Observation spatiale de l’irrigation d’agrosystèmes
semi-arides et Gestion durable de la ressource en eau

Les Produits VEGETATION

 Il existe essentiellement deux types de produits disponibles (Maisongrande et al. 2004). • Les produits « physique » (P), correspondent à des segments de prise de vue « instantanée », c’est-à-dire sur quelques secondes à quelques minutes d’acquisition continue. Ils sont étalonnés et transformés en réflectances mais non corrigés des effets atmosphériques; • Les produits de synthèse (S) sont élaborés après assemblage (compositing en anglais) de plusieurs segments de prise de vue sur une même zone géographique. Ils existent au pas de temps journalier (recoupement des fauchées) et au pas de temps de 10 jours8 . Ces données sont corrigées des effets atmosphériques au moyen du modèle SMAC9 (Rahman and Dedieu 1994; Berthelot and Dedieu 1997) alimenté par des données issues de modèle de circulation générale (vapeur d’eau) ou de climatologies (ozone, aérosols). L’objectif principal du procédé de composition décadaire est d’éliminer les données nuageuses. Deux techniques sont implémentées au Centre de Traitement des Images VEGETATION (CTIV en Belgique). Le Maximum Value Composite (MVC, Tarpley et al. 1984; Holben 1986;) est basé sur la sélection de la meilleure observation sur la période de composition. Pour chaque période et chaque pixel, les observations correspondant à l’indice de végétation (NDVI : Normalized Difference Vegetation Index) le plus élevé, sont retenues. Cet algorithme permet d’éliminer les nuages et de réduire les effets atmosphériques par la sélection d’acquisitions en conditions claires ( Kimes et al. 1984; Holben 1986). En revanche, il a tendance à sélectionner les données acquises en condition de visée fortement latérale (Cilhar et al. 1994; Li et al. 1996; Burgess and Pairman 1997). Tous les produits VEGETATION sont géoréférencés et présentés dans une projection plate-carrée, avec des pixels à une résolution de 1/112°. Ils sont accessibles par grandes 8 Les périodes sont définies à partir du calendrier légal: du 1er au 10, du 11 au 20 et du 21 à la fin de chaque mois 9 Simplified Method for Atmospheric Correction Chapitre I: Télédétection : principes d’acquisition et applications 42 régions du globe via le portail http://www.vgt.vito.be/. Ils sont distribués avec des données auxiliaires qui fournissent les conditions de prise de vue de chaque pixel (date et heure, angles de prise de vue et solaire). 

 Les produits MODIS 

Dans notre étude, nous avons utilisés le produit MOD13Q1 (Huete et al. 1999; Huete et al. 2002). Il s’agit des images composites d’indice de végétation NDVI à la résolution spatiale de 250 m. Ce produit est généré à partir des observations instantanées de réflectance MOD09 corrigées des effets atmosphériques (Vermote et al. 2002). L’algorithme opère pixel à pixel et utilise les observations collectées sur une période de 16 jours, suivant les cinq étapes présentées en Figure I.14. Les observations sont classées en trois catégories selon l’angle de visée et les conditions d’ennuagement. Selon le nombre de données jugées correctes à l’issu de cette sélection (n dans la Figure I.14), trois algorithmes peuvent être appliqués: (1) une normalisation directionnelle (n suffisamment grand); (2) un Maximum Value Composite avec une condition sur la visée; (3) un Maximum Value Composite généralisé (sans contrainte sur la visée). Figure I.14: Schéma de la procédure de synthèse des images d’indice de végétation MODIS (http://modis.gsfc.nasa.gov/). Les produits MODIS sont organisés sous forme de tuiles de taille 1200 km par 1200 km projetées dans la projection sinusoïdale (Integerized Sinusoidal (ISIN) grid projection). Chapitre I: Télédétection : principes d’acquisition et applications 43 Collées ensemble, ces tuiles offrent une couverture globale de la terre. Ils sont gratuitement téléchargeables sur le site du portail EOS (Earth Observing System Data Gateway) de la NASA10 http://modis.gsfc.nasa.gov.

 Les capteurs a haute résolution spatiale

 Nous avons utilisé trois types d’images satellites à haute résolution spatiale issues des capteurs Landsat, SPOT HRVIR11 et FORMOSAT-2. Les caractéristiques respectives de ces capteurs (orbite, résolution spatiale et temporelle et bande spectrale…) sont rappelées dans cette section (Tableau I.5 à I.10). Le premier satellite civil d’observation de la Terre a été Landsat en 1972. Les trois premières missions étaient équipées des capteurs à résolution hectométrique MSS (Multi-Spectral Sensor). A partir de 1982 et de l’envoi de Landsat 4, les missions embarquent les capteurs Thematic Mapper qui observent dans sept bandes spectrales dont six dans le visible et le proche et moyen infrarouge (Tableau I.6). La résolution des images TM est de 30 m pour une scène de 185 km de coté. Le capteur ETM + (Enhanced Thematic Mapper), dont est équipée la dernière mission (Landsat-7), possède une bande panchromatique complémentaire à la résolution de 15 m (Tableau I.5). Le système SPOT (Satellite Pour l’Observation de la Terre) est un système d’imagerie optique spatiale à haute résolution. Il est opérationnel depuis 1986, avec 5 missions lancées (SPOT -1 à 5), dont 3 sont encore opérationnelles de nos jours (SPOT-2, 4 et 5). Ils opèrent depuis une orbite quasi-polaire héliosynchrone à une altitude d’environ 830 km. Chaque mission comporte deux instruments dont le champ de vue est de 60 km et la résolution spatiale de 20 m pour SPOT-4 et de 10 m pour SPOT-5. Chaque instrument peut indifféremment acquérir des images en mode panchromatique (P) ou multi spectral (XS) de façon indépendante ou simultanée. Un grand atout du système SPOT est la 10 National Aeronautics and Space Administration 11 Haute Résolution dans le VIsible et l’infraRouge Chapitre I: Télédétection : principes d’acquisition et applications 44 capacité de dépointage du système imageur principal de part et d’autre de la trace au sol du satellite (d’environ 30°). Ceci permet d’augmenter considérablement la fréquence des acquisitions (sous des conditions de visée variables). On présente ici les caractéristiques du capteur HRVIR embarqué sur la plateforme SPOT-4 (Tableau I.7 et I.8). Le satellite FORMOSAT-2 (Tableau I.9) a été lancé par l’agence spatiale Taïwanaise «The National Space Organization of Taiwan » (NSPO, http://www.nspo.org.tw/) en mai 2004. C’est le premier satellite qui permet d’obtenir des images quotidiennes à haute résolution spatiale (8 m au nadir) dans 4 bandes spectrales allant de 0.45 µm à 0.90 µm (du bleu au proche infrarouge) (Tableau I.10). FORMOSAT-2 est sur orbite héliosynchrone et observe chaque surface de la terre sous le même angle de prise de vue, ce qui minimise les effets directionnels. Les images FORMOSAT-2 sont distribuées par la société SPOTIMAGE France.

APPLICATIONS DE LA TELEDETECTION POUR L’ETUDE DES SURFACES CONTINENTALES 

Dans cette section, on discute des applications de la télédétection ayant trait avec la thèmatique du présent travail. On donne en premier lieu un aperçu des méthodes de cartographie de l’occupation du sol, qui est un préalable aux études permettant de comprendre les interactions homme-environnement et à la gestion des ressources naturelles (Aspinall and Justice 2003; Lepers et al. 2005). On introduit ensuite les approches permettant de caractériser les surfaces continentales en variables biophysiques, relatives au fonctionnement du système sol-plante. Enfin, on discute de l’utilisation conjointe des données de télédétection et des modèles agrométéorologiques. Les données de télédétection, régulièrement distribuées dans l’espace et le temps, apparaissent effectivement fortement complémentaires aux simulations réalisées au moyen de modèle, qui décrivent la dynamique du système sol-plante. Leur utilisation combinée est une voie de recherche particulièrement ambitieuse pour la mise en place Chapitre I: Télédétection : principes d’acquisition et applications 47 d’observatoires des ressources hydriques et végétales à l’échelle régionale (Moulin 1995; Guérif et al. 2001;Boegh et al. 2004; Mo et al. 2005). 

 Occupation du Sol

 Méthodes de classification

 La classification a pour objectif de produire des images thématiques, c’est à dire des images dont le contenu ne représente plus une mesure mais une interprétation et une catégorisation de la nature des objets associés aux pixels (Richards 1999). Les résultats de la classification sont généralement des cartes d’occupation du sol (Prenzel 2004; Rogan and Chen 2004; Lu and Weng 2007) qui sont à la base de nombreuses applications socio-économiques et environnementales (Aspinall and Justice 2003; Lepers et al. 2005). La classification des données satellites dépend de nombreux facteurs relatifs à la thématique de l’étude, aux besoins de l’utilisateur, aux caractéristiques de la zone d’étude, à la disponibilité, aux caractéristiques et à la qualité des données satellites. Les étapes de classification incluent le choix des images satellites, la détermination de la méthode de classification appropriée, les opérations de prétraitement des images, la sélection des échantillons d’apprentissage et enfin l’évaluation de la classification. On trouvera des éléments de réponses aux différentes questions soulevées par ces étapes dans les publications suivantes (Quattrochi and Goodchild 1997; Phinn 1998; Lefsky and Cohen 2003; Olthof and Fraser 2007; Simonneaux et al. 2008). Il existe de très nombreuses méthodes de classification: nuées dynamiques, ascendante hiérarchique, maximum de vraisemblance, réseaux de neurones. Ces approches de classification peuvent être regroupées selon trois types de critère (Tableau I.11): • Supervisée ou non supervisée ; • Paramétrique ou non paramétrique; Chapitre I: Télédétection : principes d’acquisition et applications 48 • Classification par pixel ou sub-pixel. Les méthodes supervisées nécessitent au préalable une connaissance à priori du nombre, comportement et sémantique des classes à déterminer. Cette connaissance est déduite d’un jeu d’entrainement/apprentissage. Les échantillons d’apprentissage sont en général sélectionnés à partir d’observations faites sur le terrain en repérant des parcelles représentatives des différents éléments devant être classés. La classification non supervisée détermine automatiquement les classes à partir de critères statistiques. A titre d’exemple la méthode des nuées dynamiques est une méthode itérative qui, à chaque itération, calcule les centres de gravité des classes et les distances des pixels à ces centres jusqu’à ce que les centres de gravité se stabilisent. Les classifications paramétriques sont le plus souvent des classifications supervisées. Ce sont des méthodes statistiques qui cherchent à approximer une densité et une loi de probabilité des échantillons en déterminant des paramètres spécifiques tel que la moyenne, la variance et l’écart type à partir d’un jeu d’entrainement. Le plus souvent, ces méthodes utilisent des lois gaussiennes. L’inconvénient de ces approches est la difficulté d’intégrer d’autres données (spatiales, contextuelles, etc) dans la procédure de classification. Les classifications non paramétriques n’émettent aucune hypothèse sur la famille des lois de probabilité dont sont susceptibles d’être tirées les observations. Ces méthodes de classification ont l’avantage d’être souples dans le sens où elles peuvent utiliser d’autres sources de données. Dans les méthodes de classification par pixel, chaque pixel est classé individuellement. Il est assigné à une seule classe et un seul label. Ces méthodes reposent sur l’hypothèse que la taille du pixel est supérieure à la taille des objets observés, hypothèse généralement non satisfaite dans le cas des capteurs grands champs (résolution spatiale ~1 km). D’autres méthodes de classifications dites « sub-pixel » considèrent que la réponse spectrale d’un pixel est issue de la composition linéaire ou non linéaire des divers objets qui le composent. La classification « sub-pixel » a pour but de déterminer la contribution en termes de pourcentage des divers objets constituants le pixel. Ces méthodes font l’objet de la prochaine section.