Une revue des méthodes et techniques de télédétection de changement
L’action de l’homme sur la terre est perceptible à l’échelle locale et globale. Étudier les dynamiques de phénomènes s’y apparentant est d’une grande importance pour comprendre l’influence de l’homme sur la géosphère-biosphères.
La télédétection du changement, grâce à la répétitivité d’acquisition des données offre une dimension supplémentaire pour l’étude des phénomènes dynamiques qui affectent les écosystèmes en identifiant un phénomène et en l’observant à différent moments. Les applications sont nombreuses. Cet article fait l’inventaire des principales méthodes de télédétection du changement.
Les méthodes de télédétection du changement
Toutes les méthodes de télédétection de changement utilisant des images satellites s’appuient sur l’hypothèse que les changements sont détectés par des variations de radiance plus fortes que celles causées par d’autres phénomènes. Ces méthodes sont divisées en 3 catégories :
1. Méthodes préclassificatoires
2. Méthodes multidates
3. Méthodes postclassificatoires
Méthodes préclassificatoires :
Le principe de cette catégorie consiste à mettre en valeur les changements radiométriques entre deux images prise à des dates différentes. On procède de manière ponctuelle ou bien de manière globale. Les 2 images sont transférées en une image non classifiée que l’on analysera visuellement ou numériquement afin d’extraire les changements.
Méthodes basées sur des opérations ponctuelles :
Distance d’images
En soustrayant pixel à pixel une image données d’une autre prise a une date antérieure on obtient une image mettant en valeur les changements entre les deux dates. Les valeurs des pixels est proportionnelles à l’ écart de la luminance enregistrée lors de l’acquisition des 2 images.
La différence d’images peut s’opérer à partir d’une ou plusieurs bandes choisies en fonction du changement que l’on veut mettre en valeur. Les limites de cette technique : sensible à la qualité de superposition des images, peut causer des pertes d’informations.
Division d’images :
On crée une image-ratio en divisant deux bandes identiques. La distribution des valeurs de l’image-ratio n’est pas toujours normale. Cette technique est moins efficace de la précédente car elle a, en plus, les mêmes limites.
Analyse par vecteur de changement :
Elle consiste à mettre en évidence les variations radiométriques à l’aide d’un modèle faisant appel à un vecteur de changement constitué de variables spectrales mesurées à 2 dates différentes. L’amplitude de ce vecteur est l’importance du changement. Le problème ici est la difficulté à séparer les pixels identiques pour identifier les différents changements. L’usage de seuil pourrait aider à déterminer uniquement les changements significatifs. La mise en pratique de cette méthode pourrait être complexe.
Méthodes basées sur la transformation globale de l’image :
Régression d’image :
On suppose que les valeurs radiométriques de la première image sont une fonction linéaire de celles de la 2eme image et on procède par régression linéaire. Cette méthode peut poser quelque problème : les résultats pourraient être faussés dans le cas de grande variance des valeurs radiométriques des pixels. D’où la nécessité de les prendre en compte dès le début.
Analyse par composantes principales :
Elle sert à réduire le nombre de composantes spectrales tout en gardant la variance des images originelles. Elle donne deux composants : de sorte que les valeurs correspondant aux changements se trouvent dans le deuxième. Quand elle est appliquée à deux bandes de deux images multidates, on l’appelle ACP-sélective. Que ce soit dans la ACP ou l’ACP-sélective on doit choisir le composant qui donne le changement que l’on veut mettre en valeur.
La transformation « Tesseled Cap » :
Elle vise à accentuer certaines caractéristiques de l’image en permettant d’obtenir plusieurs composantes tel que : indice de la verdure et de l’humidité. Elle est utile pour prédire les récoltes.
Techniques d’analyse des images accentuées
Seuillage :
Elle s’utilise à la suite d’autres méthodes préclassificatoires. Elle permet d’obtenir une image binaire : changement/sans changement en fonction d’une borne de seuillage qui peut être déterminée numériquement et/ou visuellement.
Autres techniques :
Ce sont des techniques qui ne font pas appel au seuillage.
Méthodes basées sur une classification multidate :
Elles réalisent la classification d’une image ayant des données multidates.
Interprétation visuelle de compositions colorées dichromatiques(Multidates)
A partir de plusieurs images multidates on réalise une image composée dont on étudie la radiométrie au cours du temps. Cependant, cette méthode n’a pas de patrons d’interpolation.
Les classifications numériques multidates
Elles retiennent les similitudes radiométriques des pixels et regroupe par la suite les surfaces ayant les mêmes évolutions radiométriques dans le temps. Des zones d’entrainement devraient être établies. Le choix des bandes peut affecter les résultats. On regroupe les objets proches dont les signatures spectrales sont proches et on fait l’interprétation à posteriori. Il est possible de combiner classifications dirigées et non dirigées.
Méthodes postclassificatoires (comparaison de classifications)
Cette méthode est basée sur la comparaison d’images multidates classées indépendamment et ce numériquement ou visuellement. Elle peut intégrer d’autres techniques et des données de natures différentes. Cette méthode surestime la quantité des changements. Pour l’améliorer on peut y utiliser des textures, des sorties terrains voire même d’autres techniques tel que la logique floue.
Autres méthodes
Certaines méthodes utilisent des modèles de réflectance, d’autres des systèmes experts jumelés avec des données auxiliaires (telle que la topographie), etc.
Discussion
Pour avoir un résultat optimal en télédétection de changement les données devraient présenter les mêmes caractéristiques : résolutions spatiales, être prise à la même époque, etc. C’est pourquoi les données multidates devraient être normalisées. De plus, une attention particulière devrait être faite à la superposition des images à cause des erreurs que cela pourrait engendrer : confondre une mauvaise superposition avec de vrais changements. Certaines techniques, telle la logique floue, pourraient résoudre ce problème.
En fonction de la situation à étudier certaines méthodes pourraient être plus appropriées que d’autres. Cependant, la meilleure méthode qui soit ne peut pas fournir de bons résultats si des éléments essentiels manquent : une information cartographique actualisée de la région étudiée, une bonne qualité des corrections géométriques et de celle des pixels, etc.
Il n’existe pas encore d’étude qui a fait des analyses quantitatives comparant les résultats obtenus par telles ou telle méthode. Cependant, des études et de nouvelles approches sont en cours pour arriver à ce genre de résultats.
