Admin CliCours
Principe de la détection des inondations à partir des images satellites
La détection de changement, dans un objectif de cartographie d‟inondation, implique la disponibilité d‟au moins de deux images (de caractéristiques radiométrique et spatial similaires) dont une, dénommée image de référence, hors crue et l‟autre en période de crue. Cela demande d‟avoir des bandes spectrales communes sur les deux images pour le cas d‟images optiques. Alors que pour le cas du Radar, il exige de plus la similarité des conditions d‟acquisition, angle de visée et sens de parcours de l‟orbite [11][12]. En effet, il est très difficile de mettre les images en correspondance spectrale, dans le cas d‟angles de visée trop éloignés ou de sens de parcours de l‟orbite différents, à cause des distorsions géométriques [13]. La détection de changement avec les images optiques peut être basée sur la technique de l‟Analyse en Composantes Principales (ACP) sur les différentes bandes spectrales ou une différence (ou un rapport) radiométrique pixel à pixel des images ou sur une fenêtre glissante [14][15][16]. Pour les images Radar, à part la différence ou le rapport radiométrique, une mesure de dé-corrélation du chatoiement [17] peut être employée.
Méthode proposée pour la détection des inondations
La méthode proposée dans cette étude vise à détecter l‟inondation d‟une manière automatique. Sa réalisation a évité, d‟une part, une longue intervention de l‟operateur et d‟autre part, le fichier exécutable par une machine ne soit pas trop lourd. Pour cela, dans le but de réduire l‟effet des bruits multiplicatifs dénommés « speckle » sur les images SAR [18], le logarithme du rapport connu sous le nom abrégé « log-ratio » a été utilisé dans cette étude. Notons par Xt1l‟image prise hors crue (image de référence) et Xt2 l‟image pendant la crue.
Les capteurs satellitaires Radar ont une forte sensibilité à la constante diélectrique et à la rugosité de surface des objets observés [19]. Dans cette section, nous partirons de l‟hypothèse que les surfaces en eau ont une rugosité très faible [12]. En conséquence, celles-ci se comportent comme des réflecteurs spéculaires et se distinguent sur les images avec une rétrodiffusion très faible. Sous cette hypothèse, le mode (LR < 0) correspond à des cellules de résolution inondées.
L‟absence d‟un mode qui correspond à l‟inondation dans l‟histogramme est due à sa surface occupée qui est très petite devant la zone d‟étude tout entière. Donc la séparation des zones inondées à partir de l‟histogramme ou par la méthode de classification d‟image est difficile. Pour cela, les trois sous-sections suivantes constituent les trois étapes de cette approche. Elles présentent l‟originalité de ce travail d‟une part et permettent d‟optimiser d‟autre part la qualité de la classification d‟image.
Localisation des cellules de résolution dans les zones les plus probables aux inondations
Les problèmes de détection d’inondation se posent sur le fait que les cellules de résolution d’intérêt représentent souvent un très faible pourcentage dans l’image. En effet, pour une image couvrant une vaste région, ce ne sont pas des régions inondées qui représenteront une grande partie [7]. Dans ce cas, les cellules de résolution correspondant aux inondations sont parfois ignorées lors d‟une construction d‟échantillon initiale de l‟approche de classification non supervisée.
Afin de contourner ce problème d’échantillon, une méthode de sous-échantillonnage de l’image selon une connaissance a priori sur la façon dont une inondation est susceptible de se produire dans les différentes régions de l’image a été proposée. Les inondations sont plus susceptibles de se produire le long de réseaux de rivières et dans les régions ayant des attributs géomorphologiques spécifiques. Les régions plates et concaves ont une probabilité plus élevée d’être inondée [20]. Une fonction de probabilité d‟inondation utilisé dans cette étude a été basée sur l’altitude du relief, la pente, la concavité, dérivé du DEM et de la proximité des plans d’eau.
Séparation des cellules de résolutions eau et non eau
La distinction des cellules de résolution eau et non eau dans l’image en période de crue Xt2 est réalisée avec une approche de clustering. Cette stratégie permet d’effectuer la détection d’une manière complètement non dirigée car il ne nécessite pas d’intervention de l’utilisateur pour initialiser la région inondée, contrairement aux méthodes de contours actifs .
L’étape de localisation des zones inondables décrite précédemment facilite la tâche de séparer les deux classes. Par ailleurs l’histogramme à être partitionné est moins sollicité vers les cellules de résolution autres que l’eau. Néanmoins, un biais peut rester vers les cellules de résolution non-eau et le montage d’un mélange de deux gaussiennes ou partitionnement en utilisant l‟algorithme k-means ne permet pas toujours à séparer correctement les deux groupes. Pour ces raisons, on a opté dans cette étude aux méthodes non linéaires de classification, kernel k-means, qui a déjà montré des propriétés avantageuses dans la détection des changements de façon non supervisée .
Le noyau de l’algorithme de partitionnement k-means minimise les distances de somme de carrés entre le centre de classe et les échantillons attribués au centre dans un espace de fonction induite par une fonction de transformation Φ [26]. Cette fonction de transformation Φ permet à l’algorithme de traiter des grappes non gaussiennes de tailles différentes .
INTRODUCTION |
