IMAGERIE, SATELLITES ET PHOTOS AERIENNE (partie 2/2)

## Objectifs et prérequis **Objectifs** À l’issue de ce chapitre, l’élève sera capable de : 1. Décrire les caractéristiques techniques (résolution spatiale, spectrale, radiométrique, temporelle) des principaux satellites d’observation de la Terre utilisés en géomatique appliquée. 2. Présenter l’offre actuelle de données satellitaires (gratuites et commerciales) et identifier les plateformes d’accès adaptées aux besoins du Cameroun. 3. Mettre en œuvre les étapes de prétraitement radiométrique, géométrique et atmosphérique d’une image satellitaire. 4. Appliquer des méthodes de détection d’images (classification supervisée/non supervisée, détection de changements) pour extraire des informations thématiques (occupation du sol, suivi des cultures, surveillance des zones humides). 5. Réaliser un petit projet de traitement d’image en utilisant des logiciels libres (QGIS, SNAP, Python) et interpréter les résultats dans un contexte professionnel camerounais. **Prérequis** - Notions de base en télédétection : définition, types de plateformes (satellites, avions, drones). - Compréhension des résolutions spatiale, spectrale, radiométrique et temporelle. - Notions de systèmes de coordonnées géographiques (WGS84, UTM) et de projections cartographiques usuelles au Cameroun (UTM zone 32N, 33N). - Bases du traitement d’image numérique (histogramme, filtres passe-bas/passe-haut). - Notions de sécurité informatique liées à la manipulation de données géospatiales (sauvegarde, contrôle d’accès). --- ## Introduction contextualisée Au Cameroun, la géomatique appliquée joue un rôle stratégique dans la planification du développement durable : suivi de la déforestation dans le bassin du Congo, gestion des ressources agricoles dans les régions du Littoral et de l’Ouest, cartographie des zones inondables du fleuve Sanaga, planification urbaine des villes comme Yaoundé et Douala. Les images satellitaires constituent la source de données la plus homogène et la plus périodique pour ces applications. Toutefois, l’exploitation efficace de ces données nécessite une maîtrise précise des caractéristiques des capteurs, de l’offre disponible et des procédés de prétraitement qui permettent de passer de la donnée brute à une information exploitable. Ce chapitre vise à fournir ces compétences, en s’appuyant sur des exemples concrets tirés de projets réalisés au Cameroun (suivi des cultures de cacao dans la région du Sud, détection des changements d’occupation du sol dans la région du Nord‑Ouest, cartographie des mangroves du littoral camerounais). --- ## I. Activités de remédiation ### A. Rappel des concepts de base Avant d’aborder les nouvelles notions, il est essentiel de consolider les acquis de la première partie du chapitre (notions de résolution, types de capteurs, différences entre images optiques et radar). Un bref questionnaire oral permet de vérifier que chaque élève sait : - Définir la résolution spatiale et donner un exemple (ex. : 30 m pour Landsat 8). - Expliquer la différence entre résolution spectrale et résolution radiométrique. - Citer deux avantages du radar à ouverture synthétique (SAR) par rapport au capteur optique (indépendance aux nuages, capacité de mesure de la rugosité). ### B. Exercices de révision sur les résolutions **Exercice 1** – Calcul du nombre de pixels couvrant un carré de 5 km de côté avec une image de résolution spatiale 10 m. **Solution** : côté = 5 000 m → nombre de pixels par côté = 5 000 / 10 = 500 → total = 500 × 500 = 250 000 pixels. **Exercice 2** – Comparer la revisit de Sentinel‑2 (5 jours à l’équateur) avec celle de Landsat 8 (16 jours). Quel avantage cela procure‑t‑il pour le suivi des cultures rapides (ex. : maïs) ? **Solution** : la fréquence plus élevée de Sentinel‑2 permet d’obtenir au moins trois images pendant le cycle végétatif du maïs (≈ 90 jours), facilitant la détection de stress hydrique ou de maladies. ### C. Mise en situation : analyse d’une image Landsat 8 du Cameroun Les élèves travaillent en binômes sur une scène Landsat 8 (path/row 185/055) couvrant la région du Centre (Yaoundé) acquise le 15 mai 2023. Ils doivent : 1. Identifier les bandes disponibles (B1‑B11) et leurs longueurs d’onde. 2. Calculer l’indice de végétation NDVI = (B5 − B4) / (B5 + B4). 3. Interpréter rapidement les zones à forte valeur NDVI (forêt dense, végétation cultivée) et les zones à faible NDVI (zones urbaines, sols nus). Cette activité permet de rappeler les manipulations de base dans QGIS (ajout de raster, calculatrice raster) et de préparer le terrain pour les leçons suivantes. > **À retenir** : La résolution spatiale détermine la taille minimale d’un objet discernable sur l’image ; la résolution spectrale définit la capacité à distinguer différents matériaux selon leur réponse électromagnétique. --- ## II. Leçon 5 : Caractéristiques et offre actuelle ### A. Satellites d’observation de la Terre (optique, radar) | Type de capteur | Exemples de missions | Bande(s) principale(s) | Particularité | |-----------------|----------------------|------------------------|---------------| | Optique multispectrale | Landsat 8/9, Sentinel‑2, PlanetScope, WorldView‑3 | Visible, proche infrarouge, infrarouge moyen | Haute résolution spatiale (≤ 5 m pour WorldView) | | Optique hyperspectrale | Hyperion (EO‑1), PRISMA | 200+ bandes étroites | Identification fine des matériaux | | Radar à ouverture synthétique (SAR) | Sentinel‑1, RADARSAT‑2, TerraSAR‑X | Bande C (5,4 GHz), Bande X (9,6 GHz) | Imagerie indépendante des nuages, mesure de la déformation | | Lidar spatial | GEDI (ISS), ICESat‑2 | Laser 1064 nm | Profil vertical de la végétation et du relief | ### B. Caractéristiques techniques 1. **Résolution spatiale** : taille du pixel au sol (ex. : 10 m pour Sentinel‑2, 30 m pour Landsat). 2. **Résolution spectrale** : nombre et largeur des bandes (ex. : Sentinel‑2 possède 13 bandes, dont 3 bandes de 10 m, 6 bandes de 20 m, 3 bandes de 60 m). 3. **Résolution radiométrique** : nombre de niveaux de gris (ex. : 12 bits = 4096 niveaux pour Sentinel‑2). 4. **Résolution temporelle (revisit)** : délai entre deux passages au même point (ex. : 5 jours pour Sentinel‑2 à l’équateur, 12 jours avec les deux satellites Sentinel‑2A/B). 5. **Swath (largeur de balayage)** : étendue couverte en un passage (ex. : 290 km pour Sentinel‑2). 6. **Type d’orbite** : héliosynchrone, altitude ~ 705 km (Landsat) ou ~ 693 km (Sentinel‑2). ### C. Offre actuelle de données satellitaires | Source | Accès | Coût | Résolution spatiale typique | Période de disponibilité | |--------|-------|------|-----------------------------|--------------------------| | USGS EarthExplorer (Landsat) | Gratuit | Gratuit | 15‑30 m (multispectral) | 1972‑aujourd’hui | | Copernicus Open Access Hub (Sentinel‑2) | Gratuit | Gratuit | 10‑60 m | 2015‑aujourd’hui | | Copernicus Open Access Hub (Sentinel‑1) | Gratuit | Gratuit | 5‑20 m (SAR) | 2014‑aujourd’hui | | PlanetScope (Planet) | Commercial | Abonnement | 3‑5 m | 2016‑aujourd’hui | | Maxar WorldView‑3/4 | Commercial | À la scène | 0,31 m (panchromatique) | 2014‑aujourd’hui | | Airbus Defence & Space (Spot 6/7) | Commercial | À la scène | 1,5 m (multispectral) | 2012‑aujourd’hui | Au Cameroun, les données gratuites de Landsat et Sentinel sont largement utilisées dans les projets du MINATD (cartographie des zones inondables) et du MINADER (suivi des cultures de cacao et de café). Les données commerciales sont réservées aux études d’impact environnemental nécessitant une résolution sub‑métrique (ex. : suivi des infrastructures pétrolières dans le bassin du Rio Del Rey). ### D. Exemple chiffré : calcul du nombre de pixels pour couvrir une zone d’étude **Objectif** : déterminer le nombre de pixels nécessaires pour couvrir un périmètre de 150 km² avec une image Sentinel‑2 (résolution 10 m). 1. Surface d’un pixel = 10 m × 10 m = 100 m² = 0,0001 km². 2. Nombre de pixels = Surface totale / Surface d’un pixel = 150 km² / 0,0001 km² = 1 500 000 pixels. > **À retenir** : Pour une résolution de 10 m, chaque kilomètre carré représente 10 000 pixels. ### E. Normes et règles de bonne pratique - Les données doivent être téléchargées avec leurs métadonnées (XML) contenant les informations de calibration radiométrique et les paramètres d’orbite. - Lors de l’utilisation de données commerciales, respecter les licences (interdiction de redistribution sans autorisation). - Vérifier l’intégrité du fichier (checksum MD5) avant tout traitement afin d’éviter les corruptions pouvant altérer les résultats. --- ## III. Leçon 6 : Méthodes de prétraitement et détection d’images ### A. Étapes du prétraitement | Étape | Objectif | Méthode courante | Logiciel typique | |-------|----------|------------------|------------------| | 1. Correction radiométrique | Convertir les niveaux de DN en réflectance au sommet de l’atmosphère (TOA) ou en réflectance de surface (BOA) | Application des coefficients de gain et d’offset fournis dans les métadonnées ; utilisation de modèles atmosphériques (6S, MODTRAN) | SNAP, QGIS (plugin Semi‑automatic Classification), ENVI | | 2. Correction géométrique | Référencer l’image à un système de coordonnées cartographique | Rééchantillonnage avec contrôle de points d’ancrage (GCPs) ou utilisation des données d’orbite fournies (RPC) | GDAL, QGIS Georeferencer | | 3. Masquage des nuages et ombres | Éliminer les pixels contaminés | Seuillage sur la bande de cirrus (Sentinel‑2 B10) ou indice NDVI < 0,1 ; utilisation de masks fournis (QA60) | SNAP, QGIS (raster calculator) | | 4. Filtrage atmosphérique (optionnel) | Atténuer les effets de diffusion et d’absorption | Correction DOS (Dark Object Subtraction) ou modèles physiques | SNAP, OTB | | 5. Rééchantillonnage & projection | Uniformiser la résolution et le système de coordonnées | Rééchantillonnage nearest neighbor (pour classification catégorielle) ou bilinéaire (pour indices continus) ; reprojection en UTM zone 32N/33N | GDAL warp, QGIS Export → Save As… | > **À retenir** : Le prétraitement radiométrique est indispensable avant toute analyse spectrale (indices, classification) car il rend les valeurs comparables d’une image à l’autre. ### B. Méthodes de détection d’images #### 1. Classification supervisée - **Principe** : l’utilisateur définit des zones d’apprentissage (ROI) pour chaque classe ; l’algorithme estime les paramètres statistiques de chaque classe et classe chaque pixel selon la règle de décision. - **Algorithmes fréquents** : Maximum Likelihood (ML), Support Vector Machine (SVM), Random Forest (RF), K‑Nearest Neighbors (KNN). - **Avantages** : bonne précision lorsque les classes sont spectralement séparables ; possibilité d’incorporer des connaissances de terrain. - **Inconvénients** : nécessite un jeu d’étiquetage représentatif ; sensible aux déséquilibres de classes. #### 2. Classification non supervisée - **Principe** : l’algorithme regroupe les pixels en clusters sans connaissance préalable des classes ; l’interprétation des clusters est faite a posteriori. - **Algorithmes fréquents** : K‑means, ISODATA, Classification hiérarchique ascendante. - **Avantages** : utile lorsqu’on ne connaît pas a priori le nombre ou la nature des classes. - **Inconvénients** : les clusters ne correspondent pas toujours à des classes sémantiques utiles ; nécessite une étape d’étiquetage post‑hoc. #### 3. Détection de changements - **Méthode par différence d’indices** : calcul d’un indice (ex. : NDVI) à deux dates, puis différence ; seuillage pour identifier les gains ou pertes de végétation. - **Algorithme de détection de changements continus (CCDC)** : ajuste un modèle harmonique à la série temporelle de chaque bande ; les ruptures sont détectées par analyse des résidus. - **Application camerounaise** : suivi de la déforestation dans la région du Sud‑Ouest (détection de pertes de couvert forestier > 30 % sur période de 6 mois). ### C. Outils logiciels libres fréquemment utilisés - **QGIS** (version ≥ 3.28) avec les plugins *Semi‑automatic Classification Plugin (SCP)*, *Orfeo Toolbox (OTB)*, *Processing* (SNAP, GRASS). - **SNAP** (Sentinel Application Platform) de l’ESA : pré‑traitement Sentinel‑1/2/3, indices, détection de changements. - **Python** (3.9+) : bibliothèques *rasterio*, *numpy*, *scikit‑learn*, *xarray*, *earthpy*. - **OTB** (Orfeo Toolbox) : chaînes de traitement automatisées via command line ou interface Monteverdi. ### D. Exemple de workflow complet : extraction des surfaces agricoles dans la région du Littoral (image Sentinel‑2A, 10 m, date 12 mai 2024) 1. **Téléchargement** : deux bandes B04 (rouge) et B08 (NIR) depuis Copernicus Open Access Hub, avec métadonnées XML. 2. **Correction radiométrique** : conversion DN → réflectance de surface à l’aide du sen2cor (module de SNAP). Produit : *S2A_MSIL2A_20240512T102031_N0500_R065_T32QNR*. 3. **Masquage des nuages** : utilisation du masque QA60 (bits 10 et 11) pour exclure les pixels nuageux ; application via *raster calculator* de QGIS. 4. **Calcul du NDVI** : formule NDVI = (B08 − B04) / (B08 + B04). 5. **Seuillage** : NDVI > 0,4 considéré comme végétation active ; création d’un masque binaire. 6. **Filtrage morphologique** : ouverture (3×3) pour éliminer les petits îlots de bruit, puis fermeture (5×5) pour combler les trous dans les parcelles. 7. **Vectorisation** : conversion du masque raster en polygones ; calcul de la superficie de chaque polygone (champ *area_ha*). 8. **Interprétation** : comparaison avec la couche cadastrale du MINATD pour vérifier le taux de couverture agricole dans le département du Moungo (résultat : 38 % du territoire couvert par des cultures permanentes, principalement du palmier à huile et du bananier plantain). > **À retenir** : Un bon prétraitement (notamment le masquage des nuages) augmente significativement la fiabilité des indices dérivés tels que le NDVI. ### E. Normes de sécurité et d’hygiène liées au traitement des données - Sauvegarder les données brutes sur un support externe chiffré (AES‑256) avant toute modification. - Utiliser des comptes utilisateurs distincts pour le traitement et la consultation afin de limiter les risques de suppression accidentelle. - Vérifier que les logiciels utilisés sont à jour (correctifs de sécurité) afin d’éviter l’exploitation de vulnérabilités connues (ex. : faille dans les anciennes versions de GDAL). - Lors du partage des résultats (cartes, rapports), appliquer la politique de confidentialité du projet (ex. : ne pas diffuser les coordonnées précises des exploitations agricoles sans autorisation). --- ## Synthèse du chapitre - **Caractéristiques des satellites** : résolution spatiale (10 m‑30 m pour les missions gratuites), résolution spectrale (multispectrale 13 bandes pour Sentinel‑2, hyperspectrale > 200 bandes pour PRISMA), résolution radiométrique (12 bits), résolution temporelle (5 jours revisit Sentinel‑2, 16 jours Landsat). - **Offre actuelle** : données gratuites (Landsat, Sentinel‑1/2) via USGS EarthExplorer et Copernicus Open Access Hub ; données commerciales haute résolution (PlanetScope, WorldView, Spot). - **Prétraitement** : correction radiométrique (DN → réflectance), correction géométrique (orthorectification), masquage des nuages (QA60, bande cirrus), filtrage atmosphérique optionnel, rééchantillonnage et projection (UTM 32N/33N). - **Méthodes de détection** : classification supervisée (ML, SVM, RF), classification non supervisée (K‑means, ISODATA), détection de changements (différence d’indices, CCDC). - **Outils** : QGIS + SCP/OTB, SNAP, Python (rasterio, scikit‑learn), OTB en ligne de commande. - **Exemple appliqué** : extraction des surfaces agricoles dans le Littoral à l’aide du NDVI sur Sentinel‑2, aboutissant à une estimation de 38 % de couverture agricole. - **Bonnes pratiques** : sauvegarde des données brutes, respect des licences, vérification des checksums, utilisation de logiciels à jour, application de la politique de confidentialité. --- ## Glossaire | Terme | Définition | |-------|------------| | **Résolution spatiale** | Taille au sol d’un pixel, exprimée en mètres (ex. : 10 m). | | **Résolution spectrale** | Nombre et largeur des bandes électromagnétiques capturées par le capteur. | | **Résolution radiométrique** | Nombre de niveaux de gris permettant de distinguer les variations d’intensité du signal (ex. : 12 bits = 4096 niveaux). | | **Revisit (résolution temporelle)** | Délai entre deux passages du même satellite au même point géographique. | | **Swath** | Largeur de la bande terrestre observée lors d’un passage satellitaire. | | **Orthorectification** | Processus de correction géométrique qui élimine les distorsions dues au relief et à l’inclinaison du capteur. | | **NDVI (Normalized Difference Vegetation Index)** | Indice de végétation calculé comme (NIR − Red)/(NIR + Red), variant de –1 à +1. | | **Masque QA60** | Bande de qualité des produits Sentinel‑2 contenant des bits d’information sur les nuages, les cirrus et les défauts sensoriels. | | **Classification supervisée** | Méthode où l’algorithme apprend à partir de zones d’étiquetage fournies par l’utilisateur. | | **Classification non supervisée** | Méthode qui regroupe les pixels en clusters sans connaissance préalable des classes. | | **CCDC (Continuous Change Detection and Classification)** | Algorithme qui ajuste un modèle temporel à chaque pixel pour détecter les ruptures dans la série temporelle. | | **Orthoimage** | Image satellitaire corrigée géométriquement, uniforme en échelle, utilisable pour des mesures directes. | | **Sensor gain / offset** | Coefficients de calibration fournis dans les métadonnées pour convertir les niveaux de DN en radiance ou réflectance. | | **Orbite héliosynchrone** | Orbite où le satellite passe au même endroit à la même heure solaire locale, facilitant la comparaison multi‑temporelle. | | **Plateforme de données** | Portail web permettant la recherche, le téléchargement et la visualisation de produits satellitaires (ex. : Copernicus Open Access Hub). | --- ## Exercices d'application corrigés ### Exercice 1 – Calcul de la surface couverte par un pixel Sentinel‑2 **Consigne** : Une image Sentinel‑2B possède une résolution spatiale de 10 m. Quelle est la surface au sol représentée par un seul pixel ? **Corrigé** : Surface d’un pixel = 10 m × 10 m = 100 m² = 0,01 ha. > **À retenir** : 1 pixel Sentinel‑2 = 100 m² au sol. ### Exercice 2 – Seuillage NDVI pour détecter la végétation sèche **Consigne** : Sur une parcelle de 25 ha, le NDVI moyen mesuré après prétraitement est de 0,22. On considère que la végétation est « sèche » lorsque NDVI < 0,3. Quelle proportion de la parcelle est classée comme végétation sèche ? **Corrigé** : Comme le NDVI moyen (0,22) est inférieur au seuil de 0,3, on considère que l’ensemble de la parcelle présente des caractéristiques de végétation sèche. Proportion = 100 % (soit 25 ha). > **À retenir** : Un seuil NDVI permet de séparer rapidement les zones à forte activité photosynthétique des zones stressées ou nues. ### Exercice 3 – Workflow de prétraitement avec SNAP (question à réponse courte) **Consigne** : Listez, dans l’ordre, les quatre étapes principales du prétraitement d’un produit Sentinel‑2A Level‑1C à l’aide de SNAP afin d’obtenir une réflectance de surface prête au calcul d’indices. **Corrigé** : 1. Import du produit Level‑1C. 2. Application de *Sen2Cor* (correction radiométrique et atmosphérique) → sortie Level‑2A (réflectance de surface). 3. Masquage des nuages à l’aide de la bande QA60 (bits 10 et 11). 4. Rééchantillonnage (si nécessaire) et projection en UTM zone adaptée (ex. : 32N pour le Cameroun). > **À retenir** : Sen2Cor est le processeur officiel de l’ESA pour passer du niveau‑1C au niveau‑2A (réflectance de surface). --- ## Erreurs fréquentes et règles de sécurité | # | Erreur fréquente | Conséquence | Règle de prévention / bonne pratique | |---|------------------|-------------|--------------------------------------| | 1 | Oublier de appliquer la correction radiométrique avant le calcul d’indices (NDVI, EVI). | Valeurs d’indices biaisées, interprétations erronées de la végétation. | Toujours vérifier que le produit utilisé est de niveau‑2A (réflectance de surface) ou appliquer Sen2Cor/6S. | | 2 | Utiliser le masque QA60 sans vérifier les bits spécifiques (confondre nuages et cirrus). | Masquage excessif ou insuffisant, laissant des nuages résiduels qui faussent les classifications. | Consulter la documentation du produit : bit 10 = nuages opaques, bit 11 = cirrus ; appliquer les deux ou choisir selon l’objectif. | | 3 | Effectuer une classification supervisée avec un nombre d’échantillons d’apprentissage trop faible (< 30 pixels par classe). | Surapprentissage, faible généralisation, carte de classe peu fiable. | Prévoir un minimum de 50‑100 pixels d’apprentissage par classe, répartis sur toute l’étendue de l’image. | | 4 | Négliger de sauvegarder les données brutes avant traitement. | Perte irréversible des données originales en cas d’erreur de traitement. | Copier le fichier source sur un support externe chiffré en lecture seule avant toute opération. | | 5 | Utiliser une version obsolète de GDAL/QGIS contenant une faille de sécurité connue (ex. : CVE‑2022‑XXXX). | Risque d’exécution de code arbitraire lors de l’ouverture d’un fichier malveillant. | Maintenir les logiciels à jour via les dépôts officiels ; consulter les avis de sécurité du CERT‑CM. | | 6 | Partager les résultats contenant des coordonnées GPS précises d’exploitations agricoles sans autorisation du propriétaire. | Violation de la vie privée et potentiellement du droit à la propriété des données. | Appliquer le principe de minimisation : diffuser uniquement des cartes agrégées (ex. : densité de végétation par commune) ou obtenir un consentement écrit. | --- *Fin du cours.*