3. Apport de la télédétection : => Traitement des images satellitaires et ou aériennes Rapidité : traitements automatiques Application sur grandes échelles Sources d’erreurs réduites Détection des éléments linéaires boisés
4. Signature Spectrale R V B Luminosité Bande spectrale Luminosité Bande spectrale Détection des éléments linéaires boisés
5. 1 Pixel 1 Signature spectrale 1 Objet Plusieurs pixels But : regrouper les pixels du même objet par classification classification Détection des éléments linéaires boisés
6. Les images satellite se caractérisent par: - La résolution spatiale Spot 20-10m Formosat 8m World-View 0.5m Quick-Bird 0.7m Trouver le meilleur compromis - La résolution temporelle -L’emprise Détection des éléments linéaires boisés Emprise : 60km Emprise : 28 km Emprise : 13 km Emprise :18 km
7.
8. Travaux d’application : CESBIO (2010-2011) 1- Formosat à 8m 2- Spot-5 fusionnée 2.5m 3- Quick Bird 0.7m Dynafor (2011) World-View 0.5 m - Mono-date versus - Multi-dates - Mono-date - Altimétrie Détection des éléments linéaires boisés
10. 1- Une seule date – résolution = 2,5m (image SPOT) Classification supervisée de l’image + des néo-canaux : NDVI + indice de Texture 31 Aout 2009 27 Juin 2010 78% de pixels bien classés 90% de pixels bien classés Classification objet (basée sur une segmentation): 88% de pixels bien classés Détection des éléments linéaires boisés TRAVAUX CESBIO 2010-2011
11. 2- Une série d’images de la même année: (analyse multi-temporelle) - Formosat 8m Mono-date : PCC de 10-45% Multi-date : 2006 : 4 dates = PCC de 79% 2007 : 6 dates = PCC de 77% 2008 : 4 dates = PCC de 60% Les meilleurs dates : Eté + hiver automne Détection des éléments linéaires boisés
12. Effectuée avec cinquante classes, elle permet de conserver les objets fins La méthode est intéressante du fait que les éléments fins sont rarement superposables (décalage entre les images) Classification non supervisée Classification non-supervisée générée avec les 9 images FORMOSAT de 2007 Détection des éléments linéaires boisés
13. Utilisation de la morphologie mathématique (collaboration Géode ; Cesbio) Extraction selon des critères de taille et de structure. Fonction d’ouverture qui érode les pics a/ BD Ortho, 5 m, 2006 b/ Haies après fusion entre la classification de l’occupation des sols de 2007 et la classification à 6 dates spécifique aux haies c/Haies obtenues à partir d’opérateurs de morphologie mathématique sur des images formosat de 2006 Détection des éléments linéaires boisés
14. A retenir Pour la détection des haies champêtres : Une résolution de 8m est suffisante pour classer les haies L’utilisation de plusieurs dates améliore sensiblement la détection des haies (combinaison Eté + hiver automne) La classification non supervisée est intéressante pour la détection des objets fins . Travaux : Danielle Ducrot, Claire Marais Sicre Détection des éléments linéaires boisés
15. 3- Couple d’images stéréoscopiques à THRS = world view à 0.5 m Couleur Intégration d’un MNH (Model Numérique de Hauteur) Image A Image B MNH Détection des éléments linéaires boisés TRAVAUX DYNAFOR 2011 Deux prises de vue différentes de la même zone (400km² , Aurignac) A la même date = 20 sept 2010
16. 3- Couple d’images stéréoscopiques à THRS = World View à 0.5 m Couleur 1- Influence de la construction du jeu de données d’entraînement (typologie +- détaillée) 2- Influence du type d’algorithme de classification 3- Influence du type de données (images) traitées vue A vue B vue A + vue B vue A + vue B + MNH But : Appliquer plusieurs méthodologies afin d’apprécier => Détection des éléments linéaires boisés
17. 3- Détection des linéaires boisés à partir d’un couple d’images stéréoscopiques à THRS Pas d’amélioration en intégrant le MNH : => Valeurs aberrantes du MNH (négatives) approche « Pixel » MLC Détection des éléments linéaires boisés
18. 3- Détection des linéaires boisés à partir d’un couple d’images stéréoscopiques à THRS Photo : IRC Approche « Pixel » SVM Approche « Objet » Détection des éléments linéaires boisés
19.
20. CONCLUSION La télédétection reste un moyen performant (Rapidité, précision et exhaustivité) si on la compare avec des méthodes basées sur la photo-interprétation plus adaptés à des territoires plus restreints Fin Détection des haies