Mémoire présenté pour obtenir le diplôme de MASTER 2 Mention GAED Spécialité TELENVI (Télédétection/Environnement)
Co habilité par l’Université Rennes 2 et l’Agrocampus Ouest Présenté par LUNDU MONSU Ismaël-Andrick
Soutenu à Rennes le 18 novembre 2020
Tuteurs de stage :
Référent universitaire :
Membres du jury :
Hervé NICOLAS, Jacques HAURY Samuel CORGNE
Simon DUFOUR, Hervé NICOLAS, Jacques HAURY
CARTOGRAPHIE DE LA JUSSIE SUR DES TERRITOIRES A LARGE ECHELLE :
Région bretonne, bassin de la Loire et côtiers vendéens
Résumé
Une espèce exotique envahissante est une espèce animale, végétale ou microbienne importée dans un milieu naturel et qui est considérée comme néfaste pour les populations de ce milieu.
Dans ce rapport, nous présentons le cas de la jussie. La jussie est une espèce exogène envahissante originaire d’Amérique importée en Europe et notamment France au début du XIXe siècle à des fins ornementales. C’est une plante amphibie qui continue de proliférer dans des milieux inondables de certaines régions du territoire français en multipliant les problèmes écologiques tel que la perte de la biodiversité. Dans le cadre du projet FEDER, programme du Fonds Européen de Développement Régional pour étudier la jussie terrestre dans le bassin versant de la Loire et les côtiers vendéens, mais aussi en Bretagne notamment en prairies inondables, notre objectif ici est d’arriver à cartographier la distribution de la jussie en mélange avec d’autres espèces végétales, à large échelle sur le bassin versant Bretagne-Loire et les côtiers vendéens à partir du démélangeage spectral d’images Sentinel 2 et des validations de terrain. Notre travail s’appuie sur les travaux de (Lorée, 2019) qui a mis au point la méthode de démélangeage spectral afin de discriminer la jussie d’autres types de végétations en zones inondables.
II
Abstract
An invasive alien species is a species of animal, plant or microbial origin that is introduced into a natural environment and is considered harmful to the populations of that environment. In this report, we present the case of the primrose. Primrose is an invasive exogenous species originating from America and imported into Europe, particularly France in the early 19th century for ornamental purposes. It is an amphibious plant proliferating in floodplains in certain regions of France. It gives ecological impacts such as the loss of biodiversity. Our research develops within the framework of the FEDER project, a program of the European Regional Development Fund to study the land-based primrose in the Loire catchment area and the Vendée coastal rivers, but also in Brittany, especially in floodplains. Our objective here is to map the distribution of the primrose in mixture with other plant species, on a large scale on the Brittany-Loire catchment area and the Vendée coastal rivers based on the spectral mixing of Sentinel 2 images and field validations. Our work is based on the work of (Lorée, 2019) who developed the spectral mixing method to discriminate the primrose from other types of vegetation in flood zones.
iii
Remerciements
Mes remerciements vont tout d’abord à Dieu qui m’accorde chaque jour son souffle de vie et qui veille sur moi même en période de crise sanitaire actuelle.
Je tiens spécialement à remercier mes encadrants pour leurs investissements pour le bon déroulement de ce stage, notamment Jacques HAURY et Hervé NICOLAS ainsi que Pascal PICHELIN, informaticien au sein d’Agrocampus-Ouest qui m’ont témoigné de leur volonté de me voir réussir. En particulier, je remercie Jacques H. et Hervé N. pour leurs excellents conseils et suggestions qui m’ont beaucoup apporté dans ce stage et surtout pour mon avenir dans le monde du travail.
Merci aux équipes des laboratoires PSN et ESP d’Agrocampus-Ouest de m’avoir accueilli en tant que stagiaire dans leurs locaux.
Merci à mon professeur référant Samuel Corgne qui m’a transmis des connaissances importantes dans le domaine de la Télédétection active et passive.
Enfin, je tiens à remercier mes parents, mes frères, mes sœurs, mes cousins et mes amis de m’avoir soutenu par des conseils et des encouragements lors de cette période de stage.
IV
Table des matières
... 0
Résumé ... i
Abstract ... ii
Remerciements ... iii
Liste des figures ... vi
Liste des tableaux ...vii
Liste des annexes ... viii
Glossaire des abréviations ...ix
Introduction ... 1
1. Etat de l’art ... 2
1.1. Ecologie et gestion ... 2
1.1.1. Ecologie de la jussie ... 2
1.1.2. Gestion de la jussie ... 3
2. Télédétection des invasions biologiques et de la végétation. ... 5
2.1. Pourquoi la Télédétection ? ... 5
2.2. Application à notre problématique ... 5
3. Matériel et méthodes ... 7
3.1. Données utilisées ... 8
3.1.1. Les images Sentinel-2 ... 8
3.1.2. Description des niveaux de traitement des images Sentinel-2 ... 9
3.1.3. Résolution spatiale et bandes spectrales du capteur MSI ... 9
3.1.4. Les campagnes de terrain ... 10
3.1.5. La base de données topographie de l’IGN ... 10
3.2. Méthode de démélangeage spectral (The spectral unmixing)... 10
3.2.1. Préparation des données pour la construction de la méthode de démélangeage spectral 10 3.2.2. Démélangeage spectral ... 11
3.2.3. Choix et construction des masques des zones humides ... 13
3.2.4. Construction du masque des zones en eau en hiver ... 13
3.2.5. Choix des indices spectraux. ... 13
3.2.6. Masque de la jussie en automne ... 16
3.2.7. Masque des zones aquatiques en été. ... 17
v
3.2.8. Masque des nuages ... 19
3.2.9. Les données vectorielles ... 20
3.2.9.1. Image vectorielle du bassin Bretagne-Loire et du côtier vendéen. ... 20
3.2.9.2. Plans d’eau de la Base de données Topo/Hydrographique de l’IGN ... 20
4. Résultats ... 21
4.1. Résultats à l’échelle locale ... 21
4.1.1. Masque des zones humides en hiver ... 21
4.1.2. Démélangeage spectral ... 22
4.1.3. Carte des communes avec statistiques zonales ... 22
4.2. Résultats à large échelles ... 23
5. Discussion ... 25
5.1. Les masques des zones humides ... 25
5.2. Les faux positifs et les faux négatifs ... 25
5.3. Les faux positifs ... 25
5.4. Les faux négatifs ... 26
5.5. L’importance de l’échelle ... 28
5.6. Séparation jussies aquatiques et jussies terrestres ... 28
5.7. Discussion méthodologique ... 29
5.8. Intérêt pour les gestionnaires ... 29
CONCLUSION ... 30
Bibliographies ... 31
VI
Liste des figures
Figure 1. Résultats de l'enquête sur la gestion (Lorrain 2017 - 72 réponses). ... 4 Figure 2. Sites d'étude (Bassin Bretagne-Loire et Côtier Vendéen) ...Erreur ! Signet non défini.
Figure 3. Spectres des jussies issues du lac de Grand-Lieu et de Mazerolle en comparaison avec d’autres formes de végétation (Lorée, 2019) ... 18 Figure 4. Chaîne de production des cartes d'abondances de jussie ... 20 Figure 5. Figure 6. Masque des zones humides en hiver 2018 (Amont et aval de la Loire, entre Nantes et Angers) ... 21 Figure 6. Abondance de jussie en pourcentage par commune ... 22 Figure 7. Abondance de jussie à l’échelle communale sur la Bretagne, la Vendée et la Loire en été 2018 ... 24 Figure 8. Non prise en compte d'un des étangs d'Apigné par le masque des zones humide . 27 Figure 9. Pléiades-Neo [Airbus DS]. Source : https://space.skyrocket.de/doc_sdat/pleiades- neo.htm ... 28
vii
Liste des tableaux
Tableau 1. Caractéristiques des images utilisées durant la période de stage ... 8
Tableau 2. Niveau de traitement des images Sentinel-2 (Source : CESBIO multitemp) ... 9
Figure 3. Spectre d'acquisition dans l'optique de Sentinel-2. ... 9
Tableau 4. Codage de bits du MNDWI (Source : ESA SNAP 7) ... 15
Tableau 5. Sites d’étude et végétation observée sur site (Bretagne, Vendée, Loire) ... 35
Tableau 6. Valeurs de réflectance de la jussie et d’autres formes de végétation issues des sites d’entrainement et de validation du jeu de données. ... 43
Tableau 7. Longueurs d'ondes des satellites Sentinel-2A et 2B ... 43
VIII
Liste des annexes
Annexe A : Tableau des sites d’étude et végétation observée sur site (Bretagne, Vendée, Loire).
P33-35
Annexe B : Atlas de l’Etang de Chevré (Bretagne) P38
Annexe B : Atlas des Etangs de Sarzeau (Golfe du Morbihan). P39 Annexe C : Atlas 1 (Secteur de la Loire, autour de Nantes). P40 Annexe C : Atlas 2 (Zone de la Loire autour d’Ancenis). P41 Annexe D : Atlas : Côtiers vendéens. P42
Annexe E : Valeurs de réflectance de la jussie et d’autres formes de végétation issues des sites d’entrainement et de validation du jeu de données. P43
Annexe E : Longueurs d'ondes des satellites Sentinel-2A et B. P43
ix
Glossaire des abréviations
ASD : Analytical Spectral Devices
BD Topo/Hydro : Base de Données Topographiques et Hydrographiques CESBIO : Centre d'Etudes Spatiales de la BIOsphère
CNES : Centre National d’Etude Spatiale EVI : Enhanced Vegetation Index
FEDER : Fonds Européen de Développement Régional FLSU: Fully constrained Linear Spectral Unmixing IAV : Institut d’Aménagement de la Vilaine
IGN : Institut national de l’Information Géographique et forestière LSU: Linear Spectral Unmixing
LSWI (Land Surface Water Index)
MAEC : Mesures Agro-Environnementales et Climatiques MNDWI: Modified Normalized Difference Water Index MSI: Multi Spectral Instrument
NDPI: Normalized Difference Pond Index NDII: Normalized Difference Infrared Index NDMI: Normalized Difference Moisture Index NDVI: Normalized Difference Vegetation Index NDWI: Normalized Difference Water Index NIR : Near Infra Red (Proche Infrarouge) PAC : Politique Agricole Commune SAM : Spectral Angle Mapper
SIG : Système d’Information Géographique SMACC: Sequential Maximum Angle Convex Cone SPOT : Satellite Pour l’Observation de la Terre SWIR : Short Wave Infra Red
UICN : Union Internationale pour la Conservation de la Nature
1
Introduction
Les espèces exotiques constituent un ensemble d’espèces implantées volontairement ou accidentellement dans une région dont elles ne sont pas originaires. Elles sont dites « envahissantes » ou « invasives » lorsqu’elles se développent très rapidement en modifiant considérablement l’environnement qu’elles colonisent à l’échelle globale, plus particulièrement dans les écosystèmes d'eau douce et libre (García-Berthou et al. 2005). Selon la liste rouge établie par l’Union mondiale pour la nature (UICN), les espèces exotiques envahissantes sont la troisième cause de perte de biodiversité dans le monde (source : site de l’UICN). Ces espèces sont également responsables de nombreux impacts négatifs sur les plans socio-économique et sanitaire.
Certaines espèces exotiques telles que la jussie ont été introduites volontairement en Europe au début du XIXème siècle, à des fins ornementales. La Ludwigia, appelée communément jussie est une plante amphibie appartenant à la famille des Onagracées qui produit de jolies fleurs jaunes en été. Sur le territoire français, il existe deux espèces de jussie : la grande jussie ou jussie à grandes fleurs (Ludwigia grandiflora) et la petite jussie ou faux-pourpier (Ludwigia peploides). Ces deux espèces ont été introduites dans la région de Montpellier au cours des années 1820-1830 dans un jardin des plantes. Depuis quelques années les jussies sont devenues une menace pour la biodiversité de par leurs capacités de développement et de prolifération. En effet, introduites en milieu naturel dans la région montpelliéraine, elles ont ensuite gagné progressivement le Sud du Languedoc à l’Aquitaine, puis, depuis environ une quarantaine d’années, la façade atlantique jusqu’en Bretagne ; leur extension se poursuit vers le Nord et l’Est (Dutartre 2002). Les jussies se déclinent sous deux formes. En effet, selon des observations faites par (Haury et Damien 2014), les jussies existent sous formes aquatique et terrestre. Le passage de la forme aquatique à la forme terrestre s’effectue soit sur les rives des masses d’eau colonisées, soit sur des zones humides temporellement inondables comme les prairies. Cette forme terrestre constitue non seulement une véritable menace pour les prairies inondables en diminuant la surface et la valeur fourragère, mais aussi pour les agriculteurs car elle envahit potentiellement des parcelles agricoles. Dans l’optique d’approfondir l’étude et la gestion de cette forme de jussie, un programme du Fonds Européen de Développement Régional (FEDER) a donc été mis en place pour l’étude de la jussie terrestre dans le bassin de la Loire et les côtiers vendéens. Le programme FEDER a notamment pour but de cartographier la distribution de jussie à partir des travaux déjà existants sur la biologie, ainsi que des enquêtes de terrain et des études déjà menées par télédétection.
Dans ce rapport, nous nous focaliserons essentiellement sur la partie télédétection des plantes invasives et des jussies terrestres. Nos objectifs dans ce travail seront donc de cartographier les jussies à large échelle de la France et à l’échelle communale, tout en répertoriant les espèces envahissantes se confondant avec les jussies. Cette carte servira d’outil d’aide à la décision pour les gestionnaires.
Cependant, comment arriver à la cartographier ?
2
Afin de répondre à cette question, nous allons dans un premier temps faire un état d’art des espèces exotiques envahissantes sur le plan écologique et gestion en mettant un accent particulier sur la jussie, puis nous étudierons leurs aspects sur le plan multi spectral à travers la télédétection, tout en appuyant sur des études déjà réalisées.
Dans un second temps, nous présenterons le matériel et la méthode de classification, le démélangeage spectral, qui nous permettront de classer les jussie et les autres plantes invasives afin d’établir une carte d’abondance des jussie à une échelle locale, puis à large échelle.
Dans une troisième partie nous analyserons les résultats issus de la méthode de traitement exploitée, notamment la présence des faux positifs et des faux négatifs, ainsi que les masques produits pour les traiter.
Dans une dernière partie, nous discuterons des résultats en fonction de la méthode utilisée ainsi que d’autres anomalies constatées notamment sur la fiabilité des masques, ainsi que de possibles améliorations de la pertinence de la carte obtenue.
1. Etat de l’art
1.1. Ecologie et gestion
1.1.1. Ecologie de la jussie
La jussie est capable de coloniser tous types d’habitats potentiellement humides tels que les prairies inondables, des berges de cours d’eau relativement lents, peu profonds, des fossés, des marais doux, des canaux … Seule la production semble être limitée par certains facteurs écologiques : assèchement estival, trop grande profondeur, agitation mécanique, ombrage…(Dutartre et al. 2006). La jussie est présente en France sous forme de deux taxons (Fédération des conservatoires d’espaces naturels (France) 2010a):
• Ludwigia peploides (Kuth) Raven subsp. montevidensis (Spreng.) Raven ou jussie « à petites fleurs »
• Ludwigia grandiflora (Michaux) Greuter & Burdet subsp. hexapetala (Hooker & Arn.) Nesom & Kartesz ou jussie "à grandes fleurs".
Les jussies préfèrent des milieux ouverts et bien ensoleillés ; elles sont sensibles à la température de l’air et des eaux. Leur développement est favorisé par des températures pouvant aller jusqu’à 30°C et plus (Fédération des conservatoires d’espaces naturels (France) 2010b). Ces deux espèces végétales se ressemblent morphologiquement et sont difficiles à différencier, hormis en période de floraison. En début de cycle, elles se caractérisent par leurs tiges allongées souvent rougeâtres et possèdent de petites feuilles rondes formant des rosettes qui flottent à la surface de l’eau. Leur morphologie évolue au cours de leur cycle de
3
développement en fonction des saisons et du niveau de l’eau. Il y a des différences sensibles de morphologie entre populations aquatiques et terrestres, les premières étant traçantes (rampantes) et peu ramifiées, les secondes plus ramifiées, avec un port plus buissonnant (Haury et al., 2014 ; Haury et Barloy 2018),
Au début de son cycle végétatif, lorsque le niveau d’eau baisse dans les zones humides au printemps, la jussie terrestre a une forme rase (prostrée). Son redémarrage printanier se fait sur des tiges et rhizomes anciens accumulés (Haury et Damien 2014). En cette période de l’année, ses feuilles seront de petites tailles (environ 1 à 2 cm de long) en forme de spatule.
Au cours de sa croissance, dans cette même période, la jussie commence à se dresser et les feuilles augmentent de taille. En été la jussie adopte une forme buissonnante (dressée) et ses feuilles sont plus grandes. C’est en cette période qu’elle produit de jolies fleurs jaunes.
Toutefois, si les conditions du milieu manifestent un stress hydrique ou du pâturage, la jussie peut rester sous forme rampante avec des tiges courtes et des rosettes. A l’automne, la jussie sèche et prend une teinte brun orangé. En hiver elle est recouverte d’eau.
Les jussies ont une capacité d’adaptation et de prolifération remarquable. En période de gel par exemple, les rhizomes des jussies sont protégés du froid par l’eau, la vase ou le sol.
Des morceaux de tiges arrachés peuvent engendrer un nouvel herbier, par bouturage, s’ils trouvent un point d’ancrage et des conditions hydrodynamiques favorables (Dandelot, et al., 2002).
La prolifération de ces plantes envahissantes constitue un véritable problème quant au dysfonctionnement écologique qu’elles engendrent. Celui-ci se traduit par une réduction massive de la biodiversité (en termes de richesse spécifique), par un important envasement dû au piégeage des particules en suspension, freinant considérablement la circulation des eaux (Dandelot, et al., 2002) mais aussi par des modifications physico-chimiques de l’eau.
1.1.2. Gestion de la jussie
Des formes terrestres des deux espèces de jussie (Ludwigia grandiflora et Ludwigia peploides) colonisent actuellement et de manière progressive de vastes superficies de prairies humides et les difficultés techniques de leur régulation en font une préoccupation extrêmement importante pour les gestionnaires et les propriétaires concernés. En effet, le manque à gagner pour les agriculteurs dont les prairies sont envahies par la jussie correspond à la diminution des primes de la Politique Agricole Commune (PAC) et des Mesures Agro-Environnementales et Climatiques (MAEC). Pour limiter les risques d’extension de la jussie en milieu humide, diverses techniques ont été adoptées. Selon Haury et Damien (2014), le recours à des dispositifs de protection artificielle, tels des barrages grillagés, est de plus en plus courant.
Placés au démarrage des rigoles qui connectent les parcelles au réseau hydraulique, ils évitent l’intrusion des propagules de Jussie, tant que les conditions hydrauliques ne les submergent pas. Cette technique présente néanmoins des inconvénients, puisqu’elle va entraver le
4
déplacement piscicole sur ces espaces privilégiés de ponte et de nourricerie des juvéniles, et leur installation demande un effort non négligeable pour les exploitants (Haury et Damien 2014). Une autre alternative a été évoquée par ces auteurs pour arrêter la dispersion de la jussie : celle du maintien de la bande d’hélophytes, de roseau plus particulièrement, en périphérie des parcelles. Le problème est que cette barrière végétale imposerait en zone d’élevage l’édification d’une clôture et réduirait les surfaces agricoles. En milieu terrestre, Il existe plusieurs autres méthodes employées pour lutter contre la propagation de cette plante envahissante, notamment, le pâturage, le broyage, la fauche, l’arrachage manuel et mécanique ainsi que l’arrachage précoce (et la récolte de boutures). De toutes ces alternatives une seule arrive tout de même à se démarquer, l’arrachage manuel. Dans la période 2014- 2017, une enquête nationale a été menée auprès des gestionnaires et des agriculteurs dans l’optique de connaître leurs modes de gestion de la jussie. Les résultats de l’enquête (Figure 1) ont montré que l’arrachage manuel est le mode d’éradication le plus utilisé (Dutartre et al.
2007 ; Haury et Damien 2014 ; Lorrain, 2017).
Figure 1. Résultats de l'enquête sur la gestion (Lorrain 2017 - 72 réponses).
L’arrachage manuel reste donc actuellement le moyen le plus efficace pour lutter contre la prolifération de la jussie, surtout lorsqu’il est réalisé sur de faibles surfaces. Il s’agit toutefois d’une opération fastidieuse qui demande beaucoup de soin.
5
2. Télédétection des invasions biologiques et de la végétation.
2.1. Pourquoi la Télédétection ?
La télédétection (remote sensing) est une technique permettant l’acquisition d’information sur un objet ou un phénomène, par l’intermédiaire d’instruments de mesure (capteurs), à la surface de la terre, sans contact direct avec l’objet étudié. Ces instruments sont embarqués dans un vecteur (satellite, drone, avion, bateau, etc.). Cette méthode d'acquisition utilise la mesure des rayonnements électromagnétiques émis ou réfléchis (signatures spectrales) de l’objet étudié dans différentes longueurs d’ondes (visible, infrarouge, micro-ondes). Le mode de fonctionnement de la télédétection va de l’acquisition de l’information (signatures spectrales) à son traitement et son analyse.
2.2. Application à notre problématique
La partie télédétection s’appuie spécifiquement sur le travail réalisé par Tom Lorée, ingénieur d’étude en Télédétection, qui a travaillé sur la détection des plantes invasives, notamment sur les jussies aquatique et terrestre (Lorée, 2019).
En télédétection, il est possible de détecter des formations végétales à travers leurs signatures spectrales au niveau des pixels d’une image satellitaire. Les signatures spectrales de ces plantes dépendent de plusieurs facteurs tels que la couleur des feuilles et des fleurs (si la plante est au stade de floraison), les différents stades phénologiques de ces plantes au voisinage d’autres types de plantes, les pigments spécifiques ainsi que le climat, le type de milieu dans lequel évoluent ces plantes et les variations temporelles. Dans le cadre de la détection et la cartographie de la jussie, tous ces paramètres doivent impérativement être considérés. Cependant la jussie très souvent évolue en mélange avec d’autres espèces et est donc très difficile à discriminer des autres formes de végétations présentes.
Mais comment traiter ces mélanges d’espèces afin de séparer la jussie des autres formes végétales ?
Une des possibilités serait d’utiliser la méthode de classification orientée objet (Bradley, 2014), si la plante est plus grosse ou possède des feuilles plus grandes que la résolution spatiale du capteur embarqué ou si cette plante recouvre des grandes surfaces en formant des gros patchs. Les images utilisées dans notre étude étant des images Sentinel 2 avec des résolutions spatiales de 10 à 20m, cette méthode ne pourra pas être pertinente car selon (Lorée, 2019), le capteur ne pourra détecter que des gros herbiers de jussie avec des surfaces supérieures à plusieurs pixels de Sentinel 2. Une autre possibilité issue d’une étude ancienne serait d’utiliser une méthode de classification binaire définissant la présence ou l’absence de jussie afin de la cartographier. Cette méthode a été appliquée par (Sourisseau, 2008) sur des images SPOT à l’échelle d’un petit marais de moins 100 ha et la jussie a été classée par maximum de vraisemblance. Une autre méthode a été développée et appliquée par (Athané,
6
2012), une fois de plus avec des images SPOT, à large échelle sur le bassin de la Vilaine. Dans un premier temps il s’agissait de localiser la végétation sur les étendues d’eau et de quantifier sa présence, puis dans un second temps de localiser et classer la jussie afin de créer des seuils d’alerte suspectant la présence ou l’absence de jussie. Afin d’identifier la jussie, deux types de profils spectraux (ou spectres) ont été utilisés :
- Les librairies spectrales contenant des spectres acquis sur le terrain ; - Les spectres de jussie prélevés sur l’image SPOT.
Cependant, plusieurs inconvénients subsistent :
- Toutes les espèces présentes ne sont pas forcément connues ou bien localisées ; - Il n’y a pas des spectres de toutes les espèces du réseau hydrographique à tous les
stades phénologiques.
Par conséquent les spectres de toutes ces espèces ne sont pas exhaustifs. Seule la jussie est très bien représentée dans ces librairies spectrales acquises depuis 2008 par Agrocampus- Ouest et l’Institut d’Aménagement de la Vilaine (IAV). Aucune classification classique telle que le Maximum de vraisemblance1 n’a donc pu se faire. Pour obtenir des résultats à partir des seuls spectres de jussie disponibles, (Athané, 2012) a utilisé la méthode du Spectral Angle Mapper (SAM) (Yuhas, R. H. et al., 1992). Cette méthode développée par J.W. Boardman détermine la similarité spectrale entre les spectres de références recherchés (les end- members) et le spectre trouvé dans chaque pixel (Kruse, et al., 1992).
Le programme FEDER cherchant à cartographier la jussie dans les prairies inondables et les cours d’eau, cette méthodologie a été exploitée par (Lorée, 2019) dans des sites test en Brière et en Mazerolles et intégré dans la méthode de démélangeage spectral. La méthode de démélangeage spectral est une technique qui se base sur des spectres, afin d’obtenir une information spectrale à l’intérieur d’un pixel. Elle permettra de classer la jussie en mélange avec d’autres espèces. Cette méthode a déjà été utilisée par (Somers et al., 2011) pour cartographier des espèces envahissantes avec des données hyper-spectrales. Cette méthode que nous allons utiliser sera détaillée dans la partie Matériel et méthode.
1 Méthode statistique de classification. Découlant d’une méthode probabiliste elle consiste à déterminer pour chaque pixel sa probabilité d'appartenir à une classe plutôt qu'à une autre (Source : Site de formation en ligne de l’ENSG).
7 3. Matériel et méthodes
Afin d’effectuer des traitements, plusieurs outils techniques ont été utilisés, en l’occurrence QGIS pour la partie SIG et SNAP et ENVI pour la partie télédétection, Spyder de la plateforme Anaconda pour le développement et l’exécution des scripts de traitement avec le langage de programmation Python, Screenshot Windows et Screenpresso pour effectuer des captures d’images.
3.1. Présentation des sites d’étude et de validation
Figure 2. Sites d'étude (Bassin Bretagne-Loire et Côtier Vendéen)
Afin de cartographier les deux types de jussie à large échelle, trois sites ont été choisis en Bretagne, sur la Loire et son bassin, et sur les côtiers vendéens. Dans ces trois sites, des secteurs ont été choisis en fonction de l’abondance de jussie sur les pixels des cartes d’abondance obtenues après des premiers tests de la méthode de démélangeage avant son amélioration. Ces secteurs sont détaillés dans un tableau situé en annexe de ce mémoire.
8 3.2. Données utilisées
3.2.1. Les images Sentinel-2
Des images optiques à haute résolution Satellitaire par la mission Sentinel-2 (Tableau 1) d’été, d’automne et d’hiver représentant des réflectances de surface des trois zones d’étude ont été téléchargés automatiquement sur la plateforme THEIA (Tableau 2) du CNES. Ces images sont prétraitées au niveau 2A (Tableau 2) pour les images d’été et d’automne, et au niveau 3A (Tableau 2) pour les images d’hiver. Le niveau 3A a été privilégié au détriment du 2A à cause des fortes couvertures nuageuses et neigeuses sur certaines images d’hiver. Afin de télécharger les images d’hiver à la même période nous avions donc opté pour le choix de ce traitement.
Tableau 1. Caractéristiques des images utilisées durant la période de stage
Satellite Dates d’acquisition
Nombre total d’images
Niveaux de traitement
Type de produits
Fauchée (Km)
Résoluti on spatiale (m)
Résolution spectrale
Résolutio n temporell e
Sentinel-2
Hiver : Entre le 01/01/2018 et le 15/03/2018
Eté : Entre le 26/06/2018 et le 10/09/2018
Automne : Entre le 20/10/2018 et le 10/12/2018
185 Dont 121 en été, 32 en automne et 32 en hiver
LEVEL 2A et 3A
Réflectance de surface
290 10 et 20 13 bandes, dont 10 utilisées pour le traitement (B2, B3, B4, B5, B6, B7, B8, B8A, B11, B12)
Tous les 5 à 10 jours
Ces images ont été rééchantillonnées de manière automatique à 10 mètres avec un script python par la méthode des plus proches voisins afin de mettre toutes les bandes sélectionnées de chaque image à une même résolution spatiale.
9
3.2.2. Description des niveaux de traitement des images Sentinel-2
Les niveaux de traitement sont définis jusqu’à 3.
Tableau 2. Niveau de traitement des images Sentinel-2 (Source : CESBIO multitemp)
Nom Description
Niveau 1C
(a) Corrections radiométriques : débruitage, déconvolution, calibration (TOA) (b) Correction géométriques : coregistration interbande, orthorectification
Niveau 2A
Niveau 2B
(a)Détection de nuages et ombres
(b) Corrections atmosphériques (BOA), y inclus nuages fins et corrections de pente/environnement.
(c) Extraction de variables géophysiques (par ex. fAPAR, clorophylle, LAI, FVC) Niveau 3A Synthèse spatio-temporelle (mosaïquage, composites sans nuages, …)
3.2.3. Résolution spatiale et bandes spectrales du capteur MSI
Les images acquises sont des images multispectrales composées de trois classes de longueurs d’onde : les longueurs d’onde du visible (VIS), du proche infrarouge (NIR) et du moyen infrarouge (SWIR) (Figure 3).
Figure 3. Spectre d'acquisition dans l'optique de Sentinel-2.
Sources : https://directory.eoportal.org/web/eoportal/satellite-missions/c- missions/copernicus-sentinel-2 (fig. 119)
10 3.2.4. Les campagnes de terrain
Hormis les secteurs déjà validés par (Lorée, 2019) qui ont servi de sites témoins, nous avons effectué des validations de terrains en Bretagne, en Vendée et dans la Loire. Ces campagnes de terrain nous ont permets de tester à nouveau la méthode de démélangeage réalisée par (Lorée, 2019) afin d’apporter des améliorations et des propositions de d’amélioration. Tous les sites dans lesquels étaient prévu les visites n’ont pas pu être visités pour causes d’inaccessibilité. Cependant les sites visités ont été répertoriés dans le tableau 5 (Annexe A).
Celui-ci contient les sites visités, leurs localisations et le type de végétation observé.
3.2.5. La base de données topographie de l’IGN
Afin de mieux localiser les milieux recouverts d’eau, nous avons utilisé la base de données topographiques de l’IGN, plus précisément les images vectorielles des plans d’eau et des cours d’eau.
3.3. Méthode de démélangeage spectral (The spectral unmixing)
3.3.1. Préparation des données pour la construction de la méthode de démélangeage spectral
Avant d’appliquer la méthode de démélangeage spectral, des données issues du site de Grand- Lieu (Loire-Atlantique) ont tout d’abord été préparées par Tom Lorée. Afin d’avoir des informations spectrales des végétations, (Lorée, 2019) a abordé trois approches dont la comparaison des données acquises au sol (spectre ASD), la photo-interprétation des images Sentinel 2 et une méthode algorithmique de classification non-supervisée appelée SMACC (Sequential Maximum Angle Convex Cone). L’outil SMACC fournit une méthode plus rapide et plus automatisée pour trouver les composantes spectrales (Source : SNAP.help). L’avantage de la méthode SMACC est aussi le fait qu’elle ne soit pas limitée par le nombre de bandes de l’image (Gruninger et al., 2004). L’objectif de la méthode SMACC est de rechercher dans une image les pixels les plus purs afin de mettre en place une librairie spectrale. En d'autres termes, SMACC trouve d'abord le pixel le plus lumineux de l'image, puis il trouve le pixel le plus différent du plus lumineux. Ensuite, il trouve le pixel le plus différent des deux premiers.
Le processus est répété jusqu'à ce que SMACC trouve un pixel déjà pris en compte dans le groupe des pixels précédemment trouvés, ou jusqu'à ce qu'il trouve un nombre spécifié d’Endmembers2. Les spectres de pixels trouvés par SMACC deviennent les spectres purs de la bibliothèque spectrale résultante (Source : SNAP.help). Ces trois méthodes ont été interconnectées dans l’optique de vérifier la cohérence des différents spectres acquis.
Finalement les spectres obtenus à partir des méthodes précitées ont été comparés entre eux.
2 Endmembers : ensemble de spectres purs obtenus après application du SMACC sur un spectre source, représentant chacun une occupation du sol dans un pixel de l’image.
11
Ces spectres ont servi à réaliser une première classification du site de Grand-Lieu par démélangeage spectral et Spectral Angle Mapper, et les résultats ont été confrontés à un gestionnaire pour validation. Après validation, bien que globalement correcte, la classification présentait néanmoins quelques faux positifs sur certaines zones. En fin de compte ces spectres ont été utilisés comme librairie spectrale pour identifier et suivre le comportement des signatures spectrales des jussies terrestre et aquatique en été et en automne. Cette librairie spectrale sera utilisée dans le script python de production des cartes d’abondance en rapport avec le cadre de notre étude.
3.3.2. Démélangeage spectral
Le démélangeage spectral linéaire (Linear Spectral Unmixing ou LSU) est une méthode utilisée pour décomposer un spectre de réflectance source (ou radiance corrigée) en un ensemble de composantes spectrales donnés plus un résidu. Selon l’outil d’aide du logiciel ENVI, les composantes spectrales sont des spectres choisis pour représenter des matériaux de surface purs dans une image spectrale. Le résultat de la suppression du mélange est une mesure proportionnelle de l'appartenance de la composante spectrale obtenue au spectre source.
Cette mesure est appelée l'abondance de l’objet à discriminer (endmember’s abundance).
Plus précisément, dans chaque pixel de l’image, des spectres de réflectance sont proportionnellement calculés. Ces proportions permettent d’estimer le pourcentage de recouvrement de chaque occupation du sol dans ce pixel.
La technique de démélangeage spectral est principalement utilisée pour fournir des informations pour surveiller les différentes ressources naturelles (agricoles, forestières, géologiques, etc.) et les problèmes environnementaux (érosion, déforestation, épidémies et maladies, incendies de forêt (Quintano et al., 2012). Dans le cadre de l’étude réalisée par (Lorée, 2019), cette technique a été utilisée pour ressortir les spectres des différents types d’occupation des sols dans un pixel afin de sélectionner l’abondance de jussie.
Les algorithmes de démélangeage sont basés sur le modèle de mélange linéaire suivant (Équation 1), qui suppose qu'un spectre est une superposition linéaire de plusieurs composantes spectrales :
12
Équation 1. Formule du démélangeage spectral (Source : SNAP, ESA 2020)
Toutefois, l’application de cette méthode nécessite plusieurs prérequis :
- Les spectres utilisés doivent absolument être les plus purs possibles, c’est-à-dire qu’ils ne doivent pas être issus d’un mélange avec d’autres plantes.
- Le nombre maximum de spectres de référence doit être inférieur ou égal au nombre de bandes utilisées.
- Toutes les surfaces de référence doivent être utilisées (pour diminuer les erreurs).
- Les différentes surfaces étudiées sont une combinaison linéaire de spectres de référence (ne sont pas un mélange intime). Un mélange intime signifie que la jussie ou des petits patchs de jussies sont mélangés à d’autres végétations.
La jussie ayant tendance à former des patchs de végétations denses, on peut donc la distinguer des autres végétations. Par conséquent nous pouvons supposer que le mélange n’est pas intime et donc que nous pouvons utiliser la version linéaire du démélangeage spectral. Le nombre de bandes limité par le choix de Sentinel-2 reste le seul frein à cette méthode.
Les abondances peuvent être estimées en utilisant trois algorithmes différents :
- LSU sans contrainte (Unconstrained LSU) : les abondances sont sans contrainte et peuvent avoir n'importe quelle valeur numérique.
- LSU contraint (Constrained LSU) : la somme des abondances est égale à 1. Il s'agit de l'algorithme de démixage par défaut.
- LSU entièrement contraint (Fully Constrained LSU) : la somme des abondances est égale à 1 et les valeurs d'abondance ne peuvent pas être inférieures à zéro (valeurs d’abondance entre 0 et 1). Tous les algorithmes supposent que les longueurs d'onde sont données en nanomètres (unité de longueur d'onde par défaut de SNAP).
Dans notre étude, seul l’algorithme Fully Constrained LSU (FLSU) a été utilisé.
13
3.3.3. Choix et construction des masques des zones humides
Plusieurs masques ont été testés pour obtenir la jussie.
3.3.4. Construction du masque des zones en eau en hiver
Le masque d’hiver permet d’obtenir les zones en eaux libres en hiver. Ces zones contiennent potentiellement les jussies terrestre et aquatique. Pour le construire il existe plusieurs alternatives dont l’usage des indices de détection d’eau en surface. Le choix d’utiliser un indice spectral plutôt qu’une classification a été fait pour isoler les zones inondées. En effet, bien qu’une classification permette d’obtenir généralement de bons résultats au cas par cas, elle reste difficilement applicable à une échelle plus large en raison du temps de traitement qu’elle mobilise. De plus, une classification n’est pas automatisable et si les images sont trop complexes, des imprécisions peuvent persister (Fisher and Danaher, 2013 ; Jiang et al., 2014).
En utilisant un indice spectral, nous pouvons définir un seuil. Il s’agit donc d’une méthode pouvant être facilement automatisable et modifiable (Yao et al., 2015).
3.3.5. Choix des indices spectraux.
Afin de choisir le meilleur indice correspondant à notre étude, nous nous sommes basés sur plusieurs sources bibliographiques. Le tableau suivant (Tableau 3), issu de notes de synthèse bibliographique, présente de manière synthétique différents indices de détection des zones humides.
14
Tableau 3. Indices de détection des surfaces en eau.
Indice Ratio
Capteur (avec
résolution spatiale) Contexte d’usage Source bibliographique
Application aux images MODIS NIR (Near Infra Red) Longueur d’onde Image dans le
Proche Infra Rouge
Détection de l’eau. Le proche infrarouge est fortement absorbé par l’eau (qui agit alors comme un corps noir) et est réfléchi par les autres surfaces, notamment la végétation et les sols secs (ces surfaces apparaissent en blanc et l’eau en noir).
Work and Gilmer, 1976; White, 1978;
Rundquist et al. 1987 B2
NDVI (Normalized Difference Vegetation Index)
EVI (Enhanced Vegetation Index)
(PIR-Rouge) / (PIR+Rouge)
TM (Landsat, 30m)
On utilise l’infrarouge et le rouge car la végétation a une réponse forte dans l’infrarouge et faible dans le rouge, de plus les autres surfaces comme l’eau ont des faibles valeurs dans les deux bandes. L’indice présente des valeurs positives pour la végétation, des valeurs proches de zéro pour les sols nus et des valeurs négatives pour l’eau.
Evaluation de la biomasse et de la production primaire.
Townshend and Justice, 1986;
Tucker and Sellers, 1986 B2-B1 / B2+B1
NDWI (Normalized Difference Water Index)
(Vert-PIR) / (Vert+PIR)
TM (Landsat, 30m)
Le NDWI est dérivé du NDVI.
Délimitation des masses d’eau : l’indice permet de maximiser la réflectance de l’eau en utilisant les longueurs d’onde du vert, à minimiser la réflectance des masses d’eau en utilisant le proche infrarouge et inversement à maximiser la réflectance de la végétation et du sol dans le proche infrarouge (les masses d’eau ont des valeurs positives, la végétation et les sols ont des valeurs nulles ou négatives.)
L’indice peut également être utilisé pour détecter la turbidité (présence de sédiments en suspension ou de chlorophylle-a)
McFeeters.S.K 1996 B4-B2 / B4+B2
NDII (Normalized Difference Infrared Index)
NDWI (Normalized Difference Water Index) NDMI (Normalized Difference Moisture Index)
LSWI (Land Surface Water Index)
(PIR-MIR) / (PIR+MIR)
TM (Landsat, 30m)
MODIS (Terra, 500m)
Spot Vegetation
Initialement, Hardisky et al ont montré la corrélation des valeurs de l’indice NDII avec le contenu en eau de la canopée. Puis d’autres auteurs ont mis en évidence la corrélation entre les valeurs de l’indice et le contenu en eau de la végétation et du sol. (Elvidge and Lyon, 1985 ; Musick and Pelletier, 1986, 1988)
Le NDWIGao (MODIS) et le NDMI de Wilson (2002) permettent de détecter l’humidité des sols, ils sont utilisés initialement pour détecter l’eau dans la végétation (contenu en eau des feuilles)
LSWI (MODIS), de Xiao pour l’humidité des sols, au début appelé NDVIvgt et utilisé sur des images SPOT vegetation.
Hardisky et al.1983 Gao, 1996
Zarco-Tejada etal., 2003
Wilson et al., 2002 Xiao et al, 2005
B2-B5 / B2+B5
B2-B6 / B2+B6
MNDWI (Modified Normalized Difference Water Index)
NDPI (Normalized Difference Pond Index)
(Vert-MIR2) / (Vert+MIR2)
(MIR2-Vert) / (MIR2+Vert)
TM (Landsat, 30m)
Spot
Le NDWI de Mcfeeters a été modifié par l’utilisation du Moyen infrarouge au lieu du proche infrarouge.
L’indice permet de mettre en évidence les masses d’eau en supprimant de manière plus efficace que le NDWI le bruit des terrains bâtis, ainsi que celui de la végétation et du sol.
Les masses d’eau sont ainsi mieux délimitées (plus de détail), par discrimination efficace des surfaces en eau et des surfaces sèches. Le seuil de discrimination est situé autour de 0.
Le NDPI a été utilisé pour la détection des mares et ruisseaux de moins de 0.01 ha et différenciation de la végétation des mares au Sénégal.
Xu 2006
Lacaux, 2006
B4-B6 / B4+B6
B6-B4 / B6+B4
15
Plusieurs résultats issus de l’usage des indices, le Normalized Difference Water Index ou NDWI (Gao, 1996 ; McFeeters, 1996), le Modified Normalized Difference Water Index ou MNDWI (Xu, 2006) et l’Automated Water Extraction Index ou AWEI (Feyisa et al., 2014) ont été comparés. Notre choix s’est porté sur MNDWI qui permet une meilleure discrimination de l’eau en milieu ouvert par rapport aux zones urbanisées, par comparaison au NDWI (Yang et al., 2015 ; Yao et al., 2015).
La formule du MNDWI est la suivante :
= ∗ − ∗ _
∗ + ∗ _
Équation 2. Formule du MNDWI (Xu, 2006)
Le processeur calcule également une bande d'indicateurs supplémentaires appelée 'mndwi_flags' avec le codage de bits suivant :
Tableau 4. Codage de bits du MNDWI (Source : ESA SNAP 7)
Nous avons aussi utilisé le NDPI qui est l’inverse du MNDWI. Cet indice arrive à discriminer les surfaces en eau peu profondes, tels que des petits étangs et des plans d’eau, ce qui nous paraît intéressant en raison des zones présentant des turbidités. Selon (SNAP 2020), il permet également de différencier la végétation à l’intérieur des étangs de celle de leur environnement.
La formule du NDPI est la suivante :
= ∗ _ − ∗
∗ _ + ∗
Équation 3. Formule du NDPI (Lacaux, 2006)
Avec = 0.5 et = 1 pour le calcul des deux indices.
16 NDPI_flags avec son codage de bits :
Tableau 5. Codage de bits du NDPI (Source : ESA SNAP 7)
Nous avons appliqué un seuillage à chacun des deux indices calculés (MNDWI ≥ 0.1 et NDPI ≤ 0.1). Les deux masques ont été fusionnés par addition logique (opérateur logique OR) afin d’obtenir un meilleur masque. Le masque obtenu a été comparé au masque d’eau de la base de données topographique de l’IGN (BD topo IGN - Hydro) afin de choisir celui qui correspond au mieux à la réalité (détection des zones aquatiques). Le choix s’est vite porté sur le masque que nous avions obtenu car il ressortait au mieux les zones en eau libre.
3.3.6. Masque de la jussie en automne
En période d’été la jussie prend une couleur vert clair (figure.4, Image A) tandis qu’en automne, elle adopte une couleur rougeâtre (figure.4, Image B).
Image A : Sud Lac de Grand-Lieu (16/07/2018) Image B : Sud Lac de Grand-Lieu (18/11/2018)
Figure 4. Différence visuelle de la jussie en été et en automne.
(Source : Images Tom Lorée)
17
La jussie est une plante qui affectionne les milieux ensoleillés, et les zones humides et aquatiques. En automne, dès début novembre commence la dégénérescence des herbiers par le dessèchement des parties émergées. Ce phénomène est dû au changement régressif de température. En se desséchant la jussie prend un aspect « rouge-brique » qu’il est possible de discriminer ; toutefois cet aspect disparaît en cas de fauche ou de pâturage, avec formation de jussie rampante, et on peut alors avoir des faux positifs car en termes de signature spectrale, elle aura tendance à se confondre avec d’autres types de plantes prairiales. Un masque d’automne a donc été créé afin de masquer les faux positifs de la partie émergée de la jussie. Un seuillage a été effectué sur la bande du visible B3 en prenant toutes les valeurs de pixels qui sont inférieures ou égales à 600 (Cf. Profil spectral de la jussie pure. Figure 5).
3.3.7. Masque des zones aquatiques en été.
La jussie peut être confondue à d’autres types de végétations aquatiques pour créer des faux positifs sur les cartes d’abondance. En octobre 2019, lors d’une campagne de terrain à Grand- Lieu, avec Jacques Haury, Tom Lorée et Yann Ibinga Bouassa, nous avions pu le constater sur certains sites tels que Saint-Philbert de Grand-Lieu (Cirse des Anglais, Gratiole, Achillée blanche sternutatoire, grand Liseron en fleurs, Véronique à écussons, Crépide, ...
Cette année les Nénuphars blancs et d’autres végétaux ont aussi été détectés comme étant de la jussie alors que ce n’était pas le cas. (Lorée, 2019) avait auparavant identifié un risque majeur de confusion avec le Nénuphar jaune et avait intégré ce risque dans le script de démélangeage qu’il avait mis au point. Des masques avec des seuillages sur la bande du bleu (B2) inférieur ou égal à 500 et celle du proche infrarouge (B8) inférieure ou égal à 4000 ont été produits.
18
Figure 3. Spectres des jussies issues du lac de Grand-Lieu et de Mazerolle en comparaison avec d’autres formes de végétation (Lorée, 2019)
Les spectres de la Figure 5 représentent les pixels les plus purs de l’image de la zone de validation de la méthode. Ces spectres représentant chaque
occupation du sol sont issus de la librairie spectrale construite par (Lorée, 2019) à partir des valeurs de pixels dans différentes longueurs d’onde d’une image Sentinel 2 prise dans un secteur où il y a de la jussie
19
A première vue nous observons le spectre de l’eau qui est relativement plat à cause de sa faible rétrodiffusion dans les différentes longueurs d’ondes. Cependant nous constatons un pic des spectres de jussie se distinguant des autres formations végétales dans les longueurs d’ondes du visible, particulièrement au niveau de la valeur 560 nm correspondant à la bande verte (B3) et la valeur 835 nm correspondant la bande 8 du Proche Infrarouge.
Dans le Proche Infrarouge nous constatons également un pic des spectres de ces plantes aquatiques, notamment les deux spectres de jussie qui se distinguent fortement des autres formations végétales par un pic plus élevé dans les valeurs proches de la bande 8, soit approximativement 835 nm.
Nous observons également que malgré le fait que ces formes végétales se confondent à certains niveaux des différentes longueurs d’ondes elles se distinguent beaucoup plus dans le Proche Infrarouge. En outre, la jussie se démarque des autres plantes dans le visible. Cela donne la possibilité d’établir des seuillages en vue de ne garder que la jussie lors de la production des masques des faux positifs.
Lors du démélangeage spectral, les spectres des différentes composantes du pixel sont comparés à la librairie spectrale obtenue par (Lorée, 2019) lors de la validation de la méthode.
Si la valeur d’un pixel sur l’image traitée est très élevée dans les longueurs d’ondes du visible, notamment dans le vert (Figure 3), cela voudrait dire qu’il y a une forte abondance de jussie comparée aux proportions des autres plantes dans le pixel traité.
Finalement, pour l’analyse, nous avons supprimé les bandes spectrales qui apportent de la confusion (essentiellement du proche infrarouge)
3.3.8. Masque des nuages
Chaque image Sentinel-2 est fournie avec un ensemble de répertoires et fichiers qui contiennent entre autres un masque de nuages pour chaque résolution (CLM_R1.tif pour une résolution à 10m ou CLM_R2.tif pour une résolution à 20m). Les images ayant été rééchantillonnées à 10 mètres, nous avons utilisé le masque de nuage CLM_R1.tif. Le masque des nuages sera appliqué sur les images d’été en niveau de traitement L2A.
Nous n’avons pas utilisé ces masques pour les images d’hiver car ce sont les images en niveau de traitement L3A qui ont été utilisées. Les images en L3A ont justement été sélectionnées pour la période d’hiver pour minimiser la présence des nuages.
20 3.3.9. Les données vectorielles
3.3.9.1. Image vectorielle du bassin Bretagne-Loire et du côtier vendéen.
La réalisation d’une cartographie à l’échelle communale des sites d’étude est un des résultats à produire. Nous avons donc téléchargé un fichier vectoriel du contour des communes (image en Annexe) issu de la plateforme Data.gouv.fr, plateforme ouverte des données publiques du Gouvernement français. Ce fichier vectoriel permettra de donner une estimation de l’abondance de jussie dans chacune des communes contenues dans ce fichier à travers un gradient de couleurs. Cette carte d’abondance servira d’outil d’aide à la décision pour les gestionnaires.
3.3.9.2. Plans d’eau de la Base de données Topo/Hydrographique de l’IGN
Un fichier vectoriel représentant les plans d’eau de la base de données Topo Hydrologique de l’IGN a été utilisé pour détecter la présence des plans d’eau sur les cartes d’abondances. Il a aussi été utilisé pour améliorer la qualité des masques des zones humides potentielles.
Figure 4. Chaîne de production des cartes d'abondances de jussie
21
4. Résultats
4.1. Résultats à l’échelle locale
4.1.1. Masque des zones humides en hiver
Le masque binaire ci-dessous représente les zones humides situées entre Nantes (en aval de la Loire) et Angers (en amont de la Loire).
Figure 5. Figure 6. Masque des zones humides en hiver 2018 (Amont et aval de la Loire, entre Nantes et Angers)
Les parties en noir représentent les cours d’eau, les plans d’eau et les zones humides en eau.
22 4.1.2. Démélangeage spectral
Pour des raisons de résolution, les cartes d’abondance de jussie ont été mises en annexe (Annexes B).
4.1.3. Carte des communes avec statistiques zonales
Cette carte d’abondance montre l’abondance de jussie par commune en fonction de sa superficie, selon un gradient de couleurs qui varie entre le bleu et le rouge. Une commune en bleu signifie que celle-ci présente une faible abondance de jussie tandis d’une commune en rouge représente une forte abondance de jussie. Le regroupement des 3 communes en rouge, orange et vert est situé sur le site de Mazerolles (entre Sucé-sur-Erdre et Saint-Mars-du- Désert, en Loire Atlantique).
Figure 6. Abondance de jussie en unité de surface par commune dans une partie du bassin de la Loire (Région en Angers et Nantes, abondance/ha)
Entre Nantes et Angers la jussie est fortement présente sur le long de la Loire et les affluents proches d’elle.
La carte communale obtenue a été produite avec le logiciel SIG Qgis. Pour aboutir à ce résultat nous avons importé la carte d’abondance de jussie correspondant la zone géographique du site étudié à l’échelle fine. (Dalle T30TXT). Nous avons également importé la couche vectorielle représentant les communes du site étudié. Ce fichier vectoriel contient les noms des communes, leurs surfaces en hectares et les départements auxquels ils appartiennent.
23
Nous avons ensuite appliqué une méthode de statistique zonale sur la couche raster pour obtenir l’abondance de jussie par commune. La méthode de statistique zonale se base sur un algorithme qui calcule les statistiques d'une couche raster pour chaque entité d'une couche vectorielle des polygones qui se chevauchent. Les statistiques calculées sont la somme des valeurs minimales et maximales du raster.
Après obtention de la couche vectorielle contenant les statistiques zonales de l’image raster, nous lui avons appliqué une palette de couleurs. L’abondance de jussie n’était cependant pas proportionnelle à la surface d’une commune car une commune de plus grande surface avec une représentation très faible de pixels de jussie avait un pourcentage d’abondance très élevé comparée à une commune de petite taille avec un recouvrement de jussie plus important.
Cela était tout simplement dû au fait que l’algorithme n’avait pris en compte que la taille de la commune pour définir l’abondance de jussie. Nous avons donc calculé l’abondance de jussie
proportionnellement à la surface de la commune (Abondance de jussie / ha).
Le résultat est plus représentatif comme le montre la figure 7. Cette méthode a été appliquée sur la carte communale à large échelle (Figure 8).
4.2. Résultats à large échelle
La carte de la Figure 8 nous présente la répartition de la jussie sur le bassin Bretagne-Loire et la Vendée. Nous remarquons une concentration d’abondance moyenne et forte au nord- Ouest de Nantes, en partant de l’estuaire de la Loire jusqu’à Angers.
Sur l’atlas à large échelle, nous pouvons observer une répartition de la jussie par abondance sur la Bretagne, la Loire et la Vendée. Nous constatons néanmoins quelques incohérences dans le secteur de Le Mans (secteur encerclé en rouge) où il y a un nombre de communes élevés manifestant une potentielle présence de jussie.
24
Figure 7. Abondance de jussie à l’échelle communale sur la Bretagne, la Vendée et la Loire en été 2018
0
0.5
1
Zone autour de Le Mans : À vérifier
25
5. Discussion
Le travail réalisé dans ce mémoire doit pouvoir permettre de cartographier la jussie afin que celle- ci serve aux gestionnaires de l’environnement. La jussie a été cartographiée bien que plusieurs anomalies et difficultés aient été constatées et rencontrées.
5.1. Les masques des zones humides
Après une analyse approfondie des cartes d’abondance des zones d’études, nous avons constaté que certains endroits où la jussie avait été détectée avant l’amélioration de la méthode n’apparaissent pas sur les nouvelles cartes d’abondance produites. C’est le cas par exemple de la jussie détectée à Limoges et à Châteauroux. Bien que l’abondance de jussie apparaisse à certains endroits de la carte d’abondance, des endroits validés pour certaines, la fiabilité des masques que nous avons obtenus doit être remise en cause et nécessite une étude approfondie.
5.2. Les faux positifs et les faux négatifs
Lors de nos campagnes de terrain, nous avons pu constater plusieurs confusions entre les résultats obtenus sur les cartes d’abondance et les formes de végétation observées. Bien que nous ayons détecté par endroit la jussie avec précision, d’autres endroits présentaient des faux positifs et/ou des faux négatifs.
Nous rappelons dans notre cas d’étude qu’un faux positif est la détection de la jussie comme vraie sur un site alors qu’il n’y a aucune présence de jussie à l’endroit détecté et que la jussie est parfois confondue à une autre forme de végétation. Un faux négatif est la non détection de la jussie sur la carte d’abondance alors que celle-ci est réellement présente dans un milieu se trouvant sur la carte d’abondance.
5.3. Les faux positifs
Pour ce qui est des faux positifs nous en avons rencontré quelques-uns dont certains étaient plus présents : les nénuphars jaunes et blancs, le Phalaris, les algues filamenteuses, les lentilles d’eau.
Le tableau 6 fait une synthèse de ces espèces observées durant nos campagnes de terrain.
Une plante peut avoir une même signature spectrale que la jussie à une période de l’année. Les algues peuvent causer des problèmes de réflectance en se confondant avec celle de la jussie. Dans les estuaires par exemple sur le long de la Loire, nous avions constaté une variation de la couleur de l’eau pouvant être due à la présence de phytoplancton (cyanobacteria), des charges limoneuses ou
26
vaseuses. Ces formations végétales ou conditions hydrologiques étaient détectées au niveau de certains estuaires comme étant de la jussie.
Les nénuphars par exemples ont très souvent été détectes comme étant de la jussie. Dans cette étude des seuillages ont été réalisés sur les bandes spectrales du bleu (B2) et du proche infrarouge (B8) avec des images d’été, période durant laquelle la jussie et les nénuphars sont en fleurs, afin de masquer la présence des nénuphars. Le masque a marché à certains endroits, cependant d’autres endroits, ils se confondent toujours à la jussie.
Les faux positifs peuvent aussi être dus à des actions anthropiques telles que la vidange des étangs et leurs mises en culture. Les campagnes d’arrachages peuvent elles aussi occasionner des faux négatifs car la jussie peut être détectée à une date précise et par visite quelques temps après la campagne d’arrachage en effectuant une visite de terrain, on n’y trouve pas de jussie.
Une des perspectives serait d’étudier le cycle de développement des nénuphars blancs et jaunes sur une année complète afin d’identifier la période de l’année durant laquelle la jussie se distingue d’eux en étudiant les signatures spectrales et temporelles de chacune des plantes.
5.4. Les faux négatifs
Des faux négatifs ont aussi été détectés. La présence des faux négatifs peut être due à plusieurs facteurs. Nous pouvons citer entre autres la résolution spatiale, le type d’image (optique, radar), l’occupation des sols. Un exemple de faux négatif est celui d’un des étangs d’Apigné (figure 9) qui pourtant est complètement recouvert de jussie mais n’a pas pu être détecté et cartographié. Dans ce cas précis, la qualité des masques est mise en cause. En effet les masques que nous utilisons ont pour objectif de mettre en évidence les milieux aquatiques. Si un milieu aquatique est complètement recouvert de végétation, le masque obtenu ne pourra pas le prendre en compte. La solution pourrait être d’étendre la méthode en utilisant des images radar afin de traverser la barrière formée par les plantes.
27
Figure 8. Non prise en compte d'un des étangs d'Apigné par le masque des zones humides
On peut également compléter les masques d’eau en été par les données de la BD Topage, en forçant les plans d’eau repérés dans cette base de données à être considéré comme un plan d’eau.
Il est important de parler de certains secteurs qui n’ont pas pu être visités faute d’accessibilité. Il est donc impossible de savoir si la présence probable de jussie sur les cartes d’abondance dans ces secteurs correspond bien à la réalité de terrain.
28 5.5. L’importance de l’échelle
L’utilisation de la télédétection sur nos sites d’étude varie selon la résolution spatiale de l’image ainsi et l’échelle de travail. En effet, l’information contenue dans une image dépend étroitement de la taille des pixels (Polidori, et al., 2016). Avec des images sentinel-2 de résolution spatiale de 10m, il est quasiment impossible de détecter la jussie dont la taille des patchs est inférieure à celle d’un pixel de l’image. En Vendée, dans des canaux en bordure de route, nous y avons observé la présence de jussie,
non détectée dans les images Sentinel-2. Ces patchs, à l’œil nu faisaient moins de 10m. A cela s’ajoute le fait que les bandes spectrales ayant une résolution spatiale différente de 10m ont été rééchantillonnées à 10m, ce qui diminue la qualité de la résolution de l’image i sur laquelle sera extraite l’abondance de jussie. Ces défauts de détection ont donc un impact « considérable » sur la précision des cartes d’abondance car elles
causent des faux négatifs. Une solution serait l’usage des images satellitales issues de la constellation Pléiades Néo. Selon le site officiel d’Airbus, Pléiades Néo est une constellation de satellites d'observation de la Terre à très haute résolution à quatre satellites développés par Airbus Defence & Space conçue dans le prolongement des satellites Pléiades-HR, et dont le lancement est prévu entre 2020 et 2022. Avec une résolution spatiale de 30cm, ces satellites pourront offrir une meilleure observation de la jussie à large et fine échelle ainsi qu’une avancée majeure dans le domaine de la télédétection.
5.6. Séparation jussies aquatiques et jussies terrestres
Dans notre étude, il s’agissait au départ de cartographier les deux formes de jussies : aquatique et terrestre. Cependant nous avions vite été confronté à un problème de masques des zones aquatiques en été. Pour séparer la jussie terrestre de la jussie aquatique nous devons obtenir les zones aquatiques en été. Les images d’hiver contiennent les zones aquatiques en hiver et en été. Il fallait donc produire le masque des zones aquatiques en été à partir de la bande du proche infrarouge (B8) des images d’été. Appliqué sur les images d’hiver nous avions obtenu les zones aquatiques/humides en été. Cependant nous avons constaté que les masques d’été ne prenaient pas en compte les zones en eau où il n’y avait pas de la végétation. En remontant jusqu’aux masques d’hiver et en se basant sur les images vectorielles des plans d’eau et cours d’eau de la BD TOPO/HYDRO de l’IGN, nous avons constaté que ces masques ne prenaient pas en compte toutes les zones aquatiques. Il nous paraissait donc improbable d’obtenir des cartes d’abondances de jussies en utilisant des images optiques. Une proposition pour y remédier serait d’utiliser des images radar Sentinel-
Figure 9. Pléiades-Neo [Airbus DS]. Source : https://space.skyrocket.de/doc_sdat/pleiades-neo.htm
