Navegación – Mapa del sitio

InicioEn transversalInformes temáticos2006-20046èmes Rencontres de Théo Quant, B...Modélisation du changement d’éche...

2006-2004
6èmes Rencontres de Théo Quant, Besançon, France 20-21 février 2003. Articles sélectionnés par Cybergeo
271

Modélisation du changement d’échelles en télédétection par une méthode neuronale : application a l’étude de l’évolution de l’occupation hivernale des sols en Bretagne

A neural network method to model spatial and temporal changes in remote sensing: a case study on the winter land cover in Brittany
Thomas Houet, Laurence Hubert-Moy y Grégoire Mercier

Resúmenes

Le suivi de la couverture hivernale des sols constitue un des principaux enjeux de la réduction de la pollution de la ressource en eau en Bretagne, la présence de la végétation entravant les transferts de flux polluants vers les cours d’eau. Le suivi du ratio « sols nus / sols couverts » peut être réalisé à l’aide d’instruments satellitaires de façon quotidienne à une échelle régionale, mais à une résolution spatiale grossière par des capteurs de type SPOT VEGETATION (1 km). Il peut également être effectué à une résolution spatiale fine par des capteurs tel que SPOT HRVIR (20 m) mais avec une acquisition d’images une ou deux fois par hiver seulement sur un territoire plus limité. Toute évolution de ce ratio, détectée à l’échelle régionale, peut être issue de variations de la couverture hivernale des sols, mais également de l’influence de facteurs climatiques. Les changements observés doivent alors être validés par une analyse à l’échelle locale. Le lien entre les images des deux capteurs est établi à partir du développement d’une méthode neuronale basée sur une carte de Kohonen. L’originalité de cette méthode réside dans l’utilisation de la dimension temporelle pour résoudre ce problème de changement d’échelles.

Inicio de página

Texto completo

Introduction

1Le suivi de la couverture hivernale des sols constitue un des principaux enjeux de la réduction de la pollution de la ressource en eau dans des régions d’agriculture intensive, la présence de la végétation entravant les transferts de flux polluants vers les cours d’eau. Toute évolution de la proportion « sols nus / sols couverts » constitue a priori un indicateur des pratiques agricoles. Toutefois, le suivi de ce ratio, quand il est effectué à partir de données de télédétection à l’échelle régionale, peut traduire des variations de la couverture hivernale des sols, mais également l’influence de facteurs climatiques. Les changements observés à l’échelle régionale doivent alors être validés par une analyse à l’échelle locale, afin d’identifier clairement les changements provenant de la végétation. Ainsi, bien que la pollution diffuse constitue dans des régions telle que la Bretagne un problème régional, ce suivi ne peut être dissocié d’un suivi sur le plan local. C’est à ces échelles, locales et régionales, que les évolutions des problèmes environnementaux sont les plus perceptibles par la société. Ces échelles deviennent par corollaire le domaine d'intervention de nombreux organismes publics et professionnels liés à la gestion des ressources agricoles et des ressources en eau. En conséquence, les espaces concernés par des décisions de changement d’occupation des sols varient de la parcelle au bassin versant, voire à un ensemble de bassins versants. Le suivi régulier de ces changements, de la couverture hivernale des sols en particulier, représente un enjeu important quant à l’évaluation des politiques de restauration de la qualité de l’eau.

2La précision du suivi de la couverture hivernale des sols par télédétection est contrainte par les caractéristiques des capteurs actuellement disponibles. Le suivi du ratio « sols nus / sols couverts » peut être réalisé à l’aide d’instruments satellitaires de façon quotidienne à une échelle régionale, à une résolution spatiale grossière par des capteurs de type SPOT VEGETATION (1 km). Il peut également être effectué à une résolution spatiale fine par des capteurs tel que SPOT HRVIR (20 m) mais avec une acquisition d’images moins fréquente (une ou deux fois par hiver) et seulement sur un territoire plus limité. L’intérêt d’une approche multi-scalaire -de la basse résolution à l’échelle régionale à la haute résolution à l’échelle locale- du suivi des changements d’occupation des sols est double : d’une part préciser à une date donnée le contenu de l’information détectée à basse résolution (de l’ordre du km) à partir des données à haute résolution (de l’ordre de 10 à 20 m), ce qui permet d’identifier les changements observés sur une vaste surface ; d’autre part de palier l’absence de données à haute résolution à des périodes-clé pour identifier précisément des changements observés à partir des données à basse résolution. Dans ce dernier cas, il s’agit de simuler une donnée à haute résolution à partir d’informations spatiales à l’échelle parcellaire acquises à partir d’une image antérieure, et d’informations temporelles recueillies d’après une série d’images à basse résolution dont l’une est calée avec la date de la donnée simulée.

3L’objectif de cette étude, qui s’inscrit dans un des projets du Programme National de Télédétection Spatiale, est de développer une méthode de changement d’échelles, afin d’expliquer localement à partir d’images SPOT HRVIR à 20 m de résolution spatiale des variations brutales ou tendancielles de la couverture hivernale des sols observées à l’échelle régionale à l’aide de données SPOT VEGETATION dont la résolution spatiale est d’un kilomètre.

Les méthodes de changement d’échelles en télédétection

4De nombreuses études utilisant des données de télédétection font référence à des méthodes de changement d’échelles permettant d’utiliser conjointement des données acquises à des résolutions spatiales différentes.

5Les méthodes de fusion et de démélangeage produisent des changements d’échelles présentant des limites fortes pour réaliser un lien entre des images SPOT HRVIR et SPOT VEGETATION.

6Les méthodes de fusion utilisent les informations spectrales et spatiales extraites des images satellitaires pour améliorer la distinction des objets observés. Une première famille de méthodes s’appuie sur la combinaison des radiométries (panchromatique et multispectrale). L’approche de Cliche, la méthode IHS (Intensity-Hue-Saturation), la transformée de Brovey ou encore la méthode P+Xs de Spotimage sont parmi les plus connues. Toutefois elles sont considérées comme des méthodes d’amélioration visuelle d’images par l’intégration des propriétés spatiales d’images haute résolution. Bien qu’elles s’apparentent à une amélioration de la résolution, elles se limitent à une amélioration de la visualisation car les distorsions spectrales engendrées sont importantes. Une seconde famille de méthodes dissocie les informations spectrales et spatiales, dans le but d’améliorer la résolution tout en conservant les valeurs spectrales. Le concept ARSIS (Amélioration de la Résolution Spatiale par Injection des Structures) utilise la démarche pyramidale de la transformée en ondelettes pour améliorer la résolution du plan spatial au sein duquel l’information spectrale est ensuite injectée (T Ranchin, L Wald, 2000). Bien qu’il s’agisse cette fois d’une amélioration de la résolution, des distorsions spectrales subsistent.

7Quelle que soit la méthode de fusion utilisée, les rapports entre les résolutions images dépassent rarement le facteur 10, renforçant l’idée d’un changement d’échelles limité. De plus, elles ne peuvent pas être employées pour des applications de télédétection basées sur des signatures spectrales (J Liu, 2000).

8Les méthodes de démélangeage se définissent par « la démarche désagrégative visant à déterminer le comportement des constituants à partir de celui du tout par déconvolution de l’information » (Colin F., 2000). L’objectif de ces méthodes est la compréhension du mélange des informations contenues dans un pixel de résolution grossière (1 km²) à l’aide d’images haute résolution. La notion de démélangeage en télédétection a un double sens : elle peut consister à estimer les proportions de classes d’occupation du sol dans un pixel mixte (démélangeage spatial), ou bien à estimer la valeur radiométrique d’une classe d’après la connaissance des proportions (démélangeage spectral). Les images haute résolution permettent d’apporter des connaissances a priori sur les signatures spectrales des différentes classes d’occupation du sol. Les deux principales méthodes de démélangeage, le “linear mixing model” et la “fuzzy c-means classification” offrent des résultats relativement similaires (Foody G., 1994) et corrects à 70 % (Cross A. et al., 1991). L’intérêt majeur de ces méthodes est qu’elles produisent des changements d’échelles importants (de 20 m de résolution à 1 km), mais les estimations restent des « images de proportions ou des plans de pourcentage » (Puech C., 1998) ne permettant pas de localiser précisément la répartition des classes d’occupation du sol.

9Les méthodes neuronales sont, quant à elles, également employées pour la fusion et le démélangeage des données images. Leur intérêt provient de leur capacité à intégrer automatiquement la dimension temporelle et la dimension spatiale. Par exemple, la méthode CDAF (Change Detection Adaptative Fuzzy network), fondée sur une architecture ART, offre de meilleurs résultats que les méthodes couramment utilisées dans la détection des changements d’occupation du sol entre deux images grâce à sa capacité d’apprentissage (Abuelgasim et al., 1999). Le réseau ARTMAP montre également des résultats meilleurs que ceux obtenus par les méthodes de démélangeage citées précédemment, avec là encore des limites dans la détermination spatiale des proportions estimées (Carpenter et al., 1999).

10La spatialisation des composantes du mélange peut, quant à elle, être envisagée par l’intégration de la carte auto-organisatrice de Kohonen qui gère la notion voisinage. En effet, l’architecture d’un réseau neuronal intégrant cette carte permet de « représenter des données complexes, […] dans un espace discret dont la topologie est limitée à une, deux voire trois dimensions » (Herault J., Jutten C., 1994). L’objectif de cette étude est d’utiliser la configuration de ce réseau neuronal en intégrant la dynamique spatiale générée par l’utilisation d’une série d’images pour réaliser ce changement d’échelles.

Méthodologie

Le réseau neuronal

11Le lien entre les images des deux capteurs est établi dans cette étude à partir du développement d’une méthode neuronale basée sur une carte de Kohonen. Ce réseau de neurones possède l’avantage de gérer la notion de voisinage indispensable à la décomposition spatiale du mélange observé par SPOT VEGETATION. Son architecture permet, contrairement aux autres méthodes de changement d’échelles, d’effectuer un saut d’un pixel de 1 km à un pixel de 20 m, de façon à démélanger l’information spatialement et spectralement. L’originalité de cette méthode réside dans l’utilisation de la dimension temporelle pour résoudre ce problème de changement d’échelles (figure 1).

Figure 1 - Représentation de la modélisation du changement d’échelles par un réseau de neurones intégrant la dimension temporelle

12L’estimation du mélange est réalisée à partir d’une image SPOT VEGETATION à la date t et de connaissances locales à la date t-1 dérivées d’une image SPOT HRVIR et validées par des contrôles terrain in situ. Ces dernières se caractérisent par une image dite de « labels » représentant la configuration spatiale (sous la forme du parcellaire ou de classes d’un indice de végétation, dans ce cas le NDVI), à laquelle les valeurs radiométriques issues de l’image SPOT HRVIR à la date t-1 sont toujours associées (« image des centres de classes »).

13La carte de Kohonen n’est pas un réseau de type perceptron comme la plupart des réseaux utilisés pour la circonstance. Ses neurones sont disposés sur une seule couche et sont organisés sur un plan en deux dimensions. Comme les poids synaptiques des neurones peuvent être interprétés comme représentant la valeur de la signature spectrale des pixels à démélanger, il suffit de bâtir une carte de 50x50 neurones et de considérer que chacun de ces neurones est porteur de la signature spectrale des pixels de SPOT HRVIR pour faire le lien entre un unique pixel SPOT VEGETATION et le groupe de 50x50 pixels de SPOT HRVIR co-localisés. Par nature, tous les neurones de la carte de Kohonen sont interconnectés entre eux, ils ont donc intrinsèquement la connaissance de leur localisation et voisinage. C’est ce que l’on appelle « préservation topologique » qui est une caractéristique essentielle de la carte de Kohonen et la distingue des réseaux de type Hopfield. Pour réaliser l’estimation du mélange ainsi que la localisation des sources, l’étape d’entraînement de la carte de Kohonen permet de réduire une fonction de coût de l’estimation du mélange qui correspond à la minimisation de plusieurs contraintes que l’on caractérise sous forme d’énergies. La méthode développée ici reprend les concepts définis par Tatem et al (2001), où l’image résultante appelée « image super résolution », est le résultat de la minimisation d’une énergie E constituée des trois contraintes E1, E2, Etelles que :

  • E1 doit représenter le mélange, c'est à dire que la somme des signatures spectrales estimées doit être égale au pixel SPOT VEGETATION.

  • E2 doit permettre d’homogénéiser les classes. Pour conserver la structure spatiale, les signatures spectrales doivent être homogènes pour un même label.

  • E3 doit faciliter le changement vers d’autres labels afin de rendre compte des changements d’occupation du sol d’une parcelle.

14L’architecture du réseau neuronal, par ces connexions latérales qui lient chaque neurone à ces voisins, permet d’estimer une valeur radiométrique pour chaque neurone (représentant un pixel SPOT HRVIR à 20 m) tout en intégrant les estimations spectrales des neurones voisins et le respect des contraintes locales (E2, E3). Son architecture et les couches d’entrées nécessaires pour réaliser ce type de changement d’échelles sont présentées par la figure 2. Elle montre aussi que le calcul est réalisé de façon séquentielle sur une image, pixel Végétation par pixel Végétation.

Figure 2 - Architecture du réseau neuronal basée sur une carte auto-organisatrice de Kohonen

15L’utilisation d’une image de résolution intermédiaire (IRS-WiFS à 100 m) a été envisagée afin de faciliter la simulation de l’image super résolution, et notamment la répartition spatiale des pixels simulés. Les pixels IRS-WiFS constituent alors des « sous-mélanges » locaux à respecter lors de l’estimation des signatures spectrales. Ceci est intégré dans la carte de Kohonen comme une contrainte supplémentaire potentielle (E4) dans la minimisation de l’énergie E. Cette nouvelle contrainte E4 correspond à une précision locale de la contrainte E1. Ici, elle impose que des petits groupes de neurones (à la résolution de SPOT HRVIR) respecte les mélanges observés par IRS-WiFS.

16Un ensemble de tests est d’abord effectué sans l’utilisation de cette résolution intermédiaire, et ensuite seulement avec l’intégration de cette contrainte supplémentaire. Ces tests sont réalisés en utilisant deux images de labels issues, d’une part de classes de NDVI à la date t-1, d’autre part de données existantes au sein d’un Système d’Information Géographique et représentant le découpage de parcelles culturales le plus fin possible, observé durant les années étudiées. Cet ensemble de tests est destiné à estimer cette méthode de démélangeage à la fois :

  • sur le plan spectral, afin de voir si les signatures spectrales simulées représentent bien des types d’occupation du sol ;

  • sur le plan spatial, pour observer l’influence de la représentation de la structure spatiale (via les images de labels) dans la détermination du mélange ;

  • sur l’amplitude scalaire existant entre les résolutions, afin d’étudier l’influence de l’utilisation de plusieurs résolutions dans l’estimation du mélange.

Le site d’étude

17Le choix du site d’étude s’est porté sur un bassin versant sur lequel existe un suivi des modes d’occupation des sols et des pratiques agricoles depuis une vingtaine d’années et où une série d’images est disponible. Le bassin versant du Coët-Dan, situé en Bretagne centrale, dans le nord du département du Morbihan, totalise une superficie de 1193 ha, dont 1030ha de surface agricole utile (figure 3).

18Il est largement représentatif de l’agriculture intensive bretonne. Il présente des densités d’élevages hors-sol porcins et de volailles très supérieures à la moyenne régionale et nationale. Il a subi une réduction sensible des cultures fourragères au profit des cultures de maïs ainsi qu’une ouverture du paysage agraire, perdant ainsi une partie importante de ses haies bocagères. De plus, les systèmes de cultures dédiés à l’élevage sont doublés de cultures de ventes comme par exemple des légumes à vocation industrielle (Rapion P., Bordenave P., 2001).

19Il fait partie des sites ateliers du PEVS (Programme Environnement Vie et Société) du CNRS et a été labellisé ORE (Observatoire de Recherche en Environnement) en 2002.

Figure 3 - Localisation du site d’étude

Les données de télédétection

20Les données satellitaires disponibles pour évaluer cette méthode de changement d’échelles appliquée à la problématique du suivi de la couverture hivernale des sols, sont des scènes acquises par les capteurs SPOT HRVIR, IRS-WiFS et SPOT VEGETATION, enregistrées respectivement en janvier 2000 et 2001, et décembre 2001. Etant donnée que la précision des méthodes de changement d’échelles est largement dépendante de la comparabilité des données sur le plan spatial et sur le plan spectral, ces images satellitaires ont subi des corrections radiométriques et géométriques conséquentes. Il est en effet indispensable que le pixel englobant se réfère exactement aux pixels englobés. De même, pour que ces images soient comparables entre les différentes dates, il est nécessaire d’utiliser des valeurs de réflectance obtenues ici grâce à l’utilisation du modèle de corrections des effets atmosphériques 5S.

Résultats

21Les résultats sont analysés successivement sous l’angle de l’estimation spectrale et spatiale du mélange observé à faible résolution, puis la question de l’influence des résolutions dans l’estimation spatiale et spectrale du mélange est abordée.

Estimation spectrale du mélange

22La figure 4 montre l’image réelle à la date t détectée par SPOT HRVIR (a), et les résultats obtenus par la méthode de changement d’échelles à l’aide de l’image de labels 1 utilisant des classes de NDVI à t-1 (b) et à l’aide de l’image de labels 2 utilisant les données parcellaires à t-1 (c).

Figure 4 - Résultats de l’estimation spectrale du mélange à partir des images de labels 1 et 2

23Une première analyse montre que les signatures spectrales simulées à l’échelle de SPOT HRVIR s’apparentent aux signatures réellement détectées : les compositions colorées (R, PIR, IRM) de la figure 4 illustrent bien que les sols couverts par la végétation (prairies, intercultures, cultures légumières…) et représentés en vert présents en (a) sont aisément reconnaissables sur les simulations (b) et (c). Il en est de même pour les sols nus à peu couverts (sols nus après maïs, prairies retournées, blé d’hiver à un stade de croissance peu avancé, etc.) qui apparaissent dans des teintes mauves. Les types d’occupation hivernale des sols (sols couverts ou non) peuvent ainsi se distinguer facilement, ce qui rend la réalisation de post-traitements, tels que des classifications sur les images simulées, envisageable.

24L’utilisation de l’image de labels 2, dont l’élément unitaire est la parcelle agricole, engendre un léger effet de lissage qui se traduit par une perte de la texture de l’image. Bien que la trame parcellaire soit bien restituée dans les deux estimations (b) et (c), cette perte de la texture de l’image au niveau de la zone de fond de vallée au centre de l’image, ou encore au niveau de la trame bocagère, est nette dans le cas (c). L’estimation du mélange est donc plus précise en utilisant l’image des labels 1 car l’élément de base est alors le pixel. Ce niveau de précision peut être nécessaire si l’on souhaite reconnaître les différentes catégories de couvertures hivernales des sols.

Estimation spatiale du mélange

25Les premiers résultats illustrés par la figure 4 montrent une bonne restitution de la trame du paysage agraire. Quelle que soit l’image de labels utilisée, l’organisation spatiale du bassin versant est facilement reconnaissable. La spatialisation du mélange observé par SPOT VEGETATION (1 km) à l’échelle de SPOT HRVIR (20m) est désormais rendue possible par l’utilisation de cette méthode.

26Une analyse plus approfondie sur les proportions et la répartition des classes de couverture des sols a cependant mis en évidence des limites quant à la répartition spatiale du changement de la couverture hivernale des sols. Le bassin versant présente chaque hiver approximativement deux tiers de sols nus à peu couverts et un tiers de sols majoritairement couverts. Les successions culturales engendrent quant à elles une modification de leur répartition spatiale, sans réelle modification de la proportion « sols nus à peu couverts/sols couverts ». Les classifications des images simulées avec les deux images de labels mettent en évidence que les proportions de sols nus à peu couverts et de sols couverts sont bien estimées à +/- 10 %, mais que des erreurs de localisation de la couverture des sols à l’échelle subsistent.

Figure 5 - Caractérisation des parcelles correctement et mal estimées entre l’image SPOT HRVIR à la date t (2001) et les images de labels 1 (a) et 2 (b) à la date t-1 (2000)

27La figure 5 représente ainsi une évaluation de la méthode de changement d’échelles quant à la restitution spatialisée à l’échelle de la parcelle culturale du mélange SPOT VEGETATION. La confrontation entre la situation réelle détectée et les images simulées à partir des deux images de labels montre des erreurs de localisation globalement similaires. En effet, les cas (a) et (b) présentent respectivement 67,4 % et 66,8 % de bonne restitution spatiale. Les zones en jaune et en vert correspondent pour l’essentiel à des parcelles présentant des niveaux de couvertures du sol identiques aux dates t et t -1. Donc, quelle que soit l’image des labels utilisée, c’est environ un tiers de la zone étudiée qui n’est pas correctement simulé spatialement en raison des changements du type d’occupation du sol des parcelles culturales. La comparaison des résultats en (a) et (b) montre que des changements de couverture des sols sont malgré tout bien détectés mais de façon très localisée (bordure ou portion de parcelle).

28Au final, l’analyse des figures 4 et 5 permet de tirer deux conclusions sur l’estimation spatiale du mélange :

29(1) la conservation de la structure spatiale, quelle que soit l’image des labels utilisée, montre que la contrainte E2 est bien respectée,

30(2) la mauvaise restitution spatiale des parcelles changeant de couverture des sols entre les dates t-1 et t, montre que la contrainte E3 n’est pas assez forte.

Influence des résolutions dans l’estimation spatiale et spectrale du mélange

31La comparaison entre l’image SPOT VEGETATION à 1 km de résolution et des images SPOT VEGETATION et IRS-WiFS rééchantillonnées respectivement à 500 m et 100 m de résolution, permet de voir si la baisse de l’amplitude scalaire existant entre les images SPOT VEGETATION et SPOT HRVIR entraîne une estimation spatiale et spectrale du mélange plus fine. L’analyse visuelle des résultats montre que, dans chaque cas, la spatialisation est effectuée correctement. L’analyse des compositions colorées (R-PIR) - de la figure 6 - rend compte de la bonne restitution spectrale et spatiale de ce territoire agricole, où les parcelles présentant des sols peu couverts à couverts par de la végétation chlorophyllienne apparaissent en vert.

Figure 6 - Comparaison des résultats selon l’amplitude scalaire existant entre les résolutions.

32Il est à noter que l’effet de lissage engendré par le découpage parcellaire diminue avec la baisse de l’amplitude scalaire. Toutefois, quelle que soit la résolution spatiale utilisée, la conservation de l’organisation territoriale à la date t-1 constitue une contrainte forte qui limite la spatialisation des changements locaux.

33L’utilisation d’une résolution intermédiaire perturbe fortement la restitution de la trame du paysage agricole, avec un aspect « mosaïqué » très important comme le montre l’estimation du mélange sur la figure 7 ci-dessous. Par contre, elle s’est révélée être une voie d’amélioration dans la détection locale du changement. En effet dans cet exemple, les parcelles culturales présentaient des sols nus en 2001 et des sols couverts en 2002. L’image super résolution simulée pour 2002 à partir des données de 2001, montre une détection du changement des types d’occupation des sols de ces parcelles culturales. La contrainte E4, visant le respect des sous-mélanges issus des images IRS-WiFS, facilite donc la détection du changement.

Figure 7 - Amélioration de la détection des changements locaux de l’occupation du sol par l’utilisation d’une résolution intermédiaire

Conclusion et perspectives

34Les approches multi-scalaires se réfèrent à des niveaux d’organisation différenciés et chaque niveau possède une dynamique temporelle plus ou moins perceptible. Ces changements sont plus ou moins sensibles en fonction de l’échelle d’approche, et toute la difficulté est ici d’expliquer localement l’évolution d’un territoire qui est visible dans sa globalité. Les interactions entre dimension spatiale et dimension temporelle, ou entre l’horizontal et le vertical comme l’a défini C. PEGUY (2001), sont nombreuses et à la base même de la “vie” d’un système territorial. Travailler dans une dimension spatio-temporelle requiert donc de la prudence du fait des interactions « espace-temps ».

35Le développement de la méthode de changement d’échelles mise en place dans ce travail vise à expliquer ponctuellement, dans le temps et dans l’espace, les mélanges observés à basse résolution sans être contraint de posséder une image haute résolution. Cette méthode neuronale de changement d’échelles, fondée sur une carte de Kohonen, reprend les concepts des méthodes de fusion et de démélangeage. Ainsi, elle utilise :

  • des signatures spectrales issues de données à haute résolution pour estimer les proportions du mélange observé à une résolution grossière de type SPOT VEGETATION. Il s’agit dans ce cas d’un démélangeage spectral ;

  • la structure spatiale d’images à haute résolution spatiale pour améliorer la résolution d’une image multi-spectrale de résolution plus grossière. Il s’agit dans ce cas d’un démélangeage spatial.

36Mais elle utilise en plus la dimension temporelle pour fournir des connaissances sur la structure spatiale (via les images de labels), ce qui rend possible la spatialisation du mélange à travers la carte de Kohonen.

37Cette méthode de changement d’échelles présente des potentialités intéressantes pour spatialiser à l’échelle locale (20 m) une information issue d’une observation à l’échelle régionale (1 km). Toutefois, l’intégration de la dimension temporelle pour résoudre ce problème de changement d’échelles a ici montré ses limites dans la détection spatialisée des changements locaux. Ceci résulte principalement, d’un trop grand « statisme » du temps utilisé par cette méthode (une image à t-1), alors que la détection et l’explication du changement s’inscrivent dans une dynamique temporelle plus étendue (cf. figure 1). Une adaptation de la méthode est actuellement explorée afin d’améliorer la détermination spatiale du changement à l’échelle locale : elle consiste à prendre en compte l’évolution de la couverture hivernale durant les cinq ou six hivers précédents. A partir du suivi des modes d’occupation des sols réalisé à l’échelle parcellaire, plusieurs constats peuvent être faits : certaines classes d’occupation du sol montrent une propension au changement assez faible (prairies humides permanentes, landes, friches…), peuvent même se montrer quasiment invariantes (espaces bâtis, routes…), ou encore peuvent présenter une fréquence de retour relativement régulière au sein des rotations culturales pratiquées par les exploitants agricoles du bassin versant. La création d’une contrainte supplémentaire, correspondant à la caractérisation de « changements attendus » à l’échelle parcellaire déterminée à partir de dires d’experts, va être intégrée dans le modèle afin de réduire l’espace des solutions possibles, et de faciliter ainsi la détection et la spatialisation des changements de classes d’occupation du sols entre deux hivers.

38Bien que les données nécessaires soient nombreuses et leurs pré-traitements conséquents, cette méthode offre des perspectives intéressantes pour la compréhension des tendances d’évolution de l’occupation des sols à l’échelle locale. Elle peut être utilisée dans les cas où des images offrant le niveau de précision nécessaires sont inexistantes ou inexploitables en hiver du fait de la couverture nuageuse ; et quand bien même ces images sont disponibles pour chaque année, leur couverture spatiale ne permet pas de suivre une évolution de l’occupation du sol sur l’ensemble d’une région d’agriculture intensive comme la Bretagne.

Inicio de página

Bibliografía

Abuelgasim A. A., Ross W. D., Gopal S., Woodcock C. E., 1999, “Change detection using adaptive fuzzy neural networks: Environmental damage assessment after the Gulf war”, Remote Sensing of Environment, vol. 70, n° 2, 208-223.

Carpenter G. A., Gopal S., Macomber S., Martens S., Woodcock C. E., 1999, “A neural network method for mixture estimation for vegetation mapping”, Remote Sensing of Environment, vol. 70, n° 2, 138-152.

Cross A., Settle J., Drake N., Paivinen R., 1991, “Subpixel measurement of tropical forest cover using AVHRR data”, International Journal of Remote Sensing, vol. 12, n° 5, 1119-1129.

Colin F., 2000, Approche spatiale de la pollution chronique des eaux de surface par les produits phytosanitaires : cas de l’atrazine dans le bassin versant du Sousson (Gers, France), Thèse de doctorat, CEMAGREF ENGREF « Structure et systèmes spatiaux », Montpellier, 255 p.

Foody G., Cox D., 1994, “Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership functions”, International Journal of Remote Sensing, vol. 15, n° 3, 619-631.

Herault J., Jutten C., 1994, Réseaux neuronaux et traitement du signal, Hermes, Collection Traité des nouvelles technologies, Série Traitement du signal, Paris, 313 p.

Liu J., 2000, “Smoothing Filter-based Intensity Modulation : a spectral preserve fusion technique for improving spatial details”, International Journal of Remote Sensing, vol. 21, n° 18, 3461-3472.

Peguy C.-P., 2001, Espace, Temps, Complexité, vers une méta géographie, Ed. Belin, 283 p.

Puech C., 1998, “Décomposition du pixel et changement d’échelles”, Photo Interprétation, 1998/1, vol. 36, 20-29.

Ranchin T., Wald L., 2000, “Fusion of high spatial and spectral resolution images: the ARSIS concept and its implementation”, Photogrammetric Engineering & Remote Sensing, Vol. 66, n° 1, 49-61.

Rapion P., Bordenave P., 2001, “Pratiques agricoles et pollution azotée diffuse des eaux de surface : exemple d'évaluation d'impact sur trois bassins versants d'élevage intensif”, Actes du colloque : Hydrosystèmes, paysages, territoires, Université des Sciences et Technologie de Lille (USTL), 7-8 septembre 2001 (CD ROM).

Tatem A., Lewis S H., Atkinson P. and Nixon M., 2001, “Super-resolution target identification from remotely-sensed images using a Hopfield neural network”, IEEE Transactions on Geoscience and Remote Sensing, vol. 39, n° 4, 781-796.

Inicio de página

Para citar este artículo

Referencia electrónica

Thomas Houet, Laurence Hubert-Moy y Grégoire Mercier, « Modélisation du changement d’échelles en télédétection par une méthode neuronale : application a l’étude de l’évolution de l’occupation hivernale des sols en Bretagne », Cybergeo: European Journal of Geography [En línea], Informes temáticos, documento 271, Publicado el 10 mayo 2004, consultado el 18 abril 2024. URL : http://journals.openedition.org/cybergeo/3617 ; DOI : https://doi.org/10.4000/cybergeo.3617

Inicio de página

Autores

Thomas Houet

Laboratoire COSTEL UMR 6554 CNRS LETG, Université Rennes 2, Place du Recteur Henri Le Moal, 35043 RENNES Cedex, France
thomas.houet@uhb.fr

Artículos del mismo autor

Laurence Hubert-Moy

Laboratoire COSTEL UMR 6554 CNRS LETG, Université Rennes 2, Place du Recteur Henri Le Moal, 35043 RENNES Cedex, France

Artículos del mismo autor

Grégoire Mercier

ENST-Bretagne, Département ITI, Equipe TIME, BP 832, 29285 Brest Cedex, France

Inicio de página

Derechos de autor

CC-BY-4.0

Únicamente el texto se puede utilizar bajo licencia CC BY 4.0. Salvo indicación contraria, los demás elementos (ilustraciones, archivos adicionales importados) son "Todos los derechos reservados".

Inicio de página
Buscar en OpenEdition Search

Se le redirigirá a OpenEdition Search