PosterPDF Available

D’OSO à la cartographie de végétation par télédétection multi-temporelle – Exemples d’utilisation des images Sentinel-2

Authors:
  • Centre D'Etudes Spatiales De La Biosphere / UMR Dynafor - INRA
  • Ecole Nationale des Sciences Géographiques ENSG
D’OSO `a la cartographie de v´eg´etation par
t´el´ed´etection multi-temporelle
- Exemples d’utilisation des images Sentinel-2 -
V. Thierion1, G. Amin2, P. Billecocq2, C. Gaude2, L. Mesona2,
L. Borgniet3, M. Bertrand3, S. Bigot2, 4
1INRA - USC CESBIO
2Universit´e Grenoble Alpes (UGA), Institut d’Urbanisme et de G´eographie Alpine (IUGA)
3Universit´e Grenoble Alpes (UGA), Institut de recherche en sciences et technologies pour
l’environnement et l’agriculture (IRSTEA)
4Institut des G´eosciences de l’Environnement (IGE)
OSO : L’occupation du sol par t´el´ed´etection
En 2017, le Centre d’Expertise Scientifique OSO
(Occupation du SOl) du ole Theia, par l’inter-
ediaire du CESBIO a produit une carte d’occu-
pation du sol de l’ann´ee 2016 `a l’´echelle du terri-
toire m´etropolitain fran¸cais et corse [1]. On l’ap-
pelle la carte d’occupation du sol OSO. Cette
carte est le r´esultat de traitements automatiques
massifs de eries temporelles d’images satel-
lites optiques Sentinel-2.
Comme les images Sentinel-2, cette carte a une
esolution spatiale de 10 m. L’occupation du sol
est d´ecrite grˆace `a 17 classes, d´efinies en fonc-
tion des potentialit´es de d´etection de l’imagerie
Sentinel-2 et des besoins exprim´es par des util-
isateurs finaux. Ces classes couvrent les grands
th`emes d’occupation du sol. Son principal avan-
tage est son exhaustivit´e territoriale et sa
fraˆıcheur.
L’exhaustivit´e spatiale de cette carte limite cependant sa pr´ecision s´emantique et spatiale pour cartogra-
phier la v´eg´etation `a l’´echelle d’un massif de montagne. Deux exemples d’application, mis en œuvre par
des ´etudiants du Master 2 G´eoides, de la m´ethode de classification multi-temporelle d´evelopp´ee par le
CESBIO pour produire OSO sont pr´esenes ici :
La classification de la physionomie de la v´eg´etation dans le massif de Belledonne,
La classification d’habitats forestiers dans le Parc Naturel R´egional du Vercors.
Ce travail permet en outre d’illustrer les nouvelles potentialit´es de l’analyse de s´eries d’images optiques
Sentinel-2.
Analyse des s´eries temporelles Sentinel-2
Les s´eries temporelles d’images optiques
Sentinel-2 ouvrent de nouvelles perspectives
dans la cartographie de la v´eg´etation. En effet,
il est possible de traiter automatiquement
plusieurs images satellites optiques avec le
eme angle d’incidence et corrig´ees des effets de
l’atmosph`ere et de la pente. Ainsi, en altitude,
malgr´e la plus forte n´ebulosit´e et la courte dur´ee
de la saison v´eg´etative, les exemples pr´esent´es
ici montre qu’il est possible d’utiliser plusieurs
images Sentinel-2 sur une mˆeme saison.
En disposant de plusieurs dates et des conditions
spectrales homog`enes sur de larges ´etendues g´eo-
graphiques, il apparait possible de capter la dy-
namique temporelle de la v´eg´etation (ph´enolo-
gie), dynamique susceptible de faciliter la dis-
crimination de certains type de couvert v´eg´etal
(pelouses, landes, habitats forestiers, etc.)
Ainsi, dans la lign´ee des d´eveloppements de la chaˆıne de traitements iota2[2], la m´ethodologie d´etaill´ee
ci-dessous a ´et´e impl´ement´ee pour r´epondre `a l’objectif de cartographie de couverts v´eg´etals d’altitude,
`a savoir la physionomie de la v´eg´etation du massif de Belledonne et les habitats forestiers du PNR du
Vercors.
Donn´ees d’entr´ee Pr´eparation de la donn´ee
Apprentissage supervis´e Production cartographique
Donn´ee de
ef´erence
election
d’´echantillons Validation
Apprentissage
erie d’images
Sentinel-2
MNT
Interpolation
Extraction
de primitives
Pente,
Orientation
NDVI, NDWI
Apprentissage
RF, SVM, etc.
Mod`ele de
classification Classification
Carte
d’occupation
du sol
Validation Pr´ecision
En compl´ement des images Sentinel-2, un Mod`ele Num´erique de Terrain (MNT) de l’IGN (r´esolution
spatiale de 25 m) a ´et´e utilis´e pour d´eriver les pentes et l’orientation. Ces primitives ont ´et´e con-
cat´en´ees aux images Sentinel-2 et associ´ees aux ´echantillons terrain pour la phase d’apprentissage du
mod`ele. Lorsqu’un grand nombre d’images Sentinel-2 est disponible, mais qu’il est difficile de disposer
de prises de vue sans nuage et sans ombre, il peut ˆetre utile d’effectuer une interpolation temporelle
lin´eaire de la s´erie, ce qui n’a pas ´et´e le cas dans le cadre de ces ´etudes.
1. Physionomie v´eg´etale de Belledonne
Le massif de Belledonne est un massif cristallin
situ´e `a proximit´e de l’agglom´eration grenobloise,
le long de la vall´ee du Gr´esivaudan. Les milieux
ouverts de ce massif est constitu´e des classes
suivantes (une classe ombre a ´et´e ajout´ee) :
– Frutic´ees
Forˆet lˆache de r´esineux
– Pelouse
Lande ligneuse
Surface min´erale
– Eau
Neige et glace
`
A partir d’´echantillons collect´ees sur le terrain,
un mod`ele de classification a ´et´e ´etabli grˆace `a
une s´erie de 4 images Sentinel-2 sans nuage :
– 24/06/2016
– 03/08/2016
– 22/09/2016
– 18/08/2017
Les F-scores (Moyenne harmonique) obtenus
apr`es validation avec un jeu d’´echantillon in-
ependant (validation crois´ee) sont assez ´elev´es,
`a savoir qu’ils sont sup´erieurs `a 0.6. La distinc-
tion entre les pelouses et les landes peut-ˆetre
consid´er´ee comme satisfaisante car `a l’´echelle de
100m2(un pixel Sentinel-2) ces types de v´eg´eta-
tion sont souvent m´elang´ees.
Fruticées Forêts lâches
de résineux Pelouses Landes ligneuses Surfaces minérales Eau
Précision globale : 89% / Kappa : 85%
Il est int´eressant de comparer ce r´esultat (2) avec la carte d’occupation du sol OSO produite `a l’´echelle
nationale (1). Si les performances de classification `a l’´echelle locale sont un peu plus ´elev´ees (en parti-
culier pour les pelouses), l’am´elioration concerne avant tout la pr´ecision spatiale dans la d´elimitation
des diff´erents faci`es physionomiques, et dans la retranscription de l’h´et´erog´en´eit´e paysag`ere.
2. Habitats forestiers du PNR du Vercors
Le PNR du Vercors est un massif montagneux
calcaire des Pr´e-Alpes fran¸caises, situ´e au Sud-
Est de l’agglom´eration grenobloise. Ce PNR est
abrite une r´eserve biologique int´egrale et la
eserve naturelle des hauts-plateaux signe de
son importante biodiversit´e animale et v´eg´e-
tale. Bien que pourvu de zones pastorales, les
paysages forestiers sont omnipr´esents. Dans ce
sens, il est int´eressant de cartographier les habi-
tats forestiers pr´esents. `
A partir de la carte des
habitats ´etablie par le Conservatoire Botanique
National Alpin (CBNA) suivant la nomenclature
CORINE Biotopes [3], les habitats forestiers `a
etecter sont les suivants :
etraies (41.1)
Forets mixtes pentes ravins (41.4)
Chˆenaies thermophiles (41.7)
Sapini`eres neutrophiles (42.1)
Pessi`eres (42.2)
Forˆet de pins de montagne (42.4)
Forˆet de pins sylvestres (42.5)
Forˆets mixtes (43.1)
Forˆet de frˆenes et aulnes (44.3)
`
A partir d’´echantillons extraits al´eatoirement de
la carte des habitats du CBNA, un mod`ele de
classification a ´et´e ´etabli grˆace `a une s´erie de 7
images Sentinel-2 sans nuage `a partir desquelles
le NDVI a ´et´e calcul´e pour chaque date :
– 05/05/2016
– 24/06/2016
– 07/07/2016
– 02/09/2017
– 05/10/2016
– 20/04/2017
– 21/08/2017
Hêtraie
41.1 / 43.1
Forêt mixte
de pente
41.4
Chênaie
thermophile
41.7
Sapinière
neutrophile
42.1
Pessière
42.2
Forêt de
pins de montagne
42.4
Forêt de
pins sylvestres
42.5
Forêt de
frênes et aulnes
44.3
Précision globale : 71% / Kappa : 66%
Comme illustr´e dans la graphique ci-dessus, les F-
scores sont h´et´erog`enes suivant les habitats car-
tographi´es. Une majorit´e a des scores sup´erieurs `a 0.6
avec des scores tr`es satisfaisants pour les forˆets de pins
de montagne et les sapini`eres. `
A l’inverse, les forˆets
de pins sylvestres et les forˆets de frˆenes et aulnes ont
un score relativement faible. Concernant le second,
cette faiblesse peut s’expliquer par la faible quantit´e
de ces habitats. L’extrait cartographique ci-contre met
en valeur les grands ensembles paysagers du PNR du
Vercors, avec les habitats `a tendance thermophile dans
le Sud, les pin`edes d’altitude sur la zone des hauts
plateaux et les hˆetraies pures et mixtes dans la partir
Nord-Ouest. Finalement, l’et´erog´en´eit´e spatiale des
habitats forestiers est bien repr´esent´ee.
Bibliographie
[1] Inglada, J., Vincent, A., Arias, M., Tardy, B., Morin, D., Rodes, I., Operational high resolution land
cover map production at the country scale using satellite image time series, Remote Sensing, 9(1), 95
(2017). http://dx.doi.org/10.3390/rs9010095
[2] Inglada, J., Vincent A., Arias M., Tardy B., iota2, a land cover map production system, Git repository:
http://tully.ups-tlse.fr/jordi/iota2, http://dx.doi.org/10.5281/zenodo.58150
[3] Villaret, J.-C., Pache, G., Charlandie, O., Genis, J.-M., Spezzati, B., Dornier, N., Segura., P., Finiels,
V., Marie, M.-H., Winter, C., 2008. Inventaire et cartographie des habitats et espaces naturels. Parc
Naturel R´egional du Vercors. Rapport final. Conservatoire botanique national alpin. 48 p.
Conclusion
L’av`enement des images satellites optiques Sentinel-2 `a haute r´ep´etitivit´e temporelle (5 jours) et r´e-
solution spatiale d´ecam´etrique repr´esente de nouvelles potentialit´es d’observation de la Terre offrant
une vision synoptique et dynamiques des caract´eristiques de la v´eg´etation sur de large ´etendue g´eo-
graphique. En parall`ele, le d´eveloppement de chaˆınes de traitements telle que iota2permet de produire
dans des d´elais courts et une pr´ecision satisfaisante des cartes de la physionomie de la v´eg´etation,
d’habitats ou d’autres caract´eristiques telle que la ph´enologie et ainsi de l’adapter pour r´epondre `a
diff´erentes probl´ematiques environnementales et d’am´enagement du territoire.
Preprint
Full-text available
Insights into the controlling factors of soil organic carbon (SOC) stocks variation is necessary both for our scientific understanding of the terrestrial carbon balance and to support policies that intend to promote carbon storage in soils to mitigate climate change. In recent years, complex statistical and algorithmic tools from the field of machine learning became popular for modelling and mapping SOC stocks over large areas. In this paper, we report on the development of a statistical method for interpreting complex models, which we implemented for the study of SOC stocks variation. We fitted a random forest machine learning model with 2206 measurements of SOC stocks for the 0–50 cm depth interval from mainland France and using a set of environmental covariates as explanatory variables. We introduce Shapley values, a method from coalitional game theory, and use them to understand how environmental factors influence SOC stocks prediction: what is the functional form of the association in the model between SOC stocks and environmental covariates, and how the covariate importance varies locally from one location to another and between carbon-landscape zones. Results were validated both in light of the existing and well-described soil processes mediating soil carbon storage and with regards to previous studies in the same area. We found that vegetation and topography were overall the most important drivers of SOC stock variation in mainland France but that the set of most important covariates varied greatly among locations and carbon-landscape zones. In two spatial locations with equivalent SOC stocks, there was nearly an opposite pattern in the individual covariates contribution that yielded the prediction: in one case climate variables contributed positively whereas in the second case climate variables contributed negatively, and that this effect was mitigated by landuse. This shows that SOC stock variation is complex and should be interpreted at multiple levels. We demonstrate that Shapley values are a methodological development that yielded useful insights into the importance of factors controlling SOC stocks variation in space. This may provide valuable information to understand whether complex empirical models are predicting a property of interest for the right reasons and to formulate hypotheses on the mechanisms driving the carbon sequestration potential of a soil.
Article
Full-text available
A detailed and accurate knowledge of land cover is crucial for many scientific and operational applications, and as such, it has been identified as an Essential Climate Variable. This accurate knowledge needs frequent updates. This paper presents a methodology for the fully automatic production of land cover maps at country scale using high resolution optical image time series which is based on supervised classification and uses existing databases as reference data for training and validation. The originality of the approach resides in the use of all available image data, a simple pre-processing step leading to a homogeneous set of acquisition dates over the whole area and the use of a supervised classifier which is robust to errors in the reference data. The produced maps have a kappa coefficient of 0.86 with 17 land cover classes. The processing is efficient, allowing a fast delivery of the maps after the acquisition of the image data, does not need expensive field surveys for model calibration and validation, nor human operators for decision making, and uses open and freely available imagery. The land cover maps are provided with a confidence map which gives information at the pixel level about the expected quality of the result.
Code
Infrastructure pour l’Occupation des sols par Traitement Automatique Incorporant les Orfeo Toolbox Applications - $ι^2$ http://www.cesbio.ups-tlse.fr/multitemp/wp-content/uploads/2016/01/ocsolv1.html A processing chain for the operational production of land cover maps from remote sensing image time series using supervised classification.
Inventaire et cartographie des habitats et espaces naturels. Parc Naturel Régional du Vercors
  • J.-C Villaret
  • G Pache
  • O Charlandie
  • J.-M Genis
  • B Spezzati
  • N Dornier
  • P Segura
  • V Finiels
  • M.-H Marie
  • C Winter
Villaret, J.-C., Pache, G., Charlandie, O., Genis, J.-M., Spezzati, B., Dornier, N., Segura., P., Finiels, V., Marie, M.-H., Winter, C., 2008. Inventaire et cartographie des habitats et espaces naturels. Parc Naturel Régional du Vercors. Rapport final. Conservatoire botanique national alpin. 48 p.