RAPPORT DE STAGE TRAITEMENT AUTOMATIQUE D’IMAGES SATELLITES POUR L’EXTRACTION D’INFORMATION D’OCCUPATION DES SOLS Encadrement : Jacques BOUFFIER et Dominique HEBRARD Le pôle Applications Satellitaires et Télécommunication, Centre d’Etudes Techniques de l’Equipement du Sud-Ouest, Toulouse, France. Réalisé par : NGUYEN Quoc Phuong Promotion 16, Institut de la Francophonie pour l’Informatique, Hanoi, Vietnam. 01 Mars 2014 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Page 2 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols REMERCIEMENTS Les travaux présentés dans ce manuscrit ont été effectués au Centre d’Etude Technique et de l’Equipement du Sud-Ouest, Département de Délégation Aménagement, Laboratoire, Expertise et de Transport de Toulouse (CETE SO/DALETT) – Pôle « Applications Satellitaires et Télécommunication ». Je tiens d’abord à remercier M.
Didier TREINSOUTROT, directeur de CETE SO/DALETT, pour m’avoir accueilli au CETE SO/DALETT. Je remercie ensuite Anita BRUNET, le secrétaire de la direction, pour son aide qui m’a permis de bien compléter les papiers administratifs. Je tiens à exprimer ma sincère reconnaissance à M. Jacques BOUFFIER, mon premier superviseur de stage, pour m’avoir encadré tout au long de mes travaux, pour sa patience, pour sa compréhension, pour ses conseils et pour toutes les heures qu’il m’a consacré.
Mes remerciements vont également à M. Dominique HEBRARD, mon deuxième superviseur de stage, pour sa formation, pour sa contribution et pour son engagement qui m’a permis de surmonter les difficultés rencontrées pendant 6 mois. Je remercie également les stagiaires Martin VALETTE, Morgan VALOGNES pour ses aides qui m’ont permis de prendre en main les outils, les bases de données exogènes, la chaîne de traitement automatique qu’ils ont développé dans ses stages, pour leurs réponses à mes questions et particulier pour leurs amitiés que j’ai eu pendant la période de stage. Je n’oublie pas de remercie la famille de Denis-Maryline MARIOTTO pour m’avoir accompagné tous les six mois à Toulouse, pour m’a appris le francais et pour m’a apporté les bonheurs pendant les périodes difficiles.
Finalement, merci à tous mes collègues du Pôle « Applications Satellitaires et Télécommunication », pour m’ont accueilli et pour leurs encouragements pendant les jours là-bas. Page 3 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols RÉSUMÉ Le développement urbain, qui se traduit généralement par un étalement des villes, diminue les surfaces agricoles disponibles et entraine une diminution de la biodiversité. En conséquence, la législation française en matière de planification des territoires s’est adaptée dans l’objectif de mieux contrôler la gestion des espaces, en demandant notamment aux services d’aménagement de fournir des données chiffrées obtenues par statistique et analyse de l’utilisation des sols. Le suivi d’occupation des sols est effectué sur la base des couches d’occupation des sols réalisées par récupération des données déclarées ou calculées.
Cette approche trouve ses limites dans la lenteur de la mise à jour des données de base. De nos jours, le développement des satellites d’observation de la terre et les algorithmes de classification permet d’obtenir automatiquement des couches d’occupation du sol à partir d’images satellites. Cela apporte des avantages potentiels pour la mise en œuvre des politiques d’aménagement. Un programme d’évaluation de l’apport de la télédétection pour la production de couches d’occupation du sol a lancé par le ministère français du développement durable.
Une chaîne de traitement automatique est développée afin d’extraire automatiquement une couche d’occupation du sol à partir d’images satellites. Le résultat obtenu est acceptable avec une couche d’occupation du sol entre 4 et 10 classes, malgré certaines confustions. Dans le cadre de ce projet, l’objectif principal est de proposer une méthodologie rigoureuse pour régler le problème de confusion afin d’améliorer la couche d’occupation du sol. La méthodologie proposée sera ajoutée à la chaîne de traitement.
Les tests seront réalisés sur la base d’images RapidEye d’une résolution de 5 mètres qui couvrent sur l’emprise régionale de Limousin. Au final, une couche d’occupation du sol en 4 à 6 classes sera livrée à la direction du territoire de Limousin. Mots clés : aménagement, occupation du sol, images satellites, chaîne de traitement, algorithmes de classification, étude paramétrique. Page 4 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols ABSTRACT Urban development, who usually translates into a sprawl, reduces the available agricultural land and leads to a loss of biodiversity.
Consequently, the French legislation has adapted in order to better control the space management, required the management service who provides the data obtained by statistical analysis of land utilisation. Monitoring land is performed on the land use data layers made by recovery of data reported or calculated. This approach is limited by the slow updating of data. Nowadays, the development of earth observation satellites and classification algorithms used to obtain layers of land from satellite images automatically.
This approach brings potential benefits for the implementation of planning policies. A program evaluation launched by the French Ministry of Sustainable Development to produce layers of land. An automatic processing chain is developed to automatically extract a land use layer from satellite images. The result is acceptable with a layer of land between 4 and 10 classes, despite some confusions.
In this project, the main objective is to provide a rigorous methodology to address the problem of confusion in order to improve the land use layer. The proposed methodology will be included to the processing chain. The tests will be conducted on the base of RapidEye imagery with a resolution of 5 meters covering the region of Limousin. Finally, a land use layer with 4 to 6 classes will be delivered to the Director of the Territory of Limousin.
Keywords : urban development, land use layer, satellite images, automatic processing chain, classification algorithms, parametric study. Page 5 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols LISTE DES FIGURES Figure 1 : Mosaïque des images RapidEye disponibles sur la région du Limousin et visualisation sur une petite zone. 12 Figure 2 : Principe général. 14 Figure 3 : Principe général de l’extraction d’information d’une image.
15 Figure 4 : Visualisation d’un même paysage dans différentes bandes de fréquence. 16 Figure 5 : Exemple de NDVI MOD. 17 Figure 6 : L’apport des couches d’information complémentaire. 18 Figure 7 : Enrichissement des couches d’informations [3].
18 Figure 8 : Visualisation des échantillons d’apprentissage sur la zone test. 21 Figure 9 : Le traitement des informations d’apprentissage. 22 Figure 10 : Intérêt du nettoyage des informations d’apprentissage. 23 Figure 11 : Fusion complète des micro-classes.
24 Figure 12 : Fusion intermédiaire des micro-classes. 25 Figure 13 : Filtre majoritaire avec le filtre des quatre cellules les plus proches. 25 Figure 14 : Filtre majoritaire avec le filtre des huite cellules les plus proches. 26 Figure 15 : Visualisation de l’impact du filtre majoritaire.
26 Figure 16 : Visualisation de l’ajout du système routier au résultat de classification. 27 Figure 17 : L’incohérence entre l’image satellite et les données exogènes. 27 Figure 18 : L’impact de jeu de paramètres au résultat de classification. 28 Figure 19 : Les échantillons de vérification.
29 Figure 20 : Schéma synthétique de deux approches de l’étude paramétrique [3]. 31 Figure 21 : Identification des micro-classes suspectes. 32 Figure 24 : La performance des micro-classes. 34 Figure 24 : Le taux des faux positifs des micro-classes.
34 Figure 24 : Le taux des faux négatifs des micro-classes. 34 Figure 25 : Exemple pour 3 itérations KMeans. 39 Figure 26 : Exemple pour 3 itérations SVM. 39 Figure 27 : Relance du Kmeans avec le traitement automatique.
41 Figure 28 : Relance du Kmeans avec le traitement manuel. 41 Figure 29 : Relance du SVM avec le traitement automatique. 42 Figure 30 : Relance du SVM avec le traitement manuel. 42 Figure 31 : Résultat de l’étude paramétrique sur le nombre de micro-classes.
44 Figure 32 : Résultat de l’étude paramétrique des bandes d’informations complémentaires. 46 Figure 33 : Résultat de l’étude paramétrique sur les seuils. 47 Figure 34 : L’image satellite sur Limoges avec la visualisation sur les petites zones. 49 Figure 35 : Les couches d’informations complémentaires.
50 Figure 36 : Illustration des échantillons issus de bases de données exogènes sur Limoges. 52 Figure 37 : Résultat de classification après fusion et filtres en macro-classe. 53 Figure 38 : Résultat de classification après deuxième itération, fusion et filtres en macro-classes. 54 Figure 39 : Résultat de classification après troisième itération, fusion et filtres en macro-classes.
55 Figure 40 : Résultat de classification après filtres et ajout du squelette linéaire. 56 Figure 41 : Résultat de classification sur l’ensemble du Limousin en 4 macro-classes. 58 Figure 42 : Deux exemples de la classification en 6 macro-classes et la visualisation sur les petites zones. 59 Figure 43 : Statistique sur le temps de traitement (humain et machine) dans l’étude paramétrique.
73 Figure 44 : Visualisation globale de travail pratique réalisé en fonction du temps. 74 Figure 45 : Statistique sur le temps de traitement (humain et machine) dans la classification de Limousin. 74 LISTE DES TABLEAUX Tableau 1 : Extrait de la nomenclature nationnale – Couverture du sol. 20 Tableau 2 : Les nomenclatures sélectionnées pour les échantillons d’apprentissage.
51 Page 6 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols TABLE DES MATIERES REMERCIEMENTS. 5 LISTE DES FIGURES. 6 LISTE DES TABLEAUX. LA STRUCTURE DE L’ORGANISME D’ACCUEIL.
LE CETE SO ET LA DÉLÉGATION DE TOULOUSE. LE PÔLE APPLICATIONS SATELLITAIRES ET TELECOMMUNICATION. LE SUJET DE STAGE. LE CONTEXTE GÉNÉRAL.
LES OBJECTIFS DU STAGE. LA CONTRIBUTION DU STAGE. L’ENVIRONNEMENT DE TRAVAIL. L’ORGANISATION DU MANUSCRIT.
LA CHAINE DE TRAITEMENT. LA TRANSFORMATION D’UNE IMAGE. L’AMELIORATION DES INFORMATIONS D’ENTREE. 16 ENRICHISSEMENT DE L’IMAGE SATELLITE.
16 AMELIORATION DES INFORMATIONS D’APPRENTISSAGE. LES POST TRAITEMENTS. LES INDICATEURS DE QUALITE. LES ALGORITHMES DE RECHERCHE.
LES AMELIORATIONS DE LA CHAINE. DETECTION DES MICRO-CLASSES SUSPECTES. PAR RAPPORT A LEURS CENTROÏDES. PAR RAPPORT A LA MATRICE DE CONFUSION.
LE TRAITEMENT DES MICRO-CLASSES SUSPECTES. LES REGLES DE SUPPRESSION. LES REGLES DE RE-AFFECTATION. LES REGLES D’ALERTE.
TRAITEMENT AUTOMATIQUE OU CONTROLE VISUEL. ADAPTATION DE LA CHAINE DE TRAITEMENTS. RELANCE DU K-MEANS. 38 Page 7 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 2.
RELANCE DU SVM. MISE EN ŒUVRE SUR LE LIMOUSIN. LES GRANDS RESULTATS DE L’ETUDE PARAMETRIQUE. L’INFLUENCE DU NOMBRE DE MICRO-CLASSE.
L’INFLUENCE DES BANDES D’INFORMATION COMPLEMENTAIRES. L’INFLUENCE DES SEUILS. MEILLEUR JEU DE PARAMETRES. LA CLASSIFICATION SUR LIMOGES.
LES BANDES D’INFORMATION COMPLEMENTAIRES. LES ECHANTILLONS D’APPRENTISSAGE. LE RESULTAT DE CLASSIFICATION A LA PREMIERE ITERATION. LE RESULTAT DE CLASSIFICATION APRES DEUXIEME ITERATION.
LE RESULTAT DE CLASSIFICATION APRES TROISIEME ITERATION. LES POSTS TRAITEMENTS. LA CLASSIFICATION SUR L’ENSEMBLE DU LIMOUSIN. LE RESULTAT FINAL.
RÉSULTATS OBTENUS AU REGARD DES SPECS. ANNEXE 2 : LES FORMULES DES INDICATEURS DE QUALITE. ANNEXE 3 : INFLUENCE DE BANDES D’INFORMATIONS COMPLEMENTAIRES. ANNEXE 4 : EXEMPLE POUR LA DETECTION DES MICRO-CLASSES SUSPECTES PAR RAPPORT LEUR CENTROIDES.
ANNEXE 5 : EXEMPLE POUR LA DETECTION DES MICRO-CLASSES SUSPECTES PAR RAPPORT LA MATRICE DE CONFUSION. ANNEXE 6 : EXEMPLE POUR LE TRAITEMENT DES MICRO-CLASSES SUSPECTES. ANNEXE 7 : BASE D’IMAGES RAPIDEYE SUR LIMOUSIN. ANNEXE 8 : STATISTIQUE DE TEMPS.
72 Page 8 sur 75 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.