U N I V E R SI T É N AT I ON A L E DU V I E T N A M À H A N O Ï I N ST I T U T F R A N C OP H ON E I N T E R N AT I ON A L A B OU B A C A R DJ I B O M aman Sani C artographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 X ác định các yếu tố quyết định thẩm thấu nước bằng việc xử lý các dữ liệu quang học Sentinel-2 M É M OI R E DE F I N D’É T U DE S DU M A ST E R I N FOR M AT I QU E Autorisé à soutenir, C. Bailly, le 02 novembre 2018 H A N OI 2018 i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com UNIVERSITÉ NATIONALE DU VIETNAM À HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL ABOUBACAR DJIBO Maman Sani Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 Xác định các yếu tố quyết định thẩm thấu nước bằng việc xử lý các dữ liệu quang học Sentinel-2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Mme. GOMEZ Cécile , Chargée de recherche à l’IRD M. BAILLY Jean-Stéphane, Enseignant chercheur à AgroParisTech HANOI 2018 ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com UNIVERSITÉ NATIONALE DU VIETNAM À HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL Mémoire de stage Master 2 Option : Systèmes Intelligents et Multimédia (SIM) Promotion : XXI 2016 - 2018 Cartographie des déterminants de l’infiltrabilité des sols par traitement de série de données satellite optiques Sentinel-2 ABOUBACAR DJIBO Maman Sani Encadrants : Mme.
BAILLY Jean-Stéphane Chargée de recherche Enseignant chercheur (IRD, UMR LISAH) (AgroParisTech, UMR LISAH) 02 Mai - 31 Octobre 2018 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières 1 Introduction 1 1.1 Lien avec l’infiltrabilité .3 Objectif du Stage .4 Les approches développées .1 Positionnement à l’UMR LISAH .2 Le stage dans le projet A-MUSE. 8 2 Présentation des données 9 2.1 La zone d’étude .2 Les parcelles observées .2 Les données d’observation .3 Les données sentinel-2. 16 3 Les méthodes proposées 18 3.1 Les méthodes de classification non supervisée .2 Classification ascendante hiérarchique .3 Implémentation du Kmeans et du CAH .2 Les méthodes de classification supervisée .2 Support Vector Machine .3 Apprentissage, test et validation des modèles de classification .2 Partitionnement des données relatifs à chaque approche .4 Les indicateurs de qualité. 32 i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.3 Indice de rand normalisé .5 Outils et environnement de développement .1 Approche mono-date par classification non supervisée .1 Résultats pour le 2016/08/04/ .2 Résultats pour le 2016/12/02 .3 Comparaison des méthodes de Kmeans et CAH .2 Approche mono-date par classification supervisée .3 Approche multi-date non ordonnées par classification supervisée .4 Approche multi-date semi ordonnées par classification supervisée .5 Approche multi-dates ordonnées par classification supervisée .6 Comparaison entre l’approche multi-date non-ordonnée et l’approche mono-date 56 4.
59 5 Conclusion Générale et Perspectives 60 ii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des figures 1.1 Processus d’acquisition d’une image satellitaire par télédétection [17] .2 Exemple de signatures spectrales de quelques objets .1 Localisation du bassin versant de kamech .2 Exemple de suivi des états de surface sur Kamech (Z. Jenhaoui, IRD Tunis) .3 Parcellaire de Kamech .4 Distribution des classes de la végétation verte. En abscisse 1 : Vgtv_0%, 2 :Vgtv_0- 5%, 3 :Vgtv_5-25%, 4 :Vgtv_25-50%, 5 :Vgtv_50-75%, 6 :Vgtv_75-100% .5 Distribution des classes de la végétation sèche. En abscisse 1 : Tvgts_5-25%, 2 :Tvgts_25-50%, 3 :Tvgts_50-75%, 4 :Tvgts_75-100% .6 Distribution des classes travail du sol.
En abscisse 1 :TR, 2 :TA, 3 :NT .7 Distribution des classes de la rugosité. En abscisse 1 :RT0, 2 :RT2, 3 :RT5 .8 Distribution des classes de faciès. En abscisse 1 :F0, 2 :F0/F1, 3 :F1, 4 :F1/F2, 5 :F2, 6 :Saturée .9 Exemple des données Sentinel-2, avec band1 = B2, band2 = B3, band3 = B4, band4 = B5, band5 = B6, band6 = B7, band7 = B8, band8 = B8a, band9 = B11, band10 = B12 de la figure 2.10 Caractéristiques de l’instrument multi-spectral (MSI) à bord de Sentinel-2 [11] .11 Image Sentinel du 2016-08-04 avec le parcellaire de Kamech .1 Exemple du choix du nombre de cluster par la méthode Elbow (source : Wikipedia) 20 3.2 Exemple du fonctionnement de l’algorithme du random forest .3 Exemple d’un hyper-plan avec la maximisation de la distance .4 Processus de la validation croisée .5 Partitionnement relatifs à l’approche mono-date et multi-date non-ordonnée .6 Partitionnement relatifs à l’approche multi-date semi-ordonnée et multi-date or- donnée .1 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clusters .3 Classification par Kmeans (image du 4 août 2016) .4 Classification par CAH (image du 4 août 2016) .5 Evolution de l’inertie et l’indice de Calinski en fonction du nombre du clusters. 37 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.9 Comparaison des résultats de l’indice de rand entre la classification hiérarchique et kmeans .10 Précision du RF et SVM sur les données test avec l’approche mono-date à l’échelle pixellaire .11 Classement des bandes spectrales basées sur la mesure d’importance MDA (Mean Decrease in Accuracy) obtenue à partir du modèle Forest Forest (RF) .12 Spatialisation de la végétation verte sur les données du 2016-12-02 à l’échelle pixellaire avec le RF .13 Matrice de confusion de la VgtV des données du 2016-12-02 avec le RF .14 Précision du RF et SVM avec l’approche mono-date à l’échelle parcellaire .15 Spatialisation de la végétation verte sur les données du 2016-12-02 à l’échelle parcellaire avec RF .16 Matrice de confusion de la VgtV à l’échelle parcellaire avec RF .17 Précision du RF et SVM avec l’approche multi-date non-ordonnée à l’échelle pixel- laire .18 Spatialisation de la végétation verte sur les données du 2016-12-02 avec l’approche multi-date non-ordonnée à l’échelle pixellaire avec RF .19 Matrice de confusion de la VgtV des données du 2016-12-02 avec l’approche non- ordonnée à l’echelle pixellaire avec RF .20 Précision du RF et du SVM avec l’approche multi-date non-ordonnée à l’échelle parcellaire .21 Spatialisation de la végétation sèche avec l’approche multi-date non-ordonnée à échelle parcellaire, avec RF .22 Matrice de confusion de la végétation sèche des données du 2016-09-01 avec l’ap- proche multi-date non-ordonnée à l’échelle parcellaire .23 Résultats de la rugosité sur les modèles calibrés avec les données du 2016-11-03, 2016-11-22 et 2016-12-02 .24 Résultats de la rugosité sur le modèle calibré avec les données du 2016-12-02 .25 Matrice de confusion du modèle de la rugosité calibré sur les données du 2016- 11-22 et testé sur les données du 2016-12-02 .26 Spatialisation de la rugosité avec l’approche multi-date semi-ordonnée à échelle pixellaire .27 Matrice de confusion de la période (t4 , t5 ) .28 Spatialisation des changements de végétation verte avec l’approche multi-date ordonnée à échelle pixellaire avec le RF .29 Comparaison entre l’approche non-ordonnée et mono-date sur les résultats de la classification pixellaire de la végétation verte.
56 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.30 Comparaison entre l’approche non-ordonnée et mono-date sur les résultats de la classification en fonction de la classe majoritaire dans la parcelle de la végétation verte .31 Carte de différence de l’approche non-ordonnée et mono-date de la classification parcellaire de la végétation verte du 2016-12-02 .32 Étude de la caractérisation des parcelles par la superficie. 58 1 Précision du RF sur les données test avec les spectres et les indices. 66 2 Précision du RF sur les données test avec les spectres entier. 66 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des tableaux 1.1 Typologie des caractéristiques observables expliquant l’infiltrabilité [1] .2 Acteurs du projet .1 Statistiques de la superficie des parcelles suivies (en m2 ) .2 Dates d’observations des états de surface .3 Dimensions des données Sentinel-2 utilisées .1 Exemple matrice de confusion .1 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche pixellaire .2 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche parcellaire .3 Précision de la méthode du RF et de SVM sur la végétation verte avec l’approche non-ordonnée .4 Précision de la méthode de Random Forest et de SVM sur la végétation verte date, avec t1 = 2016-08-04, t2 = 2016-10-03, t3 = 2016-11-02, t4 = 2016-11-21, t5 = 2016-12-02.
54 1 Précision de la méthode de Random Forest et de SVM sur la végétation verte date 65 2 Précision de la méthode de Random Forest et de SVM sur la végétation sèche par date. 65 3 Précision de la méthode de Random Forest et de SVM sur le travail du sol date. 65 4 Précision de la méthode de Random Forest et de SVM sur la rugosité date. 66 5 Précision de la méthode de Random Forest et de SVM sur le faciès date.
66 vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciement Par ce document, je voudrais très sincèrement remercier mes deux encadrants Madame GO- MEZ Cécile et Monsieur Jean-Stéphane BAILLY. En effet, malgré leur emploi du temps très chargé, ils ont su se montrer disponible pour m’accompagner tout au long de ce stage. En outre, je leur suis très reconnaissant pour m’avoir fait participer dans un projet d’envergure à savoir le projet A-MUSE qui porte sur la surveillance de de caractéristiques observables de la surface du sol en lien avec l’infiltrabilité. Je voudrais également remercier les membres du projet pour leurs interventions pertinentes et leurs orientations pointues durant les présentations de ce travail.
Je voudrais également remercier Monsieur Denis FEURER, pour les corrections apportées dans ce mémoire et ses orientations. Je remercie Monsieur Jérôme MOLENAT, Directeur du LISAH pour m’avoir accueilli dans sa structure. Je remercie également les agents du laboratoire avec qui j’ai collaboré durant ce stage. Mes remerciements vont également à l’endroit de notre très cher institut de formation, l’Ins- titut de la Francophonie pour l’Innovation (IFI).
Je remercie tout particulièrement le corps enseignant pour la qualité de la formation reçue et le personnel administratif pour la chaleu- reuse collaboration. Je remercie également l’Agence Universitaire de la Francophonie (AUF), pour nous avoir donné l’opportunité de poursuivre nos études de Master à l’IFI à travers une bourse. Enfin, je dis merci à tous ceux ou toutes celles qui m’ont assisté durant ce travail. vii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Résumé Face à la croissance de la population au cours des dernières décennies et, par conséquent, l’expansion et l’intensification de l’utilisation des zones agricoles pour répondre à la demande alimentaire, il est nécessaire de surveiller l’utilisation et la couverture du sol pour la gestion environnementale de ces zones.
Ainsi avec l’avènement de la suivie et de la caractérisation de la surface d’un sol, la télédé- tection s’avère être un outil intéressant dans la suivie et la cartographie des états de surface d’un sol en lien avec l’infiltrabilité comme l’ont montré des nombreux travaux (e.g : Corbane et al., 2008 ; Quiquerez et al. La mise en service récente de la constellation des satellite Sentinel-2 apporte de nouvelles perspectives avec une résolution spectrale et temporelle élevée. L’objectif de ce travail est de cartographier les caractéristiques observables (variables) de la surface du sol, plus précisément déterminer le pourcentage d’occupation de ces variables dans une parcelle afin de déterminer le niveau d’infiltrabilité en eau de cette parcelle. Pour ce faire nous avons proposé quatre approches basées sur des algorithmes d’apprentissage supervisé et non supervisé.
Ces approches ont été traitée à l’échelle pixellaire et parcellaire. Les résultats obtenus sont prometteurs en ce sens que nous avons obtenu des bons taux de précision.