du bassin de Thau entre 1944 et 2005 (Bouard, 2006). ...11

Figure 5 : Occupation du sol du bassin de Thau en 1990 et en 2005 (CROTEL, 2007)...12

Figure 6 : SPOT 5...13

Figure 7 : Modèle Numérique de terrain du bassin de Thau ...14

Figure 8 : Réseau hiérarchique de l’image...25

Figure 9 : Directions de flux et accumulations ...28

Figure 10 : Ordre des cours d’eau de Stahler (Che, 2005) ...29

Figure 11 : Calcul du réseau hydrographique par la méthode D8 (Che, 2005)...30

Figure 12 : Classification pixel à pixel...31

Figure 13 : Segmentation de l’image à trois niveaux...35

Figure 14 : Répartition des classes dans les niveaux de segmentation définis ...35

Figure 15 : Structure de la classification ...36

Figure 16 : Discrimination les zones bâtis par l’indice de texture et le PIR ...37

Figure 17 : Premier niveau de classification ...37

Figure 18 : Discrimination des végétations par le NVDI...38

Figure 19 : Discrimination de la surface en eau par le NDVI...38

Figure 20 : Deuxième niveau de classification ...39

Figure 21 : Discrimination de bâtiments par l’indice de texture...40

Figure 22 : Troisième niveau de classification...40

Figure 23 : La densité de bâti est faible ...41

Figure 24 : Calcul de la superficie et du pourcentage des bâtiments lorsque la densité de bâti est faible..42

Figure 25 : La densité de bâti est moyenne à forte...42

Figure 26 : Calcul de la superficie et du pourcentage des bâtiments lorsque la densité de bâti est moyenne ...43

Figure 27 : La densité de bâti est forte ...44

Figure 28 : Calcul de la superficie et du pourcentage des bâtiments lorsque la densité de bâti est forte....44

Figure 29 : Comblement des trous ...46

Figure 30 : Direction des écoulements ...47

Figure 31 : Le réseau hydrographique...48

Figure 32 : L’extraction du réseau routier...50

Figure 33 : Complètement de réseau des pistes ...50

CemOA

: archive

ouverte

d'Irstea

(5)

Index des tableaux

Tableau 1 : Coefficient de ruissellement en fonction de l’occupation des sols et de la période de

retour (Chow, 1964) ...17

Tableau 2 : Le Curve Number CN en fonction de l’occupation du sol, et du type de sol pour la condition II (Chow, 1988) ...20

Tableau 3 : Matrice de confusion de la classification pixel à pixel ...32

Tableau 4 : Précision globale de la classification pixel à pixel...33

Tableau 5 : Le Curve Number CN en fonction de l’occupation du sol...45

Tableau 6 : le coefficient de ruissellement et le Curve numbre des routes ...51

CemOA

: archive

ouverte

d'Irstea

(6)

1. Introduction

En zone urbanisée, la disposition d’outils permettant de prévoir les écoulements occasionnés par la pluie, est indispensable à la prévention des risques et au dimensionnement d’ouvrages. Depuis dizaines d’années, les spécialistes en hydrologie et en télédétection unissent leurs connaissances pour modéliser le comportement des bassins versants et cartographier l’imperméabilité des sols. Dans ce domaine, le développement de l’imagerie satellitaire est très prometteur.

En ce cas, est-ce que les données spatiales peuvent permettre de caractériser plus facilement, plus rapidement et avec une bonne précision les coefficients d'imperméabilisation des bassins et leur impact sur le cycle de l'eau.

Ce stage se propose donc d’associer ces techniques et d’évaluer la fiabilité avec laquelle, elles permettent d’extraire les données nécessaires à la modélisation hydrologique dans une zone urbaine. CemOA : archive ouverte d'Irstea / Cemagref

(7)

2. Objectif

L’objectif du stage est d’exploiter les dernières avancées technologiques en télédétection, pour réaliser une cartographie de l’occupation des sols sur le bassin de Thau en termes de l’imperméabilité des sols ou leur traduction en CN (Curve Number). C’est-à-dire, à partir de la télédétection, nous allons caractériser le milieu urbain, en déterminant les éléments qui modifient la circulation de l’eau, puis utiliser la cartographie produite pour extraire les coefficients d’imperméabilisation. Ces coefficients sont nécessaires pour quantifier la modification des débits et pour estimer les flux de pollution via une modélisation.

Les classes définies sont basées sur le modèle du Curve Number, et sur le coefficient de ruissellement (la méthode rationnelle). Ces modèles comportent en effet des tables associant à chaque type d’occupation des sols un coefficient de perméabilité, permettant de calculer la perméabilité globale d’un bassin versant.

Ce travail se fonde sur la classification orientée objet simultané d’une image SPOT 5 et de bases de données existantes. Elle est réalisée à l’aide du logiciel e-Cognition. Elle vise à déterminer l’occupation des sols en zone urbaine.

3. Problématique de la perméabilité des sols

L’urbanisation entraîne la modification de la topographie, de la morphologie mais surtout de la couverture du sol d’un bassin versant. Ces changements conduisent à une modification du fonctionnement hydrologique des bassins versants et du cycle de l’eau, du fait notamment de l’imperméabilisation des surfaces et de la concentration des écoulements dans les réseaux d’assainissement. L’imperméabilisation des sols, en particulier, entraîne une augmentation importante des ruissellements des surfaces (Chocat et al, 1997).

La modification hydrologique des bassins versants est donc un outil indispensable, dès lors que l’on s’intéresse à des problèmes relatifs à la gestion des ressources en eau, à l’aménagement du territoire ou à l’un des différents aspects du risque hydrologique. Elle est censée pouvoir décrire de façon fidèle les différentes étapes de la transformation pluie débit, en particulier les processus liés à la formation des crues.

Il est donc nécessaire de mettre au point des modèles capables de quantifier l’impact de l’augmentation de l’urbanisation sur le cycle de l’eau et de simuler le ruissellement sur les surfaces imperméable et les écoulements dans les réseaux d’assainissement.

Pour modéliser le comportement des bassins versants, les hydrologues disposent d’outils mathématiques complexes, intégrant une grande quantité de données, dont la perméabilité du sol. Or une approche courante pour estimer la perméabilité, est de délimiter diverses catégories d’occupation des sols grâce à une carte, des photographies aériennes ou des images satellitaires.

CemOA

: archive

ouverte

d'Irstea

(8)

Figure 1 : Impacts de l’urbanisation sur le cycle de l’eau (Chocat et al, 1997) CemOA : archive ouverte d'Irstea / Cemagref

(9)

4. Zone d’étude

4.1. Présentation

Le territoire de Thau est situé en région Languedoc-Roussillon, dans le département de l’Hérault, à l’ouest de l’agglomération de Montpellier (Figure 2). La population totalise environ 110 000 habitants (215 000 en été) et sa ville principale est Sète (40 000 habitants).

Ce territoire est composé de 14 communes réparties en deux établissements publics de coopération intercommunale (EPCI), la CABT (Communauté d’Agglomération du Bassin de Thau) au sud et la CCNBT (Communauté de Commune du Nord Bassin de Thau) au nord. C’est un territoire dominé par l’eau : 30 km de littoral, plusieurs lagunes dont celle de Thau de 7 500 ha, un bassin versant de 40 000 ha (réparti sur 22 communes). Il se caractérise par une extrême richesse en termes de biodiversité et de paysages. Les activités économiques se concentrent sur les industries liées à la présence du port de Sète, la conchyliculture, la pêche et la viticulture, le thermalisme, le tourisme et les activités récréatives.

Ce territoire particulièrement attractif est actuellement soumis à de fortes pressions démographiques (nouvelles populations permanentes et estivales) et urbaines qui remettent en question l’équilibre du système naturel, génèrent des tensions entre activités économiques et engendrent des inégalités sociales.

Figure 2 : Localisation de territoire de Thau

CemOA

: archive

ouverte

d'Irstea

(10)

Les 14 communes du SCOT, réparties entre la Communauté d’Agglomération du Bassin de Thau (Balaruc les Bains, Balaruc le Vieux, Frontignan, Gigean, Marseillan, Mireval, Sète, Vic la Gardiole) et de la Communauté de Communes Nord du Bassin de Thau (Bouzigues, Loupian, Mèze, Montbazin, Poussan, Villveyrac) (Bouard, 2006).

4.2. L’accroissement de la population sur le bassin de Thau (Crotet, 2007)

Plusieurs phases d’accroissement de population sont identifiées. Cet accroissement est lié au développement économique de la zone et a commencé au milieu des années 1950.

Phase 1 : milieu des années 50

Sète et les communes limitrophes (Balaruc et Frontignan) se développent, en raison de la reprise de l’activité portuaire et du développement des industries chimiques dans le cadre de la politique de revitalisation des régions menée par l’Etat.

Phase2 : début des années 80

La croissance se porte sur le secteur Est du territoire, à savoir la plaine de Gigean-Fabrègues via la RN 113 (route nationale) et les communes littorales, en raison de l’étalement de Montpellier à partir des années 1980

Phase 3 : années 90

C’est au tour des communes des rives nord de l’étang de Thau. Elles ne s’étaient pas développées jusqu’alors en raison de la lagune qui constitue un frein aux liaisons entre ces communes du bassin de Thau. Seule Marseillan avait bénéficié de l’expansion économique d’Agde.

A partir des années 1990, la population de ces communes augmente considérablement et en particulier Mèze, l’arrivée de l’autoroute y étant pour beaucoup ainsi que le fait qu’il s’agisse d’une zone où l’espace est à la fois attractif en termes de paysage et de disponibilité.

Actuellement, le territoire de Thau est toujours sous forte pression urbaine, en raison de la disponibilité de son foncier, notamment au nord de la lagune. En outre, le développement récent du tramway de Montpellier Agglomération, dont une ligne pourrait atteindre Cournonsec à long terme, favorise la demande de logements de la part de la population montpelliéraine à la recherche d’espace. Ce projet s’ajoute à celui d’une liaison Montbazin-Sète-Frontignan qui est prioritaire pour l’instant.

4.3. Evaluation de l’étalement urbain sur le bassin de Thau (Bouard, 2006)

Entre 1944 et 2005, la surface occupée par le bâti sur l’ensemble du territoire a été multipliée pratiquement par 5 :

1944 : L’urbanisation du bassin de Thau se concentre autour de Sète qui en est la ville principale. Les autres communes du territoire présentent une structure très concentrée autour du centre du

CemOA

: archive

ouverte

d'Irstea

(11)

certains nombre de parcelles sont déjà construits à cette époque. Il s’agit principalement de mas viticoles qui témoignent de la présence historique de la viticulture.

1971 : Sète s’urbanise rapidement. C’est durant cette période que la surface consacrée à l’habitat augmente le plus rapidement. Ces nouvelles constructions se situent principalement sur le Mont St Clair qui est quasi entièrement urbanisé en 1971. A cette date, 60% de la surface potentiellement constructible de la commune de Sète est déjà utilisée.

Le complexe industrialo-portuaire se développe sur Sète et Frontignan.

1981 : Globalement, cette date d’observation révèle un étalement désordonné du bâti, déjà perceptible en 1971, avec l’apparition d’espaces bâtis isolés et éloignés des centres urbains. Sur le pourtour de l’étang de Thau ainsi que sur la façade maritime du territoire, des franges continues de constructions sont apparues depuis 1944. Il s’agit souvent autour de l’étang de mas conchylicoles, témoins de cette activité typique du territoire. Sur les communes les plus touristiques qui sont alors déjà bien développées (Frontignan, Balaruc-les-Bains, Marseillan), les nouveaux logements situés au bord de l’eau sont majoritairement destinés à la population temporaire. Les dix années écoulées sont celles durant lesquelles l’expansion de surfaces bâties de Marseillan et Sète a été la plus importante. On constate également une accélération du phénomène de mitage du territoire, en particulier à l’est, dans les communes les plus proches de Montpellier.

1995 : la période des années 80 – début des années 90 est celle qui voit la plus forte expansion du bâti sur la totalité du territoire du SCOT de Thau. Les villages préexistant se développent autour de leurs centres anciens. Parallèlement, le phénomène de mitage de l’espace s’accentue avec un développement préférentiel le long des axes de communication (autoroute, voies ferrées) ainsi qu’au pied d’espaces naturels protégés du fait de la cabanisation (Ouest du massif de la Gardiole, Sud des montagnes de la Mourre). Les communes de Frontignan et Balaruc les bains atteignent la barre des 50% de surface communale potentiellement constructible artificialisée.

2005 : L’étalement du bâti ralentit légèrement entre 1995 et 2005 mais reste importante. Par contre, la dynamique de l’étalement se répartit inégalement. En comparant les deux dernières périodes (1981-1995 et 1995-2005), la progression annuelle diminue pratiquement de moitié pour les communes de la CABT alors qu’elle reste au minimum stable voir en augmentation pour les communes de la CCNBT, notamment pour Gigean et dans une moindre mesure Poussan, ces deux communes étant soumises à la proximité de l’agglomération montpelliéraine et de l’échangeur autoroutier.

La croissance du bâti est également marquée par la densification du tissu urbain qui devient continu et accentue le développement en étoile de certaines communes. Les conurbations de la partie Est apparaissent nettement, en particulier entre les communes de Poussan, Gigean, Montbazin au nord, et Balaruc-les-Bains, Balaruc-le-Vieux, Frontignan La Peyrade et Sète au Sud. La même évolution est visible entre les communes de Frontignan, Vic-la-Gardiole et Mireval du côté méditerranéen, le long de la voie ferrée. A l’ouest, Marseillan se développe dans la direction opposée, vers Agde au sud-ouest. A cette date, Bouzigues et Balaruc-les-Bains ont elles aussi atteignent le seuil de 50% de leur surface potentiellement constructible utilisée. Sète au même moment dépasse les 90%.

CemOA

: archive

ouverte

d'Irstea

(12)

Sur l’ensemble du territoire, la surface bâtie représente en 2005 11,5 % de la surface totale (ou de l’ordre de 13 % si l’on intègre l’ensemble de la voirie à l’intérieur des centres urbains), ce qui se rapproche des chiffres classiquement avancés dans d’autres études. Par contre, cette proportion passe à 15% si l’on raisonne par rapport à la partie émergée du territoire et à 25 % si l’on se restreint à la partie potentiellement constructible du territoire. Si l’on devait intégrer les surfaces soumises à un risque de submersion marine ou lagunaire, il est probable que cette proportion se rapprocherait des 30 %.

Si le rythme d’étalement urbain observé sur cette dernière période (1995-2005) devait se maintenir, les 3 communes situées à l’Est de la lagune de Thau (Bouzigues, Balaruc les Bains et Balaruc le vieux) verraient leur territoire potentiellement constructible complètement saturé à très brève échéance (entre 15 et 25 ans). A l’échelle de l’ensemble du territoire, cette échéance surviendrait dans 73 ans.

Figure 3 : Evolution relative depuis 1954 de la population et de la surface occupée par l’habitat sur l’ensemble du territoire de Thau (Bouard, 2006).

Evolution de la population et de la surface bâtie "habitat" sur le territoire de Thau

0 100 200 300 400 500 600 1/1 /195 0 1/1 /196 0 1/1 /197 0 1/1 /198 0 1/1 /199 0 1/1 /200 0 1/1 /201 0 Temps E v o lu ti o n ( 1 9 5 4 = b a s e 1 0 0 )

Population (source INSEE) Surface bâtie type "habitat (source : Cemagref)

CemOA

: archive

ouverte

d'Irstea

(13)

Figure 4 : La rapidité de l’évolution du bâti au niveau du bassin de Thau entre 1944 et 2005 (Bouard, 2006).

4.4. Synthèse des études précédentes

Une étude sur l’évolution de l’occupation des sols au niveau du bassin de Thau a été réalisée par le CEMAGREF. Les données de base qui ont été utilisées pour cette étude sont constituées par deux couches d’information SPOT Thema (source de données images SPOT au 1 : 25000), une datant de 1990 et l’autre de 2005 (Figure 5) (CROTEL, 2007).

CemOA

: archive

ouverte

d'Irstea

(14)

1990 2005

Figure 5 : Occupation du sol du bassin de Thau en 1990 et en 2005 (CROTEL, 2007) BOUARD (2006) a réalisé une étude sur l’évolution du bâti au niveau du bassin de Thau. Elle a identifié tous les éléments du bâti sur la zone à partir de photos (Cartes N&B armée américaine, 1944, 1 :25 000), (Cartes en couleur IGN, 1971, 1 :25 000), (Cartes en couleur IGN, 1981 ; 1 :25 000), (Scan en couleur IGN, 1995, 1 :25 000) et (Ortho-Photo Gaia Mapping , 2005, 20 cm) (Figure 4).

On trouve que la vitesse d’étalement urbain est importante. Entre 1944 et 2005, la surface occupée par le bâti sur l’ensemble du territoire a été multipliée pratiquement par 5 (passage de 907 ha en 1944 à 4323 ha en 2005). De plus, on constate que les surfaces dédiées à l’habitat ont été multipliées par 5 alors que la population n’a pas tout à fait doublé.

Crotel et Bouard ont défini une nomenclature adaptée aux problématiques du foncier. L’occupation du sol est classée en 5 classes (Annexe 2).

Cette nomenclature, plus fine que celle de Corine Land Cover, ne satisfait que partiellement un hydrologue parce qu’elle ne comprend pas la classe de réseaux (routes, voies, rivières, drains,…) qui jouent un rôle essentiel à la modification du cycle de l’eau. Les classes d’utilisation du sol ne correspondent qu’en partie aux classes décrites dans la méthode rationnelle et SCS.

CemOA

: archive

ouverte

d'Irstea

(15)

5. Présentation des données disponibles

5.1. SPOT 5

Le système SPOT a été engagé en 1978 par le gouvernement français sur une base essentiellement nationale, avec la participation de la Belgique et de la Suède, ces pays contribuent à 4% des coûts du programme.

Les satellites SPOT permettent de découvrir des objets d’une dizaine de mètres sur chacune des images de 60 kilomètres de côté.

L’augmentation de la résolution va néanmoins de pair avec une diminution de la vue globale du paysage et une limitation de la répétitivité des observations, la fréquence des passages du satellite au-dessus d’un même point diminue.

Les données satellites envoyées par SPOT 5 sont à très haute résolution spatiale, et ont ouvert la voie à un grand nombre de nouvelles applications. Cependant, cette grande quantité d’information pose des problèmes de stockage, de transmission et de traitement.

Aujourd’hui, les satellites d’observation sont devenus indispensables aux scientifiques et industriels comme aux militaires. Equipé de système de vision de plus en plus performants, ils sont capables soit de couvrir de manière systématique et répétitive des portions de territoires immenses, soit de produire des images très détaillées.

Les images acquises par les satellites SPOT d’observation de la terre constituent une source d’information inégalée pour la connaissance, le suivi, la prévision, la gestion des ressources et des activités humaines de notre planète.

SPOT est un outil proche des besoins des utilisateurs dans des applications aussi diversifiées que l’agriculture, la cartographie, l’urbanisation, la gestion des forêts, la gestion des risques naturels, la géologie, l’exploration des ressources en eau, l’étude côtière et océanique, le contrôle et la surveillance de l’environnement (SPOT 5).

Figure 6 : SPOT 5 CemOA : archive ouverte d'Irstea / Cemagref

(16)

L’image que nous utilisons a été prise le 12/01/2003, elle possède trois bandes spectrales (proche infrarouge, rouge et vert) et a une résolution spatiale de 2.5 m.

Cette image est obtenue par la fusion (la combinaison) d’une image multi spectrale avec une image panchromatique.

5.2. Modèle Numérique de Terrain (MNT)

Le modèle numérique de terrain est une représentation numérique du terrain en termes d’altitude (Figure 7).

Le relief représenté par le MNT est une connaissance essentielle pour l’hydrologie. Il fournit des renseignements sur la forme et la position de la surface topographique pour une zone géographique. Il permet de déterminer des attributs topographiques (élévation, orientation, pentes, surface, courbure) qui influencent diverses grandeurs intervenant directement dans les processus d’écoulement (Charleux, 2001).

Figure 7 : Modèle Numérique de terrain du bassin de Thau

CemOA

: archive

ouverte

d'Irstea

(17)

En hydrologie, les utilisations de MNT concernent plusieurs points :

• Le calcul des chemins de l’eau : morphologie, limites de bassin versant, direction d’écoulement, réseau hydrographique.

• La structuration du bassin en versants.

• Le calcul de caractéristiques locales (altitude, pente), globales (surface drainée) ou semi globales (indice topographique, éclairement cumulé).

• L’introduction dans des modèles de valeurs numériques soit directement (modèles distribués) soit à travers des valeurs moyennées (modèles globaux).

6. Carte d’occupation et d’utilisation du sol

Actuellement, la télédétection offre une source de données spatialisées pour l’élaboration des cartes d’occupation du sol.

Définition

La carte d’occupation du sol représente la couverture (bio) physique observée sur la surface de la zone étudiée, elle décrit la végétation et les constructions humaines. Elle se différencie de la carte d’utilisation du sol qui reprend les arrangements, les activités et les actions que les hommes effectuent pour produire, changer ou maintenir certaines parties de terre. L’utilisation du sol établit un lien direct entre l’occupation du sol et l’activité des hommes dans leur environnement (Coq, 2005).

La carte d’occupation des sols est une image des occupations du sol (Corine Land Cover) qui s’élabore sur base d’une spatiocarte (document cartographique ayant pour fond des images satellites combinées éventuellement à des informations supplémentaires) ou d’une image brute. Le principe général est de faire correspondre les pixels ayant les mêmes propriétés à une classe qui définit le type d’occupation du sol. L’ensemble de ces classes est prédéfini dans le cas d'une classification supervisée.

Utilisation

Une carte d’occupation du sol peut être utilisée pour faire un état des lieux des ressources d’une surface, mais aussi, comparée à des données équivalentes antérieures, pour faire l’analyse de l’évolution et des changements de couvertures du sol. Elle peut aussi servir de base de travail lors d’enquêtes de terrain (Coq, 2005).

CemOA

: archive

ouverte

d'Irstea

(18)

7. Modélisation hydrologique en milieu urbain

La modélisation du comportement hydrologique des bassins versants est incontournable dès lors que l’on s’intéresse à des problématiques relatives à la gestion des ressources en eau, à l’aménagement du territoire, ou à l’une des différentes facettes du risque hydrologique. Elle doit pouvoir décrire les différentes étapes de la transformation pluie-débit et en particulier les processus liée à la formation des crues et à l’apparition des étiages (Gnouma, 2006). Elle a aussi pour objectif de fournir des informations exploitables pour le dimensionnement des systèmes d’assainissement, permettant l’évacuation et le traitement des eaux usées et des eaux pluviales, et hydrauliques pour la protection contre les crues.

Les états de surface régissent les phénomènes de ruissellement-infiltration. De nombreux modèles hydrologiques requièrent donc, comme donnée d’entrée, des paramètres décrivant l’occupation des sols. Ceci est d’autant plus vrai dans le cadre de modélisation en milieu urbain du fait de l’évolution rapide de cette occupation.

La dynamique des crues est liée principalement à la morphologie et à l’organisation spatiale du bassin versant et se traduit dans les modèles par les paramètres de temps (temps de concentration par exemple).

Dans un premier temps, on choisit de décrire les modèles empiriques les plus utilisés en hydrologie urbaine ou plus largement en hydrologie générale pour estimer des débits ou des volumes ruisselés : la méthode rationnelle (in Chow, 1964) et le modèle de production des débits du Soil Conservation Service (in Chow, 1988).

Les deux méthodes présentées ci-après montrent comment les propriétés des sols peuvent être prises en compte lors de modélisation hydrologique.

7.1. La méthode rationnelle

En s’appuyant sur l’occupation du sol et la morphologie du bassin, cette méthode permet d’estimer le débit instantané maximal Qixa(T) de période de retour T (pour le bassin versant) :

( )

T C I

(

tc T

)

A

Qixa =0,277* * , *

Qixa(T) : débit instantané maximal de période de retour T. A : surface du bassin versant.

C : coefficient de ruissellement.

tc : temps de concentration du bassin versant.

I(tc, T) : intensité de pluie pendant une durée tc de période de retour T.

Trois paramètres dépendent d’information géographique : A la surface du bassin, tc, qui est lié à la vitesse du ruissellement et qui dépend principalement de la pente et le coefficient de ruissellement C.

La plus grande difficulté est d’estimer C et tc.

CemOA

: archive

ouverte

d'Irstea

(19)

Le coefficient de ruissellement C est un rapport du volume de pluie qui ruissèle sur le volume de pluie précipitée sur le bassin (volume de pluie nette / volume de pluie brute). Le coefficient de ruissellement est fonction de la nature du sol, de la pente, de la végétation et de la période de retour. Il est donc nécessaire de déterminer le rôle et l’importance des différentes surfaces contributives du bassin versant. Les différentes surfaces urbaines ont un comportement différent vis-à-vis du ruissellement, suivant leur nature et leur fonction.

Il est aussi utile d’établir une typologie des surfaces urbaines permettant en particulier une reconnaissance claire de celles considérées comme imperméables et reliées au réseau.

A partir de ces considérations, des tables ont été constituées pour extraire ce coefficient en fonction de l’occupation des sols (Chocat, 1997).

Type de surface Période de retour (ans)

2 5 10 25 50 100 500 Développé

Asphalte 0.73 0.77 0.81 0.86 0.90 0.95 1.00

Béton, toit 0.75 0.80 0.83 0.88 0.92 0.97 1.00

Zones enherbées (pelouse, parc, etc.)

Conditions faibles (surface enherbée <50 % de la surface totale)

Plat, 0-2 % 0.32 0.34 0.37 0.40 0.44 0.47 0.58

Moyen, 2-7 % 0.37 0.40 0.43 0.46 0.49 0.53 0.61

Raide, >7 % 0.40 0.43 0.45 0.49 0.52 0.55 0.62

Conditions passables (surface enherbée 50 % et 75 % de la surface totale)

Plat, 0-2 % 0.25 0.28 0.30 0.34 0.37 0.41 0.53

Moyen, 2-7 % 0.33 0.36 0.38 0.42 0.45 0.49 0.58

Raide, >7 % 0.37 0.40 0.42 0.46 0.49 0.53 0.60

Conditions bonnes (surface enherbée >75 % de la surface totale)

Plat, 0-2 % 0.21 0.23 0.25 0.29 0.32 0.36 0.49 Moyen, 2-7 % 0.29 0.32 0.35 0.39 0.42 0.46 0.56 Raide, >7 % 0.34 0.37 0.40 0.44 0.47 0.51 0.58 Non développé Zone cultivée Plat, 0-2 % 0.31 0.34 0.36 0.40 0.43 0.47 0.57 Moyen, 2-7 % 0.35 0.38 0.41 0.44 0.48 0.51 0.60 Raide, >7 % 0.39 0.42 0.44 0.48 0.51 0.54 0.61 Pâturage, prairie Plat, 0-2 % 0.25 0.28 0.30 0.34 0.37 0.41 0.53 Moyen 2-7 % 0.33 0.36 0.38 0.42 0.45 0.49 0.58 Raide, >7 % 0.37 0.40 0.42 0.46 0.49 0..53 0.60 Forêt, bois Plat, 0-2 % 0.22 0.25 0.28 0.31 0.35 0.39 0.48 Moyen, 2-7 % 0.31 0.34 0.36 0.40 0.43 0.47 0.56 Raide, >7 % 0.35 0.39 0.41 0.45 0.48 0.52 0.58

Tableau 1 : Coefficient de ruissellement en fonction de l’occupation des sols et de la période de retour (Chow, 1964)

CemOA

: archive

ouverte

d'Irstea

(20)

C’est la méthode la plus ancienne, elle utilise un modèle simple de transformation de la pluie de projet (décrite par son intensité I), supposée uniforme et constante dans le temps. La méthode peut être considérée comme assez fiable pour les petits bassins versants (de 0 à 20 km2).

Les zones urbanisées correspondent au type de surface « développé », et sont décrites avec trois classes principales : asphalte, béton-toit, et zones enherbées. Les zones enherbées sont décrites plus finement, selon l’emprise du bâti sur le sol, (ce qui se traduira par un pourcentage de zones enherbées pour une surface donnée) et selon la pente.

Le temps de concentration tc d’un bassin versant est le plus long temps mis par un volume élémentaire de pluie qui ruisselle sur le bassin pour attendre l’exutoire de ce bassin. Ce temps est lié à la vitesse de ruissellement qui dépend principalement de la pente. Pour calculer ce temps, de nombreuses formules empiriques ont été proposées reposant sur les caractéristiques physiques des bassins (longueur du cours d’eau principal, la pente, superficie du bassin versant).

7. 2. La méthode du Soil Conservation Service (SCS)

Cette méthode permet d’estimer le volume d’eau qui ruisselle pour une pluie cumulée donnée. La méthode du SCS suppose que :

- L’évapotranspiration est négligeable durant l’épisode pluvieux.

- Le sol ne peut pas infiltrer qu’un volume fini d’eau, c’est-à-dire que la capacité d’infiltration f(t) tend vers 0 quand le temps t tend vers l’infini.

On suppose qu’on a la relation suivante de proportionnalité :

La démarche de cette méthode peut se résumer par l’équation suivante :

S Fa Ia P Pe = −

P : pluie brute sur l’intervalle de temps [(j-1). ∆t , j. ∆t].

Pe : pluie nette (volume ruisselé) sur [(j-1) ∆ t , j. ∆t].

Fa : capacité d’infiltration à l’instant t.

Ia : absorption initiale (la quantité d’eau absorbée avant le ruissellement superficiel).

S : absorption potentielle maximale du bassin versant.

A partir de l’équation de conservation, on obtient les équations suivantes :

Pe Fa Ia P− − = Si P< IaPe=0 CemOA : archive ouverte d'Irstea / Cemagref

(21)

Si S Ia P Ia P Pe Ia P + − − = ⇒ ≥ ( )2

Les tests menés aux Etats Unis ont montré que Ia = 0.2* S

On obtient comme équation finale :

S P S P Pe 8 . 0 ) 2 . 0 ( 2 + − = ⇒

L’absorption potentielle maximale du bassin versant S est estimée à partir d’un indice adimensionnel appelé "Curve Number" et noté (CN). Celui-ci dépend des caractéristiques physiques et l’utilisation du sol, de la nature du sol et des conditions d’humidité du bassin.

4 . 25 * ) * 10 1000 ( CN CN S= − Avec 0≤ CN ≤100

Pour déterminer CN, la démarche pratique est la suivante : A- On détermine la classe de sol. Quatre classes sont définies:

• Groupe A : sol profond, lœss profond, silt agrégé. • Groupe B : lœss superficiel, marno- sableux.

• Groupe C : limon argileux, marno-sableux superficiel, sol pauvre en matière organique, et sol habituellement argileux.

• Groupe D : sol très argileux

B- Le SCS fourni ensuite des tables de CN en fonction du type du sol et de l’occupation des sols. CemOA : archive ouverte d'Irstea / Cemagref

(22)

Tableau 2 : Le Curve Number CN en fonction de l’occupation du sol, et du type de sol pour la condition II (Chow, 1988)

Ici, la nomenclature proposée est plus fine que celle de la méthode rationnelle. On distingue les types de zones anthropisées (zones commerciales, industrielles et résidentielles). Les zones résidentielles sont décrites plus finement, selon l’emprise du bâti sur le sol et le pourcentage de l’imperméabilisation. De plus, on distingue les routes, les rues, les revêtues d’asphalte et de gravier.

C- On détermine les conditions d’humidité du bassin, à partir des précipitations cumulées sur les 5 jours précédents l’averse étudiée. On distingue trois classes d’humidité du sol :

(Condition I : état sec ; condition II : état humide : condition III : état saturé).

AMC précipitations cumulées sur les 5 jours précédents

Group hiver, automne Printemps, Eté I < 0.5 mm < 1.4 mm II 0.5<< 1.1 mm 1.4 << 2.1 mm III > 1.1 mm > 2.1 mm

Groupe hydrologique du sol

Type de surface

A B C D

Sans traitement de conservation 72 81 88 91

Zones cultivées

Avec traitement de conservation 62 71 78 81

faibles conditions 68 79 86 89

Pâturages

Bonnes conditions 39 61 74 80

Prairies : bonnes conditions 30 58 71 78

faible couverture 45 66 77 83

Forêts, bois

Bonne couverture 25 55 70 77

Espaces ouverts : pelouses, parcs, cimetières, golf

39 61 74 80

-bonnes conditions : > 75%

-passables condition : 50 % - 75 % 49 69 79 84

Zones commerciales (85 % imperméable) 89 92 94 95

Zones industrielles (72 % imperméable) 81 88 91 93

Résidentiel

Taille moyenne Moyenne imperméable %

1/8 acre 65 77 85 90 92 ¼ acre 38 61 75 83 87 1/3 acre 30 57 72 81 86 ½ acre 25 54 70 80 85 1 acre 20 51 68 79 84 Parkings 98 98 98 98 Routes et Rues

Revêtues avec trottoirs et égouts 98 98 98 98

Gravier 76 85 89 91 Chemins de terre 72 82 87 89 CemOA : archive ouverte d'Irstea / Cemagref

(23)

) ( * 058 . 0 10 ) ( * 2 . 4 ) ( II CN II CN I CN − =

et

) ( * 13 . 0 10 ) ( * 23 ) ( II CN II CN III CN + =

Ce modèle ne correspond qu’à la fonction de production et ne permet donc pas de décrire la circulation de l’eau sur le bassin.

Ces deux exemples très simples permettent de mettre en évidence que l’intégration de l'occupation du sol dans les modèles hydrologiques peut se faire selon des classifications variées. Avant toute modélisation, il convient donc de déterminer les classifications les mieux adaptées à l’application considérée. CemOA : archive ouverte d'Irstea / Cemagref

(24)

8. Etablissement des nomenclatures :

Une nomenclature est un ensemble de règles régissant l’appellation et la classification, ici, de l’occupation du sol. Avant tout, il est donc s’assurer que la nomenclature envisagée répondra bien à la problématique.

Il existe des cartes standard d’occupation du sol (par exemple Corine Land Cover) dont la nomenclature décrivant les zones urbaines ou artificialisées (Annexe 1), la précision et les conditions de mise à jour ne peuvent pas convenir dans une problématique d’hydrologie urbaine.

Ainsi, Bouard 2006 et Crotel 2007 ont défini une nomenclature en 5 classes adaptée aux problématiques du foncier. (Annexe 2).

Comme l’objectif du stage est de classifier l’image pour tirer des classes d’occupation des sols intégrables à un modèle hydrologique, nous avons choisi deux nomenclatures, une pour la classification pixel à pixel et l’autre pour la classification orientée objet.

Pour la classification pixel à pixel, nous avons choisi une nomenclature en huit classes : • Les surfaces en eau.

• Les végétations denses : arbustes. • Les zones arborées.

• Les végétations faibles : terrains cultivés.

• Les bâtiments : zones résidentielles et les centres villes. • Les zones industrielles et commerciales.

• Les terrains pas cultivés : sol perméable. • Le sol nu blanc : sol imperméable (carrières).

De plus, pour la classification orientée objet, nous avons choisi une nomenclature en 7 classes • La surface en eau.

• Les végétations denses : arbres et arbustes. • Les végétations faibles : terrains cultivés.

• Les bâtiments : habitations individuelles ou collectives, commerce,… • Les terrains non cultivés.

• Les sols nus blancs : sol imperméable (carrières). • Autres : ombre. CemOA : archive ouverte d'Irstea / Cemagref

(25)

9. Méthodologie de traitement des données

Récemment, l’utilisation des images satellitaires a fait appel à de nouvelles techniques qui prennent en compte le contexte spatial et la position relative des unités d’observation (les pixels). Celles-ci permettent de déduire des propriétés relevant de la dimension spatiale telles que les relations de voisinages et de la géométrie des objets accroissant ainsi les capacités d’extraction du contenu sémantique des images (Corbane, 2004).

La classification de l’image a été réalisée en deux phases : • Une classification pixel par pixel.

• Une classification orientée objet.

9.1. La classification pixel par pixel

Les algorithmes de ce type de classification dépendent de la réponse radiométrique propre de chaque thème élémentaire de l’occupation du sol. En conséquent, la variation est faible entre les pixels de la même classe et suffisamment forte entre les pixels de classes différentes.

Tout algorithme de classification consiste à partitionner l’espace des radiométrie en classes selon des critères de proximité radiométrique (distance) ou statistique (probabilité d’appartenance) et à affecter chaque pixel aux classes ainsi définies (Puech, 2000).

La classification pixel par pixel (classification par maximum de vraisemblance) se base sur des méthodes probabilistes. On calcule pour chaque pixel de l’image sa probabilité d’être rattaché à telle classe plutôt qu’à telle autre. La règle d’affection qui s’en déduit permet de minimiser les risques d’erreur en utilisant aux mieux les probabilités d’appartenance. Un pixel appartient à telle classe avec une probabilité plus ou moins grande (Girard, 1999).

La classification affecte chaque pixel de l’image à la classe qui lui ressemble le plus, selon un critère de ressemblance choisi. La méthode du maximum de vraisemblance est appliquée sous hypothèse gaussienne, dont on rappelle le principe : lorsque l’on choisit les zones de références sur l’image, on peut calculer les histogrammes des comptes numériques des pixels contenus dans chacune des zones. Chaque histogramme définit une densité de probabilité conditionnelle d’appartenance d’un pixel p à la classe associée Ci. Celle-ci se note P(p/Ci). On peut définir aussi la probabilité d’occurrence d’un pixel d’une classe Cj : P(Cj). Mais cela nécessite que l’on sache, avant d’avoir fait la classification, quel est l’effectif en pixel, de la classe Cj.

Si au cours du classement on associe le pixel p à la classe C1 alors qu’il appartient en fait à la classe C2, il y a une erreur d’affection. La règle d’affection d’un pixel p à une classe C est dite au « maximum de vraisemblance » quand elle minimise l’erreur d’affection moyenne.

Lorsque le coût d’erreur ne dépend pas de la classe C, la règle de décision est dite « bayesienne » et peut s’écrire de la façon suivante, en appelant Ci la classe d’appartenance du pixel p et Cj chacune des autres classes :

P appartient à la classe Ci, est équivalent à P(p/Ci)*P(Ci) > P(p/Cj)*P(Cj). (Girard, 1999).

En conséquence, la classification suivant le maximum de vraisemblance conduit à l’obtention de regroupement des classes suivant la valeur radiométrique des pixels.

CemOA

: archive

ouverte

d'Irstea

(26)

9.2. La classification orientée objet

Dans cette partie, il est important de rappeler que le traitement de l’image doit prendre en considération la phase de segmentation aboutissant à la génération des objets. Nous n’étudions donc plus des pixels, mais bien des ensembles de pixels formant les objets images.

La classification orientée objet sous e-Cognition se base sur deux étapes : • Une segmentation multi résolution.

• Une classification supervisée basée sur la logique floue.

9.2.1. Segmentation

9.2.1.1. Définition

Dans une approche objet, la classification requiert une étape préliminaire qui est celle de la segmentation de l’image (Corbane, 2004).

La segmentation de l’image consiste à diviser l’image en régions homogènes, de manière à faire ressortir les objets réels du terrain (Karsenty, 2007), c’est-à-dire, chaque région se caractérise comme étant un ensemble de points (pixels) ayant des propriétés communes (intensité, texture,…) qui les différencient des pixels des régions voisines (Coq, 2005).

La ségrégation de la segmentation se base sur les propriétés spatiales et spectrales des pixels. Lors d’une segmentation très fine, les petites régions formées sont plus homogènes et les grandes régions formées par une segmentation plus large sont moins homogènes. L’homogénéité d’une région se calcule à partir des critères spatiaux et spectraux (Coq, 2005).

La segmentation successive de l’image à différentes résolutions conduit à l’obtention un réseau hiérarchique d’objets représentant les informations de l’image à différentes échelles simultanément (Figure 8). Dans ce réseau, chaque objet connaît son contexte, c’est à dire ses voisins, ses sous-objets et son super-objet.

Toutes les techniques de segmentation utilisées dans e-Cognition suivent des algorithmes de fusion de région. Chaque niveau est construit directement sur la base de ses sous-objets, c’est-à-dire que les sous-objets sont fusionnés dans des objets de plus grande taille dans le niveau plus élevé.

L’avantage de travailler avec des objets plutôt que des pixels, est qu’en plus de caractéristiques spatiales, un objet possède des caractéristiques géométriques (longueur, périmètre,…), topologiques (position dans l’image et par rapport aux autres objets) et sémantiques (liées à sa signification). (Karsenty, 2007). CemOA : archive ouverte d'Irstea / Cemagref

(27)

Figure 8 : Réseau hiérarchique de l’image

Le logiciel e-Cognition utilise une méthode de segmentation ascendante par fusion dans un même objet des pixels et ensembles des pixels contigus, sous réserve d’un seuil d’hétérogénéité qui, une fois atteint, stoppe le processus de segmentation. Ce seuil se décline en un facteur d’échelle et un critère arbitraire d’hétérogénéité fixé par l’utilisateur.

Le critère d’échelle influe directement sur la taille des objets créés. Plus il est élevé, plus les objets images créés sont grands. Le critère arbitraire d’hétérogénéité combine un critère spectral basé sur l’analyse des valeurs radiométriques des pixels traités, ainsi qu’un critère de forme caractérisant les limites des objets obtenus en fin de segmentation. Ce critère de forme combine une fonction de lissage des contours et une fonction de compacité des objets image obtenus assimilables à une optimisation locale des objets (Devaux, 2006).

9.2.1.2. Méthodes

Il existe de nombreuses méthodes de segmentation, classées en trois types, elles se basent soit sur les pixels, soit sur les frontières soit sur la région :

• Les méthodes basées sur les pixels

Ces méthodes analysent l’homogénéité des pixels entourant un pixel de départ, si celle-ci est forte, les pixels sont regroupés. Ces méthodes incluent des seuils et groupement dans l’espace.

• Les méthodes basées sur les frontières

Ces méthodes sont basées sur l’idée que l’on peut diviser l’image en région en détectant les frontières de celle-ci. En général, les algorithmes de détection de frontières consistent en différentes phases : filtrage, amélioration, détection et localisation des frontières.

• Les méthodes basées sur les régions

Les méthodes de segmentation basées sur les régions incluent la croissance de la région, la fusion de régions, la séparation de régions et leurs combinaisons. Dans les approches de croissance de régions, la première étape est d’identifier les points de départ de la segmentation, souvent appelés les pixels graines. Les régions sont construites autour de ces pixels en les reliant aux pixels similaires voisins. Dans les méthodes de fusion de région, les régions adjacentes sont fusionnées si elles sont suffisamment similaires. Dans les méthodes de séparation des régions, une région est divisée en sub-région si la région initiale n’est pas homogène. (Coq, 2005).

CemOA

: archive

ouverte

d'Irstea

(28)

9.2.2. Classification

La classification est une des activités majeures en télédétection. Elle a pour but de réaliser une représentation abstraite de la situation sur le terrain (Coq, 2005). Elle utilise des paramètres de diagnostic bien définis (la couleur, la taille, la forme, la localisation et les associations possibles des différents objets) et la discrimination des objets sur la base de valeurs seuils de réflectance des canaux du PIR, du rouge et du vert, des informations spatiales, de l’indice de texture et de l’indice de végétation NDVI. Le NDVI (Normalized Difference Vegetation Index) est l’indice de végétation le plus connu et le plus utilisé, il s’exprime de la manière suivante :

NDVI = (PIR-R) / (PIR+R)

Où PIR représente la réflectance du proche infrarouge et R représente celle du canal rouge. Cet indice est considéré comme un indicateur lié aux taux de recouvrement végétal du sol et à l’état général de la végétation. Le NDVI est élevé pour les pixels couverts d’une végétation dense et faible pour des zones avec une végétation rare.

De plus, l’indice de brillance est construit aussi à partir des canaux Rouge et PIR suivant le calcul :

IB = racine (P*P + PIR*PIR)

Cet indice est sensible à la brillance du sol, relié à son humidité et à la présence de sels en surface.

Nous avons utilisé par la suite l’indice de la texture GLCM (Gray Level Co-occurrence Matrices) (méthode des matrices de co-occurrence des niveaux de gris).

Cette méthode est la plus utilisée en télédétection pour la mesure de la texture. En effet, elle offre suffisamment de flexibilité pour calculer un nombre multiple de paramètres statistiques qui décrivent différents aspects de la texture (Duc, 2007).

Cela consiste à construire des matrices de co-occurrence pour représenté les relations entre les pixels d’une image. La matrice représente la probabilité conjointe pour que deux niveaux de gris i et j soient dans une relation spatiale donnée. Cette relation est définie en termes de distance et d’angle entre ces deux pixels. L’angle permet d’évaluer la direction de texture. Pour recevoir toutes les variabilités directionnelles, quatre directions ont été définies (0 °, 45 °, 90 °, 135 °) avant le calcul de la texture. L’angle (0 °) représente la direction verticale et l’angle (90 °) représente la direction horizontale. L’application de plusieurs valeurs de distance peut donner une description significative de la taille de la périodicité de la texture. Ses principaux problèmes sont d’une part le temps de calcul, et d’autre part, sa sensibilité au bruit dans l’image (e-cognition). La GLCM peut être définie comme la matrice des fréquences relative P(i,j) avec lesquelles deux pixels distant d’une distance d se retrouvent dans l’image l’un avec le niveau de gris i et l’autre avec le niveau de gris j. elle est généralement calculée sur une fenêtre centrée sur le pixel auquel sera affectée la valeur de l’indice (e-cognition).

Parmi les indices de la texture GLCM, nous avons choisi l’indice GLCM Entropy qui est calculée à partir de cette équation :

−1

,

(

ln

,

)

N

j

Pi

j

Pi

CemOA : archive ouverte d'Irstea / Cemagref

(29)

i : le nombre des lignes. J : le nombre des colonnes.

P i,j : la valeur normalisée dans la cellule i,j.

N : le nombre des lignes ou des colonnes.

La valeur de cet indice est élevée si les éléments de GLCM sont répartis de manière égale. Elle est faible si les éléments sont proches de 0 ou 1.

Une autre approche pour mesurer la texture a été utilisée, c’est la GLDV (Gray Level Difference Vector). Le GLDV est la somme des diagonales du GLCM. Il est calculé sur la base des pixels d’objet en prenant en compte l’une des quatre directions (0 °, 45 °, 90 °, 135 °) ou de toutes les directions (e-cognition).

Parmi les indices de la texture GLDV, nous avons choisi l’indice GLDV Mean qui est calculée à partir de cette équation :

− = 1 0

)

(

N k

Vk

K

N : le nombre des lignes ou des colonnes.

Vk : image du niveau d’objet, k = 1,…,n.

La classification classe les pixels ou les objets issus de la segmentation de l’image dans une catégorie donnée d’objets (Coq, 2005). Le résultat d’une classification est une nouvelle image dont chaque pixel est identifié par une catégorie particulière d’objet.

La classification se base sur la théorie des ensembles flous. Ceux-ci permettent de mieux prendre en compte le problème du risque de chevauchement entre les signatures spatiales. Cette propriété relève du fait que de tels classificateurs utilisent un degré d’appartenance pour représenter l'assignation d’un objet à une classe donnée. Cette valeur d’appartenance est le plus souvent comprise entre 0 et 1, d’où la possibilité d’exprimer des incertitudes quant à la description des classes donnant ainsi une représentation plus proche de la réalité et de la perception et du raisonnement humain (Corbane, 2004).

CemOA

: archive

ouverte

d'Irstea

(30)

9.3. Extraction des réseaux hydrographique

9.3.1. Généralité

Le réseau hydrographique se définit comme l’ensemble des cours d’eau, permanents ou temporaires, qui participent à l’écoulement. Le réseau hydrographique est une des caractéristiques les plus importantes du bassin versant et peut prendre une multitude de forme. La différenciation du réseau hydrographique d’un bassin versant est due à quatre facteurs principaux : la géologie, le climat, la pente de terrain et la présence humaine. (Che, 2005).

L’idée de base pour le calcul automatique du réseau hydrographique sur un MNT raster, est que l’on est capable de définir, pour chaque pixel, la direction de l’écoulement de cette case.

Deux calculs de direction sont envisageables :

• Le cas où une seule sortie est acceptable (une seule case aval possible pour chaque case). C’est le cas le plus normal qui détermine un seul chemin possible. Dans ce cas le schéma est arborescent : il implique la stabilité des chemins et la convergence des flux ; on utilise pour cela des solutions en D4 (possibilité d’écoulement selon les quatre directions normale) ou D8 (huit directions normales et diagonales). Ce schéma génère des parallélismes de flux dus aux effets de grille. Il est également très sensible aux imperfections des MNT : trous et bosses.

• Le cas ou plusieurs directions de sorties sont prises en compte. Ce schéma essaie de mieux respecter les directions des flux sur le terrain, en prenant en compte les angles exacts de sortie. Mais la gestion des directions et des rivières est beaucoup plus complexe. On ne peut pas parler de schéma de rivière. Cette solution n’est pas destinée à dessiner la rivière mais seulement à calculer les flux. Il y a alors divergence des flux possibles. Ce schéma est plus rarement utilisé.

Figure 9 : Directions de flux et accumulations

CemOA

: archive

ouverte

d'Irstea

(31)

9.3.2. Extraction le réseau hydrographique par la méthode 8D

Il existe plusieurs types de classification des tronçons des cours d’eau, celle de Strahler est couramment la plus utilisée.

Cette classification permet de décrire le développement du réseau hydrographique d’un bassin de l’amont vers l’aval. Elle se base sur la règle suivante (Figure 10).

• Tout cours d’eau dépourvu de tributaire est d’ordre un.

• Le cours d’eau formé par la confluence de deux cours d’eau d’ordres différents prend l’ordre du plus élevé des deux.

• Le cours d’eau formé par la confluence de deux cours d’eau du même ordre est augmenté de un (Che, 2005).

Figure 10 : Ordre des cours d’eau de Stahler (Che, 2005)

9.3.3. Les étapes de l’extraction des réseaux hydrographiques

La méthode D8 est une méthode d’extraction de réseau hydrographique couramment très utilisée. La figure 11 en résume les étapes principales :

• Calcul de la direction d’écoulement à partir des altitudes du MNT

• Calcul de l’accumulation d’eau pour chaque cellule en fonction du sens d’écoulement. • Fixation d’un seuil à partir duquel on considère qu’il a émergence d’un réseau

hydrographique (Che, 2005). CemOA : archive ouverte d'Irstea / Cemagref

(32)

Figure 11 : Calcul du réseau hydrographique par la méthode D8 (Che, 2005)

On considère en effet qu’à partir d’une certaine surface drainée, les eaux apparaissent en surface, se concentrent en rivière, et définissent les chemins de l’eau superficielle.

CemOA

: archive

ouverte

d'Irstea

(33)

10. Les résultats

10.1. Classification pixel à pixel

La carte de l’occupation des sols issue de la classification pixel par pixel de l’image SPOT 5 est présentée à l’annexe 3.

La classification a été réalisée en huit classes : • la surface en eau.

• Les végétations denses. • Les arbres.

• Les végétations faibles. • Les bâtis.

• Les zones industrielles.

• Les terrains pas cultivés : sol perméable. • Le sol nu blanc : sol imperméable.

Pour établir la classification supervisée, nous avons digitalisé des parcelles d’entraînement sur l’image pour chaque classe déterminée a priori (chaque classe d’occupation du sol que nous voulons cartographier). Nous avons pris 550 parcelles.

Le comportement numérique de ces parcelles d’entraînement est supposé représentatif du comportement numérique de l’ensemble de la classe sur l’image. La classification supervisée réalisée s’appuie sur le comportement numérique de ces parcelles d’entraînement. Ces parcelles sont radiométriquement les plus pures possibles, et pour chaque classe elles sont homogènes, ensuite elles ont été regroupées en classes.

CemOA

: archive

ouverte

d'Irstea

(34)

- Evaluation de la qualité de la classification

Toute classification doit être vérifiée. La démarche la plus courante consiste à confronter la classification à des vérités terrain par une analyse quantitative. Cette vérité terrain peut être obtenue par des observations de terrain, par photo-interprétation, ou par une combinaison des deux.

La comparaison statistique entre la vérité terrain (échantillonnages sur l’image) et la classification se présente comme une matrice de confusion avec plusieurs mesures synthétiques de fiabilité pour évaluer la classification.

Dans la matrice de confusion, la vérité terrain est représentée en ligne et la classification en colonne. La diagonale de la matrice correspond aux pixels bien classés.

La matrice de confusion permet de calculer une gamme de mesures décrivant la précision de la carte classifiée par rapport à la vérité terrain.

Dans notre travail, nous avons pris les parcelles d’entraînement et des parcelles de validation sur l’image satellitaire et nous les avons comparés à la classification produite.

OBSERVATION

Non classé Eau Végétation dense Zone arborée Végétation faible Terrain non cultivé Sol nu blanc Zone

industrielle bâtiment Total

Non classé 0 0 0 0 0 0 0 0 0 0 Eau 0 5711 0 0 0 0 0 0 0 5711 Végétation dense 0 0 399 37 5 0 0 0 0 441 Zone arborée 0 0 59 407 0 0 0 0 0 466 Végétation faible 0 0 6 0 882 2 0 0 0 890 Terrain non cultivé 0 0 0 0 3 1701 1 0 1 1703 Sol nu blanc 0 0 0 0 0 9 535 1 5 550 Zone industrielle 0 0 0 0 0 0 4 40 0 44 bâtiment 0 0 0 0 0 4 92 1 98 195 C L A S S IF IC A T IO N Total 0 5711 464 444 887 1716 632 42 104 10000

Tableau 3 : Matrice de confusion de la classification pixel à pixel

CemOA

: archive

ouverte

d'Irstea

(35)

Classe Référence total Classé total Nombre correct Précision producteur Précision utilisateur Kappa Non classé 0 0 0 - - 0.0000 Eau 5711 5711 5711 100.00% 100.00% 1.0000 Végétation dense 464 441 399 85.99% 90.48% 0.9001 Zone arborée 444 466 407 91.67% 87.34% 0.8675 Végétation faible 887 890 882 99.44% 99.10% 0.9901 Terrain non cultivé 1716 1703 1701 99.13% 99.88% 0.9986 Sol nu blanc 632 550 535 84.65% 97.27% 0.9709 Zone industrielle 42 44 40 95.24% 90.91% 0.9087 Bâtiment 104 195 98 94.23% 50.26% 0.4973 Total 10000 10000 9773

Précision globale de la classification = 97.73%

Tableau 4 : Précision globale de la classification pixel à pixel La qualité de la classification peut être analysée de plusieurs façons :

• Nous pouvons s’intéresser au pourcentage de pixels bien classés, traduit par le « précision globale de la classification ». La diagonale de la matrice (en bleu) indique le nombre de pixel bien classés pour chaque classe. 9773 pixels ont été bien classés sur 10000 soit un taux de 97.73 %.

• Nous pouvons caractériser la qualité de la classification pour chaque classe :

1. Quantifier le travail : pour une classe donnée quel pourcentage de pixels de référence a-t-il correctement classé (précision producteur) ? nous constatons ainsi que sur 464 pixels de végétation dense de l’observation (parcelles d’entraînement et parcelles de validation) 399 sont correctement classés, et 37 pixels ont été classés comme « zone arborée » ou une « précision producteur » de 85.99% pour la classe « végétation dense ».

2. quantifier la fiabilité de la classe pour l’utilisateur de la classification : pour une classe donnée de la classification, quel pourcentage de pixels correspond effectivement sur le terrain à la classe annoncée (précision utilisateur) ? ainsi pour la classe « bâtiment » qui a regroupé 195 pixels seuls 98 pixels correspondent effectivement au bâtiment sur le terrain. Ou une « précision utilisateur » de 50.26% pour la classe « bâtiment ». Nous constatons que 92 pixels correspondent à « sol nu blanc » et 4 à « terrain non cultivé ».

Nous constatons que l’indice de kappa pour la classe « bâtiment » est 0.4973, cette valeur indique que la fiabilité de la classification de cette classe n’est pas forte.

CemOA

: archive

ouverte

d'Irstea

(36)

En conséquent, la classification pixel à pixel nous a conduit à l’obtention une carte de classes bruitées et difficile à utiliser pour applique des modèles hydrologiques en termes de l’imperméabilité du sol, surtout la classe « bâtiment » qui est une classe essentielle. Nous avons donc essayé de réalisé la cartographie par la classification orientée objet qui donne des résultats plus performants.

10.2. Classification orientée objet

La carte de l’occupation des sols issue de la classification orientée objet de l’image SPOT 5 est présentée à l’annexe 4. Cette classification a été réalisée en deux phases :

10.2.1. Segmentation

Pour la classification de l’image SPOT 5, la segmentation s’est faite sur les trois bandes spectrales (proche infrarouge, rouge et vert).

Dans notre travail, la segmentation est réalisée grâce au logiciel e-Cognition. La segmentation de l’image, que l’on applique à l’image, fait partie des méthodes basées sur les pixels.

La procédure utilisée par le logiciel est la suivante :

Elle se base sur une technique qui regroupe des petites régions ayant les mêmes propriétés en régions plus grandes à partir d’un pixel de départ. Par plusieurs étapes successives, des petits objets de l’image sont regroupés en objets plus importants.

La segmentation est définie d’une part, selon un critère d’échelle et d’autre part, selon un critère d’homogénéité. Un grand paramètre d’échelle conduit à une segmentation en grandes régions. L’homogénéité résulte d’une pondération entre un critère spectral (couleur) et un critère de forme. Le lissage du critère de forme est également paramétrable. La variation de ces quatre critères (échelle, spectral, forme et lissage) permet d’obtenir des paramètres de regroupement et des résultats de segmentation différents (CORREA, 2004)

Le résultat issu d’une telle procédure est une segmentation hiérarchique de l’image comportant plusieurs niveaux d’échelle (multirésolution segmentation), chacun des niveaux étant issu d’une segmentation réalisée à un niveau inférieur (Figure 13).

Pour cette application, une segmentation à trois niveaux a été réalisée sur l’image :

- Un premier, plus grand, avec un critère d’hétérogénéité de 25 a permis de discriminer les zones bâties du reste de l’image.

- Un second niveau de 10 a permis de séparer les végétations et l’eau.

- Ensuite le niveau fondamental de 5, plus détaillé, a formé les objets qui ont été classifiés (bâtiment, eau, végétation dense, végétation faible, terrain, sol nu) (Figure 14)

CemOA

: archive

ouverte

d'Irstea

(37)

Facteur d’échelle : 25 Facteur d’échelle : 10 Facteur d’échelle : 5 Figure 13 : Segmentation de l’image à trois niveaux

Comme montre la figure 10, une diminution de 25 à 5 de niveau de segmentation entraîne une forte diminution de la taille des polygones et par conséquent une augmentation du nombre d’objets.

Figure 14 : Répartition des classes dans les niveaux de segmentation définis

CemOA

: archive

ouverte

d'Irstea

Figure

Figure 1 : Impacts de l’urbanisation sur le cycle de l’eau (Chocat et al, 1997)
Figure 2 : Localisation de territoire de Thau
Figure 3 : Evolution relative depuis 1954 de la population et de la surface occupée par l’habitat  sur l’ensemble du territoire de Thau (Bouard, 2006)
Figure 4 : La rapidité de l’évolution du bâti au niveau du bassin de Thau entre 1944 et 2005  (Bouard, 2006)
+7

Références

Documents relatifs

Le givre est un dépôt de glace blanche sur les objets plus froids que 0°C. Cette glace est formée à partir de la congélation de la vapeur d'eau, du brouillard ou de la brume. Grêle

The third one, referred to as “Model C”, used the same snowmelt routine as Model B and incorporated IWU effects on natural streamflow using a conceptual irrigation module.. Figure

L’intérêt réside dans le fait que nous sommes alors en mesure de définir un Frobenius logarithmique associé au contexte de la ramification logarithmique : ce dernier coïncide avec

Lap joint simulant cavity case ‘A’ was fully occluded, while ‘B’ and ‘C’ were open with presence of a bulk reservoir whose metallic surface either being electrochemically

Figure 4 - Relations between topographic index and soil properties, Rochereau watershed.. Figure 5 - La Moine, relations entre les classes d’indice topographique et les propriétés

» ىلع اھزفحي يذلا وھو رضاحلاو يضاملا نيب ناكملا عضو ىلع ةياورلا يف زيكرت كانھ يضاملا يف ليمج ءيش لك نأ ىلع ديكأتلا عم هلوحت وأ ناكملا تابث ىدم زاربإو ةنراقملا. لا

Dans le cadre de la mise en œuvre de l'engagement n°2 &#34;Garantir au quotidien les droits fondamentaux des enfants&#34;, de la stratégie interministérielle de prévention

2.2 La formule du produit et sa réciproque pour le symbole de Hasse logarithmique 9 3 Interprétation arithmétique du sous-groupe de défaut du principe de Hasse ℓ-adique 12 3.1