Vue de Mise en œuvre d'outils open source pour le suivi opérationnel de l'occupation des sols et de la déforestation à partir des données Sentinel radar et optique : études de cas en Guyane et au Togo

MISEENOEUVRED’OUTILSOPENSOURCEPOURLESUIVIOPÉRATIONNEL DEL’OCCUPATIONDESSOLSETDELADÉFORESTATION

ÀPARTIRDESDONNÉESSENTINELRADARETOPTIQUE:ÉTUDESDECASENGUYANEETAUTOGO

CédricLardeux¹,AnoumouKemavo¹,MaxenceRageade¹,MathieuRahm¹, Pierre-LouisFrison²Jean-PaulRudant²

1:ONFInternational,45AvenuedelaBelleGabrielle,75012Paris,France 28QLYHUVLWH3DULV(VW/D67,*83(0,*1EG'HVFDUWHV0DUQHOD9DOOHH)UDQFH

Résumé

Latélédétectionestunoutilparticulièrementadaptépourlesuividel’occupationdessolsengénéral;ilestaussi particuMièrementutilisépourlesuivideladéforestation.Deparl’envoidessatellitesSentinel-1etSentinel-2viale programmeCopernicus,lacommunautédisposemaintenantdedonnéesgratuites,avecdespériodesderevisites temporellesréduites,permettantauplusgrandnombredesuivreefficacementladynamiqued’occupationd’unezone d’étude.Cepapierpré-senteuneméthodedesuividel’occupationdusolsebasantsurlacombinaisondedeux approchess’appuyantsurdesoutilslogicielsOpenSource(QGIS,OrfeoToolBox,python).Nouscombinonstout d’abordlesuividel’occupationdusolàuneéchelledetempsannuelleutilisantdesdonnéesSentinel-1etSentinel-2 puisuneapprochedesuivideschange-mentsliésàladéforestationàuneéchelledetempsbi-mensuelleàpartirdes donnéesSentinel-1.Lesrésultatsobtenusdémontrentlabonnesynergiedecesapproches,quipermettentd’utiliserde façoncomplémentairelesdonnéesoptiquesetradar.Envuederendreaccessiblelaméthodeproposée,tousles outils Open source utilisés sont disponibles sur ce lien http://remotesensing4all.net/index.php/2018/09/11/kit- dutilisation-des-donnees-radar-sentinel-1-lors-de-latelier-radar-du-foss4g-fr-2018-2/.

Motsclés: Télédétection,Sentinel-1,Sentinel-2,Optique,Radar,Classification,Déforestation,Sériestemporelles, Togo,Guyanefrançaise

Abstract

Remotesensingisaparticularlysuitabletoolformonitoringlandusebutalsoparticularlysuitedfordeforestation monito-ring.BylaunchingtheSetinel-1andSentinel-2satellitesintheCopernicusprogram,thecommunitynowhas freedatawithimportanttime-revisitsallowingthegreatestnumberofpeopletoeffectivelymonitorlandcoverofa studyarea.Thispaperpresentsalandusemonitoringmethodbasedonthecombinationoftwoapproachescomputed usingOpenSourcetools(QGIS,OrfeoToolBox,python).First,wefocusonlandusemonitoringatanannualtime scaleusingSentinel-1andSentinel-2data,andthen,bytheusefentienl-1data,wedetectchangesintheforest coverdue todeforestation atbi-monthlytimescale.Theresultsobtainedshowaverygoodsynergyofthese approachesallowingthecomplementaryofoptical and radardata. In orderto make accessible the proposed method,alltheusedopensourcetoolsareavailableonthislinkhttp://remotesensing4all.net/index.php/2018/09/11/

kit-use-des-donnees-radar-sentinel-1-in-de-latelier-radar-du-FOSS4G-en-2018-2/.

Keywords: Remotesensing,Sentinel-1,Sentinel-2,Optic,Radar,Classification,Deforestation,Timeseries,Togo, Frenchguiana

1. Introduction

La télédétection est un outil privilégié pour le suivi des paysages naturels, notamment grâce aux observa- tions continues sur de grands espaces, répétitives sur de longues périodes. Depuis leur apparition dans les an- nées 70, les données de télédétection optique ont été largement utilisées pour l’observation de la Terre. En rai- son de la couverture nuageuse quasi permanente sur les régions tropicales, l’observation dans le spectre optique (visible-proche et moyen infra rouge) est difficile, ce qui représente l’une des limitations principales des données

acquisesdanscedomainespectral.Parailleurs,depuis 1991etlelancementdusatelliteERS-1,desdonnéesra- darsontacquisesencontinuàl’échelleglobale.Lepano- ramas’estconsidérablementenrichidepuis,aveclamise enorbited’autresRadaràSynthèsed’Ouverture(RSO) permettantdegénérerdesimagesdessurfacesobser- véesavecdesrésolutionsspatialesallantdumètreàla trentainedemètres.Enraisondeslongueursd’ondes centimétriquesutilisées(2cm,6cm,24cmrespective- mentpourlesbandesX,C,L),l’intensitédusignalradar estpeuperturbéeparl’atmosphère,cequipermetl’ob- servationdessurfacesterrestresmêmeenprésencede

couverturenuageuse.

Depuis2014,leprogrammeCopernicusdel’Union Européenneapermislamiseenorbitedenouveauxsa- tellitesradaretoptique,derésolutionsspatialesdéca- métriques,respectivementSentinel-1Aet1BetSentinel- 2Aet2B.Cessatellitesouvrentunenouvelleèredansle suivipartélédétectiondelasurfaceterrestredeparl’ac- cèsàdesdonnéesgratuitesacquisestousles6jours et5jours,respectivementpourSentinel-1etSentinel- 2,capteurssurlesquelsnousallonsporternotreatten- tiondanscetarticle.Lacartographieàpartird’images satellitesestainsiunoutilparticulièrementadaptépour obtenir,d’unepartunevued’ensembledel’occupation dusold’unezonegéographiqueàunedatedonnée,et d’autrepartpourenréaliserlesuivitemporel.Cetype d’analyses’avèreutilepourungrandnombred’applica- tions.Citonsparexemple,lesuivideladéforestation liéeàl’exploitationforestière,lesuividelacroissance etlacertificationdeplantations,l’implantationdeprojets d’agro-foresterie.Parallèlement,cestechniquesdecar- tographieparimageriespatialesontparticulièrementuti- liséesdanslecadredeprojetREDD+(Réductiondes émissionsissuesdeladéforestationetdeladégrada- tionforestière)commelemontrel’unedesméthodolo- giescourammentutilisées,VM0015(«Methodologyfor AvoidedUnplannedDeforestation»v1.1Partie2,Cha- pitre2)nécessitantdecartographierl’évolutionducou- vertforestierdanslepassé.

Toutefois,malgrélagranderichessepotentielledes donnéesdisponibles,leurusages’avèreparfoiscomple- xe,soitparcequecertainsoutilssontenpremièreap- prochetropcompliqués,soit,biensouvent,parmanque d’expériencedel’utilisateur;manqued’expériencequi révèleuneméconnaissancedesoutilsettechniquesac- cessibles.Deuxexemplesd’étudetouchantausuivide ladynamiqueforestièreenzonetropicalehumidesont présentésici.Lepremier,exploitantuniquementlesdon- néesradarSentinel-1,estdédiéausuivideladéfores- tationavecunpasdetempsbi-mensuel.Ledeuxième, utilisantconjointementlesdonnéesoptiqueetradarac- quisesparlessatellitesSentinel-2etSentinel-1estdé- diéausuivitemporeldel’occupationdusol,avecunpas detempsannuel.Cetteétudes’avèredoncmoinsexi- geantequecelleportantsurlesuivideladéforestation entermesderéactivité,maisàl’inverse,elleestplusexi- geanteentermesdeprécision.Cesétudesconcernent respectivementlaGuyanefrançaiseetleTogo.Entermes dedonnéesetlogiciels,cesapprochesutilisentdesima- geslibresd’accès(Sentinel1et2)etdesoutilsdemême nature«OpenSource»,notammentQGISetOTB(Or- feoToolBox).Certainsdecesoutilsontétéaménagés afind el esr endreo pérationnelse texploitablesp ardes utilisateursnonspécialisteseninformatique.

2. Sited’étude

2.1.Guyanefrançaise

EnGuyane,laforêt,quicouvreplusde8millions d’hectaressoitenviron96%duterritoire,constitueunpa-

trimoineexceptionnelqu’ils’agitdevaloriseretdecon- server.L’ONF(OfficeNationaldesForêts)aunerespon- sabilitéforteauregarddecetobjectifenGuyanepuisque l’établissementyassure,pourlecomptedel’État,lages- tiondeprèsde6millionsd’hectaresdeforêtsdoma- niales.

Outrel’aménagementetlavalorisationéconomique decesforêts,l’ONFapourmissionlaprotectiondesmi- lieuxetdesespèces,lasurveillanceduterritoireetla gestiondufoncier.Faceàcesenjeuxetàl’immensitédu territoireàcouvrir,l’ONFsereposeprincipalementsur l’utilisationdesoutilsdetélédétectionetsuruneéquipe d’agentsassermentésquiontpourmissiondefaireres- pecterlaréglementationenvironnementaleetfoncière applicableenGuyane.

Danslecadredesesmissionsdesurveillanceetde protectiondesmilieux,l’ONFadéveloppéilyadixans uneméthodologiedesuividel’impactdel’activitémi- nièresurlecouvertforestieretlescoursd’eauàpartirde donnéessatellitesoptiques.Lesrésultatsdetraitement decesdonnéespermettentd’orienterefficacementles actionsdel’Observatoiredel’ActivitéMinière(OAM)créé en2008àl’initiativedel’ONF,pourassurerlepartage d’informationentretouteslesinstitutionslocalesconcer- néesparlesuividesactivitésd’orpaillageillégales.Tou- tefois,bienquel’utilisationdesoutilsdetélédétectionont faitleurspreuvesdanslerenforcementducontrôlede l’activitéminièreillégalemaisaussilégale,laméthodolo- giebaséesurl’utilisationdedonnéesoptiquesentraîne deslimitesopérationnelles:photo-interprétationvisuelle chronophage,difficultésd’automatisationdeschaînesde traitementduesàlasensibilitédescapteursoptiques auxconditionsatmosphériques,capacitéd’observation duterritoireetd’utilisationdesdonnéeslimitéesparla présencedecouverturenuageusequasipermanenteen Guyane.

Or,depuisdixans,lespressionssurlaforêtaug- mententenGuyane,engendrantunbesoinpourunsuivi duterritoiredeplusenplusprécis,exhaustifetfréquent, alorsquel’ONFrestelimitéencapacitéshumaines.Ce besoins’illustrenotammentparlademanderécentede lapréfecturedeGuyanepourlamiseenplaced’unOb- servatoiredufoncier,àl’instardel’OAM,suiteàdenou- veauxévénementsdedéforestationsillicitesen2016,sur plusde90hectaresdeterraindel’état.

Al’instardesbesoins,latechnologieévolue.Depuis 2014,danslecadreduprogrammeeuropéenCoperni- cus,lesstellitesSentineldel’AgenceSpatialeEuropéen- nefournissentenaccèslibredesdonnéesradar(Senti- nel-1)acquisestouslessixjoursenGuyane.Cesdon- nées,capablesde«voiràtraverslesnuages»etd’une grandestabilité,offrentdesperspectivesinnovantestrès intéressantespourlamiseenplaced’unsystèmede suiviquasitempsréel,semi-automatiséetexhaustifde ladéforestationsurleterritoire.

Onseproposeainsideprésenteruneapprocheopé- rationnelledusuivideladéforestationàunpasdetemps bi-mensuelafind’enpercevoirlesqualitésmaisaussiles limitesàl’échelledetoutelaGuyanecommeillustrépar ODILJXUH

)LJXUH EmprisedesdonnéesSentinel-1utilisées pourlesuivideladéforestation.Durantl’année2016, desacquisitionsenorbiteascendanteontétéréalisées à57datesdifférentes(26datespourl’orbiterelative47 et31datespourl’orbite120).

L’ensemble des données utilisées ont été acquises en 2016 dans le mode IW pour les polarisations VV et VH avec un niveau de produit GRD (Ground Range De- tected). Pour faciliter l’analyse, nous avons travaillé uni- quement avec des données en mode ascendant compor- tant le plus de dates disponibles, à savoir les orbites re- latives 47 et 120. Ces deux orbites permettent de couvrir toute la largeur de la Guyane française du 31/01/2016 au 20/12/2016 pour l’orbite 47 (26 dates) et du 05/02/2016 au 25/12/2016 pour l’orbite 120 (31 dates).

Afin d’analyser les résultats de la méthode de suivi de la déforestation, nous avons comparé visuellement les résultats aux données optiques lorsque celles-ci é- taient disponibles (la couverture nuageuse souvent très importante). Par ailleurs un survol en hélicoptère accom- pagné d’une mission terrain au sol a appuyé l’analyse des résultats. Cette dernière s’est faite sur l’ensemble du territoire en se focalisant sur les principaux moteurs de la déforestation, à savoir l’agriculture et l’orpaillage. Les sites connus pour leur forte dynamique de changement ont été analysés et comparés plus finement.

2.2. Togo

Le Togo fait partie de l’écosystème forestier tropical sec. Cet écosystème est caractérisé par des reliques forestières, des forêts galeries et de vastes mosaïques de savanes boisées, de savanes arbustives, de savanes herbeuses et de zones sans végétation (sol nu, habi- tation et agglomération). On y trouve en particulier des espèces de décidus perdant leurs feuilles une partie de l’année. Cet écosystème est également caractérisé par une grande variabilité saisonnière (alternance de saisons des pluies et de saisons sèches), ce qui provoque de

fortes variations de l’état du couvert végétal. En saison des pluies, les couverts végétaux des savanes boisées, arbustives, herbeuses présentent une forte activité chlo- rophyllienne, ce qui leur donne, sur les images, l’aspect de parcelles forestières. Il s’ensuit une confusion entre ces différents couverts. La situation s’inverse pendant la saison sèche, où les zones de forêts et de savanes composées d’espèces décidues perdent leurs feuilles et prennent, sur les images, l’apparence de zone sans vé- gétation. Ces variabilités saisonnières rendent alors com- plexe la cartographie par imagerie satellitaire. Cette par- tie consacrée au Togo, se propose d’explorer les poten- tialités des images du programme Copernicus Sentinel-1 et 2 (acquisition tous les 6 jours pour Sentinel-1 et tous les 5 jours pour Sentinel-2 avec un pixel de 10m) pour mettre en place une cartographie annuelle d’occupation du sol. Notre choix s’est porté sur la Réserve de Faune de Togodo (RFT) située entre 1^◦20 et 1^◦40 de longitude Est et entre 6^◦40 et 6^◦50 de latitude Nord entre les ré- gions maritime et des plateaux au Sud à environ 150 km de la capitale Lomé, comme l’illustre la figure 2.

FLJXUH:/RFDOLVDWLRQGHODUpVHUYHGHIDXQHGH7RJRGR LaRFTcouvreunesuperficietotalede25500ha etestcomposéed’îlotsdeforêtssemi-décidues,dega- leriesforestièreslongeantlesprincipauxcoursd’eau,de vastes savanes (arbustives et herbeuses) de types souda-no-guinéennes. Cet ensemble homogène de savanesetforêtsconstitueunhabitatidéalpourlafaune diversifiéedelaréserve.Ainsileclassementdecette zoneenré-servedefaune(statutparticulierdansla législation fo-restière togolaise permettant sa protection) a pour but de protéger la diversité floristiqueetfaunique.LaRFT,en tant que zone boisée proche des grandes villes du Sud (Lomé, Tsévié, Tabligbo, Kové), offre divers services socio- culturels à la population : des activités récréatives, scientifiquesettouristiques,leramassagedeboisde chauffeetlafournituredeforestiersnonligneux.Ce- pendantplusieursmenacespèsentsurlaRFT(l’agri- cultureitinérante,lepâturagedubétail,lacouped’es- pècesprécieusesetraresetlasurexploitationdespro- duitsforestiersnonligneux),etmettentenpérilsasurvie etlapérennitédesservicesqu’elleoffre.Laprotection,la sauvegardeetlaconservationdecetécosystèmefragile s’avèrentdoncindispensable.

Un des moyens pour assurer la sauvegarde et la con- servation des ressources fragiles de la RFT est de mieux connaître l’état des lieux de ses ressources et d’être ca- pable d’en assurer un suivi régulier et annuel. La carto- graphie par imagerie satellitaire comme il a été dit précé- demment présente un avantage certain et majeur. Pour réaliser la cartographie annuelle de l’occupation du sol de la RFT et mettre en place une approche de suivi an- nuel des modes d’occupation du sol, nous avons utilisé une série temporelle de 33 images Sentinel-1 acquises entre le 21-12-2015 et 03-01-2017 dans le mode IW (po- larisations VV et VH) et 5 images Sentinel-2 acquises sur la même période (sélection d’ images optiques de cou- verture nuageuse inférieure à 10%) comme l’illustre la figure 3.

FLJXUH3:EmprisedesimagesSentinel-1et2surlesite deRFTauSud-Togo.

3. Méthodologie

L’utilisationdel’imageriespatialepourréaliserlesuivi del’occupationdusolnécessitequelquesprétraitements génériquesquenousmentionneronsrapidementdans ceparagraphe.Nouspoursuivronsensuitel’exposéen présentantl’outildeclassificationutilisépourréaliserdes cartesd’occupationdusol.

3.1.Pré-traitementsdesdonnées 3.1.1.Donnéesoptiques

Ils’agiticiessentiellementdelatechniqueditede

«pan-sharpening»oulesbandesspectralessontfusion- néesafinquel’ensembledesimagessoitdisponiblesavec la taille depixel correspondantaux canaux les mieux résolus.DanslecasdeSentinel-2,ils’agitdescanaux2, 3,4,8(plusdedétailssurleslongueurd’ondesetresolu- tiondesdifférentesbandessurcelienhttps://earth

−.esa.int/web/sentinel/user−guides/sentinel−2−msi

−/resolutions/spatial)avecunpixelde10mx10m.Cette procédure facilite l’analyse visuelle par composi-tion trichromedetouslestripletspossiblesàpartirdes13ban- desspectralesinitiales.Pourceprétraitement,nousa-vons utilisél’algorithmedeBroveyimplémentésousl’OTB, Maglioneetal.(2016).

3.1.2. Données radar

Les données Sentinel-1 utilisées sont au format GRD, mode IW, double polarisation VV et HV (plus de détails sur les format et résolution des données Sentinel-1 sur ce lienhttps ://sentinel.esa.int/web/sentinel/user− guides/sentinel−1−sar/resolutions/level−1−ground−

range−detected). La chaîne de traitement a été déve- loppée à partir de l’OTB et est disponible sous QGIS via un script python, explicité par la figure 4.

FLJXUH4:PrétraitementsdesdonnéesSentinel-1.

Cettechaînedetraitementconcernechaqueimage delasérietemporelleutilisée.Sontsuccessivementap- pliquées:unecalibrationengamma0(terrainrelative- mentplat),uneorthorectification( utilisantl em odèlenu- mériquedeterrainSRTMaupasde30m),puisundé- coupageuniquementsurlazoned’étudeafind’obtenir uneparfaitesuperpositiondesdonnées.Pourchaque dated’acquisition,l’ensembledesdonnéesdonneen- suitelieuàlacréationd’unemosaïque.Afinderéduirele chatoiementradar,nousutilisonsunfiltret emporelQue- ganetYu(2001).Pourfaciliterl’analysedesrésultats, chaquedatedonnelieuàunecompositioncoloréeR(VV dB),V(VHdB),B(VHdB-VVdB,commel’illustrelafigure 5.

3.2.SuivideladéforestationsurlaGuyane

Laméthodeproposéeestbaséesurlahautefré- quencederevisitetemporelledesdonnéesSentinel-1 (délaiderevisitede6jours)associéeàleurcapacitéà

«voiràtraverslesnuages»pourdévelopperunsystème d’alertequasitempsréel,robuste,exhaustifetécono- miqueentermedecoût(imagesgratuites)etdetemps detravail(automatisationdelachaînedetraitement).

Concernantl’automatisation,desoutilsontétéconçus

)LJXUH Compositioncolorée,RougeVVdB-VertVH dB-BleuVH-VVdB,obtenuaprèstraitementsurdeux donnéesacquisesendécembre2017.

spécifiquementpourleurutilisationdanslelogiciellibre QGISafindefacilitéleurdiffusion.

Laméthodedéveloppéecomportetroisgrandeséta- pes:

1. Prétraitement des données(calibration, ortho- rectification, filtrage temporel) évoqué dans le cha- pitre 3.1.2.

2. Optimisation du contrasteForêt / Zone défores- tée, notamment par l’atténuation de l’effet saison- nier sur la radiométrie

3. Déclenchement d’une alerte suite à l’analyse de la variation de la radiométrie dans le temps, en réponse à un phénomène de changement ou de déforestation provoquant une forte variation de radiométrie (>1dB) au cours du temps.

Cetteméthodeanalysedanssonensemblelasérie temporelleissuedesdonnéesSentinel-1.Nouschoisis- sonsd’utiliseruniquementlapolarisationVHcarcette polarisationestplussensibleàladensitédevégétation quelapolarisationVV,MermozetLeToan(2016).Ainsi, unebaissesignificativedelaréponseVHpourracorres- pondreàunesurfacedéforestée.

Lafigure6(1)présentelesvariationsdelaréponse VH(endB)enfonctiondutempssurdifférentssitesd’étu- deconnuspouravoirétédéforestésàdesinstantsdif- férents.L’analysedesrésultatsobtenussurces4sites montrebienàuninstantdonnéunebaissemarquéede laradiométrie;parexempleauxdatest5ett11,respec- tivementpourlessites1et2à4.Unebaisseexisteéga- lementsurlesite3,maistrèsmodérée.Lesbaissesles plusnettescorrespondentauphénomènededéforesta- tion.Enrevanche,onremarquequ’avantouaprèsces différentsévènements,laréponsedusignaln’estpas constante.Lavariationdelaradiométriedansletemps

pour une zone donnée semble correspondre à des ef- fets saisonniers, lesquels risquent de venir perturber nos analyses. Ainsi, l’humidité de surface et la densité de vé- gétation peuvent varier au cours du temps et générer des variations de rétrodiffusion au sein de surfaces que l’on juge par ailleurs stables en termes d’occupation du sol.

(1)

)LJXUH Variation (2)de la radiométrie de la polarisationVH(endécibels)enfonctiondutemps(15 datesentrejanvieretdé-cembre2016).Chaquecourbe estrelativeàunsite ayantsubidifférentstypes de déforestation (par petit patch pour le site 3etune couperasepourlesautressites.Déforestationendate 5 pour la courbe bleue, date 12 pour la courbe orange, griseetjaune).Lafigure6(1)représentela sérietemporelleenl’ab-sencedeposttraitementalors quelafigure 6(2)présente lerésultatobtenuaprès applicationdelaméthoded’optimisationducontraste (traitement1et2)entrelessurfacesdeforêtetdenon forêt.

Commelemontrelafigure6(1),ceseffetspertur- bateurssontmoinsmarquéssurlessurfacesforestières quesurlessurfacesayantunedensitédevégétation moindre,respectivementavantetaprèslabaissedela radiométrie.Eneffet,pluslavégétationestdenseetplus onserapprocheduphénomènedesaturationdusignal.

Lesite3représentéparlacourbegrisedelafigure6(1) estunsiteayantsubiunedéforestationparpetitpatch alorsquelesautressitesontsubiunedéforestationse rapprochantd’unecouperase.

Afinderéduireleseffetsévoquésprécédemmentet ainsilimiterlesfaussesalarmes,nousappliquonssuc- cessivementlesdeuxtraitementssuivants:

— Traitement 1 - Ajustement des niveaux radiomé- triques de la série temporelle à partir de la ra- diométrie de référence estimée sur des zones de forêt dense et stable sur la série temporelle.

— Traitement 2 - Filtre passe-bas du premier ordre

desprofilstemporels.

Lepremiertraitementconsisteàconsidérerquela réponsed’uneforêtdensehumidesanschangementan- thropiqueeststabledansletemps.Afind’ajusterlesni- veauxradiométriquesdelasérietemporellesurl’ensem- bledelascèned’étude,nousestimonspourchaquedate tune radiométrie de référence,γb0Ref

(t) . Cette intensité de référence est ici calculée à partir de polygones corres- pondants à des surfaces de forêt dense stables sur l’en- semble de la série temporelle. Afin de permettre un suivi régulier, il est conseillé d’utiliser un grand nombre de po- lygones (un minimum de 10 polygones comportant cha- cun au moins 1000 pixels) sur l’ensemble de la zone afin de ne pas biaiser la moyenne si l’une de ces surfaces venait à être déforestée. On calcule alors le niveau de référence moyen sur l’ensemble de la série temporelle,

<γb0Ref

(t) >. Pour chaque pixel de l’image on calcule alors alors la radiométrie ajustéeγ0Ajust

(t) à l’aide de l’équation suivante :

γ0Ajust (t) = γ_0(t)

γb0Ref (t)

. <γb0Ref

(t) > (1)

oùγ_0(t)représente la radiométrie d’un pixel à la date t.

La deuxième étape du traitement est appliquée après réajustement radiométrique destiné à éliminer les varia- tions saisonnières. Cette étape consiste à appliquer un filtre passe-bas du premier ordre àγ0Ajust

(t) sous la forme d’une moyenne pondérée exponentielle à la série tem- porelle NIST (2018). Cette moyenne pondérée exponen- tielle appliquée à chaque pixel à la date t, γb0Ajust

(t) se

calcule de la façon itérative suivante (t= 0correspond à la première date de la série temporelle) :

γb0Ajust

(t) =

( γ0Ajust

(0) , t= 0

α.γ0Ajust

(t) + (1−α).γb0Ajust

(t−1) , t >1 (2) oùα représente un coefficient pondérateur entre deux dates, compris entre 0 et 1.

Cette technique consiste ainsi à réaliser pour un pixel donné une moyen-ne (pondérée) temporelle cumulée dans le temps.

L’intérêt pour réduire la remontée de la radiométrie après déforestation liée à l’effet saisonner (cf courbe bleue de la figure 6(1)) consiste à pondérer la moyenne en donnant un poids moins important à la nouvelle date, en utilisant par exemple une valeur deα = 0,3(valeur empirique retenue pour l’intérêt des résulats obtenus).

La contre partie de cette technique est d’introduire un retard de détection de la déforestation en raison de l’intégration des dates antérieures

La figure 6 montre qu’une fois la méthode d’optimi- sation du contraste appliquée, la réponse temporelle ob- servée avant et après le phénomène de déforestation se trouve fortement lissée. Par ailleurs, le phénomène sai- sonnier qui occasionne une augmentation progressive de la radiométrie, est très fortement atténué (figure 6(2)).

Une fois l’optimisation du contraste réalisée nous ap- pliquons une méthode d’analyse des variations de la ra- diométrie pour déclencher une alerte de déforestation.

Ainsi, une surface sera identifiée comme déforestée à la datetsi elle respecte les deux règles suivantes :

1. ^{0 0}

0

st−s_tref<seuil1

stref étantlapremièredatedelasérietempo-relle.

Lavaleurdeseuil1aétéfixéeà-1,3dB(ligne pointilléerougesurlafigure7(1))aprèsanalysede différentscasdedéforestationrapideetrase.

2.Pourunedatetretenueàl’étape1,celle-cisera

0 0

validéesist−st−1<seuil2.LavaleurdeSeuil2aété fixéeà-0.5dB(lignepointilléerougefigure7(2)).Ce seuilcarbienadapté àunchangementrapideet important.

Eneffet,l’undesobjectifsdelaméthodeestd’ob- tenirlemoinspossibledefaussesalarmes.Lepremier seuilpermetainsidecaractériserlechangementsurune longuepériodealorsqueledeuxièmeseuilapourrôle deréduirelesfaussesalarmesrésiduellesens’assurant deconserverleschangementslesplusimportantssur uneéchelledetempspluscourte(entredeuxdatessuc- cessives).

Cesparamètrespeuventetdoiventêtreajustésen fonctiondelazoned’étudeetdeladynamiquededéfo- restation.Eneffet,danslecasdedéforestationdetype couperase,onutiliseradesvaleursdeseuilplusimpor- tantesquelorsdedéforestationprogressivesetradui- santparunebaissedelaradiométrieplusprogressive pouvantparailleursêtremoinsimportante.Cettemétho- dologiepermetalorsdeproduireunecartededéfores- tationincluantladatededétectionsupposéeaccompa- gnéed’unecoucheindiquantl’amplitudemaximaledela chutederadiométrie.

3.3.OutildeclassificationsurOaréservedeFaune deTogodo

Pourlacartographiedesdifférentsmodesd’occupa- tiondusolsurnotresited’étudeauTogo,nousavons choisid’utiliserl’algorithmedeclassificationsupervisée SVM(SupportàVastesMarge).Cetalgorithmeconsiste àtrouverl’hyperplandeséparationoptimalentrelesclas- sesd’étude.Cetteapproche,quis’affranchitdel’établis- sementàpriorid’hypothèsessurladistributionstatis- tiquedesdonnées,permetd’utiliseretcombinerdesdon- néesaussidiversesquelesdonnéesoptiquesetradar.

Parailleurs,l’utilisationdesnoyauxpermetdeséparer desclassesditesnonlinéairementséparable.Plusde détailssurl’algorithmeSVMsontdonnésdansLardeux etal.(2009)etBurges(1998).

Pourestimerlepotentieldecontributiondesimages optiquesetradar,lesclassificationssontréaliséessépa- rémentsurlesimagesoptiquesetsurlesimagesradar, puisencombinantces2typesdedonnées.Toutesles classificationssontensuiteaccompagnéesd’indicateurs devalidationdeclassification(précisionutilisateur(PU), SUpFLVLRQSURGXFWHXU33HWSUpFLVLRQJOREDOH3*2ORIVVRQ HWDO

(1)

(2)

FLJXUH7:Courbesillustrantlesdeuxindicateursde change-mentsutiliséspourdétecterlephénomènede déforestation(i.e.ladifférenceentrelaradiométrieàla datetetcelleàunedatederéférencetref).Chaque courbecoloréecorrespondàunsitededéforestation spécifique.Lafigure7(1)représentepourchaquedate ladifférenceendBentrelaradiométrieautempstet cellecorrespondantaudépartdelasérietemporelle.

La figure 7(2) représente pour chaque date la différenceentremesuresàladatetetàladate(t-1).

Leslignespointilléesvisualisentlesseuilsutiliséspour chacundesindicateursdechangement.Lecerclenoir pointe sur la date 6 où l’application de ces seuils permetdedétecterladéforestationdusite1.

4. Résultats

4.1.Suivideladéforestation

Les résultats obtenus sont présentés figure 9.

(1)

(2)

(3)

FLJXUH 8 : Illustration de la détection d’une déforestation en 2016 à partir de l’analyse de la radiométrieenpolarisationVH(dB).En(1),composition colorée multi-date (rouge : août vert : juillet bleu : décembre)localisantleschangementsobservés.En(2) montre le résultat de la détection par la méthode proposée(échellede couleurallantdurougevers le bleuerespectivementdumois5aumois12del’année 2016).Lafigure(3)présentelacourbetemporelled’un pixelsituédanslecerclerougedelafigure(2).

$LQVL OD FRPSRVLWLRQ FRORUpH PXOWLGDWH EDVpH VXU OD SRODULVDWLRQ 9+ HQ GpFLEHOV URXJH DR€W YHUW juilletet bleu:décembre)illustreparfaitementlepoten-tielde détection deladéforestation. Celle-ci fait appa-raître enmagentaouenbleulesdifférencesimportantede radiométrieobservéesurlestroisdates.Lafigure8(3) représentantlapolarisationVH(endécibels)aucours dutemps,permetd’anlyserplusfinementlesévolutions temporellesderadiométrieobservées.Leslignescolo- réessuperposéesàlacourbederadiométriereprésen- tentlesdatesutiliséesdanslacompositioncoloréedela figure8(1).Cettefiguremontrebienquelephénomène dedéforestationestvisibleàpartirdumoisdeseptembre parunebaissesignificativedelaradiométried’environ1 décibel.Enappliquantlesréglagesillustrésprécédem- mentparlafigure6,l’approchepermetdebiendétecter ladéforestationcommel’illustrelafigure8(2)oùlecode couleurutilisépermetdesuivrelaprogressivitédel’éve- nement.

Bienquel’approchesembleefficacelorsqueladé- forestationestbrutale(passagedeforêtàsolnusans résiduausol)etquelespentessontfaibles;unetopo- graphiemarquée,desrestesdeboisoudefeuillageau sol,ouuneautremodificationdel’étatdelasurfacefont quel’approcheatteintseslimites.Parexemple,lesdi- versdegrésd’avancementduchantierd’orpaillagelégal (figure9)conduisentàpercevoirladéforestationenplu- sieursétapessuccessives.

Lazoneencoursd’orpaillageesttoutd’aborddéfri- chée(photodelafigure9(1)),repéréeparl’ellipserouge surlesfigures9(3)et9(2),présentantrespectivementles imagesSentinel-2etSentinel-1delazone.Acestade,le solpeutêtrerecouvertdetroncsoubranchesayantune radiométrieradarplusimportante(teintejaunedeladon- néeSentinel-1dansl’ellipserouge)quepourunsolcom- plètement nu (teinte noire/marron de la donnée Sentinel-1 (ellipse bleue).Le contrasteest ainsi peu marquéencomparaisondelaforêtenvironnante(teinte jaune et cyan clair). Par la suite, une fois le sol totalementdéfriché,lazoneestinondéecommel’illustre lafigure9(1)(photodedroite)avecl’ellipsebleue.Par conséquent et comme le prouve la figure 9(4) superposantlerésultatdedétectiondeladéforestationà unedonnéesSentinel-2,lapointedelazonedéforestée (elipse rouge) n’est pas détectée en raison de la radiométrieencoreélevéeàcestadedel’orpaillage.

Conclusion

L’analysedesrésultatss’estrévéléeconcluanteavec unetrèsbonnecapacitédedétectionpourdessurfaces généralementsupérieuresouégalesà1ha.Ceseuilde 1haestfixédemanièreàsurdétecterlemoinspossible.

Eneffet,bienqu’ilsoitpossiblededétecterdeszonesde déforestationdesuperficieinférieureà1haaveclamé- thodeactuelle,leniveaudeconfianceetdeprécisiondu systèmecommenceàfortementchutersousceseuil.A l’avenir,aveclamiseopérationnelledecesystème,l’ex- périencenouspermettradefourniruneestimationfine deceniveaudeprécision.Cettelimiteactuelle,liéeà larésolutiondesimagesSentinel-1(20mderésolution spatialepourunpixelde10m),impactelaqualitédedé-

(1)

(2)

(3)

(4)

FLJXUH9:Lesphotosdeterrainen(1)encadréesen bleuetrougereprésententrespectivementunezonede décantation etune zone avant inondation. Ces deux zonessontlocaliséespardescerclesbleuetrougesur lesillustrations(2)et(3)super-posésrespectivementà unedonnéeSentinel-1acquisele17-06-2017(canaux RGBrespectivementVV,VHetVH-VV)etunedonnées Sentinel-2 acquise le 16-06-2017 (canaux RGB res- pectivementMoyenInfra-Rouge,ProcheInfraRougeet Rouge). La figure 4 superpose le résultat de la détection de la défores-tation à partir des données Sentinel-1surladonnéeSentinel-2.

tectiondel’orpaillageclandestinquis’opèrebiensouvent souscouvertetsurdefaiblessurfaces(onparlealorsgé- néralementdedégradationforestièreplutôtquededéfo- restation).Deplus,laméthodepeutégalementprésenter certaineslimiteslorsquelazonedéforestéeestfortement

accidentéeousoumiseàunefortetopographie,cequi estsurtoutlecaspourlespetitessurfacesvoisinesde1 ha.Parconséquent,laméthodeprésentéeci-dessusdoit êtreconsidéréecommeunsystèmed’alertequasitemps réelpermettantdesuivrefinementle sph énomènesde déforestationpourdessurfacesdel’ordreousupérieures a1ha.Parailleurs,pourcequiestdusuividesactivi- tésd’orpaillageillégalsouscouvertoupourlaquanti- ficationpr écisede ssu rfacesdé forestées,ils’ avèrené- cessairedecompléterl’analyseavecdeladonnéeop- tiquedetypeSentinel-2.Lesystèmed’alerteradarnous permettrad’unepartdediminuerlesbesoinsderecourir auximagesoptiques,etd’autrepartdepréciserlalo- calisationdeszonesoudesanalysescomplémentaires sontnécessaires.Acejour,auregarddesrésultatset enl’étatdesdéveloppementsréalisés,laméthodepeut êtreconsidéréecommeopérationnellepourlecontexte guyanais,cequireprésenteuneavancéetechnologique importanteàl’échelleglobaledansledomainedusuivi deladéforestationenmilieutropical.Enexploitantlepo- tentieldecetteméthode,laforêtdeGuyanepourraitde- venirl’unedesforêtstropicaleslesmieuxsurveilléesau monde.

Bienqu’opérationnelle,laméthodedoittoutefoisen- coreêtreconfrontéeàunusagequotidien,afinnotam- mentd’améliorersamiseenoeuvreetsonefficacitéen situationréelleàtraverslespistesd’améliorationdéjà identifies.Eneffet,latechniqueétantbaséesurladétec- tiondeschangementsquiinduisentunechutedelara- diométrie,defaussesalarmespeuventapparaître.Com- mecesfaussesalarmessontpourlaplupartlocalisées enzonedenon-forêtoùladynamiquedechangement estlaplusforte,produireunmasquedeforêtestune étapenécessairepermettantdesefocaliseruniquement enzoneforestièreetainsiéliminerlesfaussesalarmes situéeshorsdeszonesd’intérêt.Autreaméliorationpré- vue:l’automatisationdelachaînedetraitementavecdes seuilsd’alarmeajustésselonlesretoursd’expérience; utilisationdesimagesenorbitesAscendantesetDes- cendantesafind’optimiserladétectionenzoneàrelief marqué;enfinréalisationdestraitementsavecdespixels de10mconduisantàplusdedétails.

4.2.Carted’occupationdusolsurlaréserveGe FaunedeTogodo

AprèsinterprétationvisuelledesimagesSentinel-1 (S1)etSentinel-2(S2),ilaétéidentifié8classesd’occu- pationdusolillustréesparletableau4.2présentantdes vignettespourlesclassesetcapteursconsidérés(S1 etS2).Nousavonsretenulesclassessuivantes:forêts denses,plantations,savanesboisées,mosaïquesdesa- vanesarborées/arbustives,mosaïquessavanesher- beuses/jachères,zonesmarécageuses,zonesartificia- lisées.Afind’évaluerl’importancedel’informationtempo- relle,nousavonsréalisédifférentescombinaisons.Trois classificationsdedonnéesS2ontétéréaliséesrespecti- vementàpartird’uneseuledate,de3datespuisàpartir de5dates.Defaçonanalogue,nousavonsréalisédeux classificationsbaséessurlesdonnéesS1:àpartird’une

TDEOH 3RXU FKDFXQH GHV FODVVHV FH WDEOHDX LOOXVWUHOD UpSRQVH RSWLTXH 5 3URFKH ,QIUD 5RXJH 9 0R\HQ,QIUD 5RXJH % 5RXJH HW UDGDU 5 99 HQ GpFLEHOV 9 9+

HQ GpFLEHOV % 9+ 99 HQ GpFLEHOV

seuledatepuisde33dates.Lagranderésolutiontempo- relledesdonnéesS1nousapermisdeproduiredespro- filstemporelspourchaqueclassed’occupationdusol.La classificationaensuiteétépratiquéesurlacombinaison desdonnéesS1etS2.

4.2.1.DonnéesSentinel-2

Les résultats des classifications, détaillés tableau 4.2.1,montrentenmoyennedebonsrésultatsavecune PGde88,8%pourl’utilisationd’unescène.Commeat- tendu,lesclassesayantlesmoinsbonnesperformances sontlestroisclassesdesavaneavecentre81%et88%

dePP.L’ajoutdedatessupplémentairesmontreunap- portsignificatifavecunedifférenced’environ3%àcha- queajoutdedate.Remarquonsquelegaindeperfor- manceestplusélevépourlesclassesdeSavanes;pro- bablementcarcellescisontsujettesàdefortesévolu- tionstemporelles.

4.2.2.DonnéesSentinel-1

Les figures 10 (1) et 10 (2) présentent pour chaque classe étudiée l’évolution temporelle des réponsespourlespolarisationsVVetVH.Quelleque soitlapolarisa-tionconsidérée,leniveauradiométrique moyen permetdedistinguerlesclassesdeformation végétale(forêtsetsavanes)desclassesdeformation nonvégétale(coursd’eau,zonesmarécageuses,zones artificialisés).Deplus,ces profilstemporels présentent desvariationssaison-nières importantes.Les résultats obtenus, détail- léesdansletableau2affichentdes résultatssatisfaisantsavec85,7%dePGpouruneimage S1.Lesclasseslesmoinsperformantessontengénéral les classes ayant les plus grandes densités (à l’exception de la savane boisée). L’utilisation de l’ensemble de la série temporelle (33dates) permet un gain de performance très importantpourarriverà 93,3%dePG.Cegains’opèresurl’en-sembledela nomenclature et en particulier pour les mi-lieux qui étaientlesmoinsbienclassésavecuneseuledate 4.2.3.CombinaisondesdonnéesSentinel-2etSentinel-1 Commelepréciseletableau2,lacombinaisondes donnéesS2etS1apporteungainsignificatifdepréci- sionglobalede1,9%puisquel’onpassede95,2%et 93,3%,respectivementpour5datesS2et33datesS1à 97,6%enmobilisantlesdeuxcapteurs.Quellequesoitla classeconsidérée(àl’exceptiondelaclasse“zonesar- tificialisées”)lacombinaisonS1S2fournitdesrésultats demeilleurequalité.Labaissedesperformancespourla classe“zonesartificialisées”estliéeàuneforteconfu- sionaveclaclasse“plantation”.

4.2.4.Conclusion

L’analysedesrésultatsobtenusdémontrelacomplé- mentaritédesdonnéesS1etS2danslecontextede notreétudeportantsurlaréservedeTogodoauTogo.

Ainsi,lesimagesS1ouS2exploitéesséparémentcon- duisentàdesclassificationsdontlespointsfaiblessont différents,cequiinduitunenetteaméliorationlorsdeleur usageconjoint.Ainsi,lacombinaisondeS1(33dates) etS2(3dates)permetl’améliorationdel’estimationdes surfacesdesclassesdeforêtsdenses,plantations,sa- vanesboisées,mosaïquessavanesarborées-savanes arbustives,mosaïquessavanesherbeuses-jachères-

culturesquisonttrèssensiblesauxvariationssaison- nières.CesclassessontestiméesavecunPPd’environ 98%contremoinsde90%pourS1etenviron90%pour S2.Cetteapprochecombinantlesdeuxtypesdecap- teurspermetderéduirecettecontraintesaisonnièrepar uneinformationpluscomplète.Ilestprobablequel’écart d’efficacitéobservéentrecapteursainsiqueleurcomplé- mentaritéseraientréduitssinousdisposionsdeséries temporellesoptiquesetradardegrandedensitécomme celaestdiscutédansIngladaetal.(2016).Néanmoins, ladisponibilitérégulièredesdonnéesRadarS1(dufait deleurinsensibilitéàlacouverturenuageuse)permet delesutiliserdefaçonopérationnelleetrécurrenteavec l’appuidesimplementquelquesdonnéesoptiques.Cette approcheesteneffetfacilementréplicablepourtouttype d’écosystème,cequiconstitueainsiunmoyenefficace d’assurerlesuividesdifférentesclassesd’occupation dessols.

5. Perspectives et conclusion

Lesimagesgratuitesàforterépétitivitéaussibienop- tiquesqueradarS1etS2élargissentlesperspectives d’utilisationdelatélédétectionpourlesuividel’occupa- tiondusol.Onnoteraqu’ilexisteaussidesmosaïques radarenbandeL,PalsaretPalsar2distribuéesgratuite- mentetparticulièrementintéressantespourleurgrande capacitédepénétrationmaisquin’onttoutefoispasété évaluéesdanslecadredecetteétude.

Lesdonnéesoptiquesseulesontmontréenmoyenne demeilleuresperformancesquelesdonnéesradar.En revanchelessériestemporellesdedonnéesradar,de parleurinsensibilitéàlacouverturenuageuse,néces- sitentdespré-traitementsplussimplesàmettreenoeu- vre,cequipermetainsid’engagerdessuivisdechan- gementenquasitempsréeloudesbilansréguliersà l’échelleannuelle.D’unemanièregénérale,lacomplé- mentaritédessignaturesradaretoptiquesfaitque,la combinaisondesdeuxtypesdedonnéesélèveleurca- pacitédediscriminationentrelesmilieuxconcernés.Cet- teétudedémontreenoutrequel’accessibilitédesimages gratuitesSentinel-1etSentinel-2,associéeàl’existence d’outilsdetraitementperformants,libresd’accès,auto- riseleurusagegénéralisésurtouteslesrégionsduglobe, enparticuliertropicales.

6. Remerciements

Nousremercionsl’ESApourlafournituredesdon- néesradarSentinel-1etoptiqueSentinel-2gratuitesainsi queleCNESetl’équipedel’OTB(OrfeoToolBox)pour ledéveloppementdecetteboîteàoutilsdetraitementin- tensivementutilisépourcetravail.Nousremercionsl’ONF poursonappuidansledéveloppementdelaméthodede suivideladéforestationayantpermisledéveloppement dukitd’installationsousWindowsetUbuntudisponible surdemandeetvialesitewww.remotesensing4all.net.

RemerciementségalementauMTESpourl’intérêtqu’il porteaupotentieldel’imagerieradarencontextetropical.

TDEOH2:StatistiquesdeclassificationpourdifférentescombinaisondescapteursS1etS2oùlacombinaisonS1+S2 correspondàl’utilisationdetouteslesdatesS1etS2

(1)

FLJXUH10:ProfilstemporelVpourchacunedesclassesétudiéesenpolarisationVV(1)etVH(2). ()

5pIpUHQFHV

%XUJHV & - & $ WXWRULDO RQ VXSSRUW YHFWRU PDFKLQHV IRU SDWWHUQ UHFRJQLWLRQ 'DWD 0LQLQJ DQG .QRZOHGJH 'LVFRYHU\±

,QJODGD - 9LQFHQW $ $ULDV 0 0DUDLV6LFUH &

,PSURYHG HDUO\ FURS W\SH LGHQWLILFDWLRQ E\ MRLQW XVH RI KLJK WHPSRUDO UHVROXWLRQ VDU DQG RSWLFDO LPDJH WLPH VHULHV

5HPRWH 6HQVLQJ 85/ KWWS

ZZZPGSLFRP

/DUGHX[ & )ULVRQ 3 / 7LVRQ & 6RX\ULV - & 6WROO % )UXQHDX % 5XGDQW - 3 'HF 6XSSRUW YHFWRU PDFKLQH IRU PXOWLIUHTXHQF\ VDU SRODULPHWULF GDWD FODVVLILFDWLRQ ,((( 7UDQVDFWLRQV RQ *HRVFLHQFH DQG 5HPRWH6HQVLQJ±

0DJOLRQH 3 3DUHQWH & 9DOODULR $ 3DQVKDUSHQLQJZRUOGYLHZ,KVEURYH\DQG]KDQJPHWKRGVLQ FRPSDULVRQ9ROXPH±

0HUPR] 6 /H 7RDQ 7 )RUHVW GLVWXUEDQFHV DQG UHJURZWK DVVHVVPHQW XVLQJ DORV SDOVDU GDWD IURP WR LQ YLHWQDP FDPERGLD DQG ODR SGU 5HPRWH 6HQVLQJ

1,67 1LVW VHPDWHFK HKDQGERRN RI VWDWLVWLFDO PHWKRGVHZPDFRQWUROFKDUWV

2ORIVVRQ 3 )RRG\ * 0 +HUROG 0 6WHKPDQ 6 9 :RRGFRFN & ( :XOGHU 0 $ *RRG SUDFWLFHV IRU HVWLPDWLQJ DUHD DQG DVVHVVLQJ DFFXUDF\ RI ODQG FKDQJH 5HPRWH6HQVLQJRI(QYLURQPHQW±

4XHJDQ 6 <X - - 1RY )LOWHULQJ RI PXOWLFKDQQHO VDU LPDJHV ,((( 7UDQVDFWLRQV RQ *HRVFLHQFH DQG 5HPRWH 6HQVLQJ±