Travaux dirigés réalisés par Olivier Gillet et Yvette Vaguet

Objectifs du TD n°4

Apprendre à classifier des images satellitaires selon une approche non supervisée et comprendre le fonctionnement d’une classification automatique non supervisée.
Réaliser une cartographie et quelques statistiques des résultats

Le TD va se dérouler en 3 temps :
1 - Télécharger les données Sentinel-2 sur la plateforme Universitice
2 - Classifier selon une méthode non supervisée des images satellitaires via le plugin SAC
3 - Cartographier et analyser les résultats

Sentinel-2 (S2) 🛰

L’ESA, via le programme Sentinel, vise à déployer toute une série de satellites d’observation de la Terre (les premiers lancements ont eu lieu en 2015 et 2017). Le principal objectif du programme est de fournir aux pays européens des données complètes et actualisées leur permettant d’assurer le contrôle et la surveillance de l’environnement.

Satellite Sentinel-2A

1 - Télécharger les images S2-A 🛰

Vous devez vous rendre sur Universitice et télécharger le jeu de données suivant :

TD 4 - Donnees S2-A (2017, 14 bandes spectrales)

Le jeu de données est composé d’une seule scène et vous disposez de l’ensemble des bandes spectrales.

Pour rappel, les images satellitaires se caractérisent par une information panchromatique, multi- ou hyper-spectrales. Le nombre de bandes spectrales et les intervalles de longueur d’onde de ces dernières diffèrent selon le satellite et les capteurs utilisés. Les bandes spectrales à disposition sont les suivantes :

Caractéristiques S2-A
Bande spectrale n°1 - Aérosol côtier	442.7 nm	60 m
Bande spectrale n°2 - Bleu	492.4 nm	10 m
Bande spectrale n°3 - Vert	559.8 nm	10 m
Bande spectrale n°4 - Rouge	664.6 nm	10 m
Bande spectrale n°5 - Végétation red edge	704.1 nm	20 m
Bande spectrale n°6 - Végétation red edge	740.5 nm	20 m
Bande spectrale n°7 - Végétation red edge	782.8 nm	20 m
Bande spectrale n°8 - PIR	832.8 nm	10 m
Bande spectrale n°8A – PIR étroit	864.7 nm	20 m
Bande spectrale n°9 - Vapeur d’eau	945.1 nm	60 m
Bande spectrale n°10 - SWIR – Cirrus	1373.5 nm	60 m
Bande spectrale n°11 - SWIR	1613.7 nm	20 m
Bande spectrale n°12 - SWIR	2202.4 nm	20 m

💻 Lien pour à la plate-forme de données MSG et autres :

https://scihub.copernicus.eu/dhus/#/home https://earthexplorer.usgs.gov/

Plate-forme de téléchargement des données S2-A

📆 La date d’acquisition de l’images satellitaire est la suivante :

25 mai 2017 11h21

❓ Quelle est la résolution spatiale de mes images ?

2 - Télécharger le plugin SAC et ProfilTool

QGIS n’est pas un logiciel de traitement d’images comme IDRISI ou ENVI. Pour classifier graphiquement des images satellitaires via le Système d’Information Géographique (SIG, QGIS), nous devons installer un plugin “Semi-Automatic Classification”. Ce premier plugin open-source a été développé par Luca Congedo pour classifier des images satellitaires. L’outil est très complet car il fournit des outils de téléchargement, de pré/post traitements des images.

Pour le télécharger, après ouverture du SIG QGIS, vous devez vous rendre sur la fenêtre “Installer/Gérer les extensions” et installer le plugin “Semi-Automatic Classification”:

Extensions -> Installer/Gérer les extensions

Plugin ’Semi Automatic Classification

3 - Créer un jeu de données depuis le plugin

SCP -> Pré-traitement -> Sentinel-2

Créer un jeu de données Sentinel-2 depuis le plugin

L’algorithme de pré-traitement des données affiche les bandes spectrales dans QGIS après son exécution. Vous pouvez également réaliser des compositions colorées “vraies et fausses” couleurs directement dans la barre d’outils.

Afficher les données dans QGIS

Les algorithmes de classification

La classification, manuelle ou automatique, a pour objectif d’assigner une classe particulière à chacun des pixels d’une scène (surface en eau, surface végétalisée ou sol nu par exemple). Cette classification, ou typologie, est une mosaïque de pixels qui appartiennent chacun à une classe d’occupation du sols. Celle-ci peut être plus ou moins complexe (nombre de classe, caractérisation des objets observés, ..).

Pour rappel, les images satellitaires sont des images numériques que l’on peut exploiter à travers des traitements statistiques et/ou mathématiques afin de calculer des indicateurs ou de les classifier. Tous pixels sont caractérisés par un vecteur de valeurs numériques. La longueur de ce vecteur dépend du nombre de bandes spectrales de l’image. Ainsi, et en fonction des vecteurs de valeurs, des groupes de pixels qui ont les mêmes caractéristiques peuvent être classés au sein d’une même classe, d’une classe d’information. Les pixels réunis ont des caractéristiques radiométriques communes et correspondent donc à des objets géographiques similaires ou très proches.

Classification non supervisée 🖥

On parle de partitionnement de données ou de clustering.

La définition sur wikipedia:

Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, [..]. Pour obtenir un bon partitionnement, il convient d’à la fois :

minimiser l’inertie intra-classe pour obtenir des grappes (cluster en anglais) les plus homogènes possibles ;

maximiser l’inertie inter-classe afin d’obtenir des sous-ensembles bien différenciés.

Ces algorithmes (isodata ou kmeans par exemple) se basent sur la distance mathématique entre les entités/pixels/individus d’un jeu de données dans un espace à N dimension afin de les classer.

Algorithme Kmeans

⚠️ Rappel CM de Mme Vaguet

Données en entrée : n points placés dans un référentiel en d dimensions
Où n = nombre de pixels dans l’image
d = nombre de bandes spectrales utilisées
Placement aléatoire de x centroïdes dans le référentiel
Où x = nombre de classes, défini par l’opérateur
On associe à chaque point le centroïde le plus proche. Cette opération forme des clusters.
On calcule le centre de gravité de chaque cluster.
Pour chaque cluster, on déplace le centroïde sur le centre de gravité.
On recalcule les distances entre les points et leur centroïde le plus proche.
On recalcule le centre de gravité de chaque cluster.
On déplace le centroïde des clusters vers leur centre de gravité.
Et ainsi de suite jusqu’à ce que la position du centroïde soit égale à la position du centre de gravité du cluster.