MINI PROJET

SUJET :

Extraction spatio-temporelle de la température de surface à

partir des imageries satellitaires sur la ville de Marrakech

Réalisé par : Dassi Fengaing Alain Théophile Encadré par :

Mamane Bako Rachida Pr. HAKDAOUI Mustapha
Zineelabidine Imane

Année Universitaire : 2022 / 2023

 INTRODUCTION
La température de surface terrestre (Land Surface Température) est définie comme la
température de l’interface entre la surface de la terre et de l’atmosphère. Selon Kerr la
connaissance de la LST fournit des informations sur les variations temporelles et spatiales de
l’état de l’équilibre de la surface.
Au cours des dernières décennies, beaucoup d’efforts ont été consacrés à l’extraction de la
température de surface à partir des données de télédétection.
La demande extensive de la température de surface pour les études environnementales et les
activités de gestion de ressources terrestres a fait de la télédétection de la température de
surface un sujet académique important durant les deux dernières décennies (Qin Karnieli,
1999). Ainsi l’information de la température de surface joue un rôle fondamental pour de
nombreuses applications : climatiques, hydrogéologiques, écologiques, agricoles et
biogéochimiques. Par exemple la LST permet de déduire l’évolution du climat due aux
activités humaines ; elle contribue à la surveillance de la végétation ainsi qu’à la gestion des
risques comme la famine, la désertification etc…
Grâce aux satellites, on peut estimer également la température de surface. Dans le domaine de
la télédétection satellitaire, la détermination de la LST à partir de l’infrarouge thermique
faisait déjà l’objet de beaucoup de recherche dès les années 70. Les satellites ne mesurent pas
directement la température. Ils sont par contre équipés de capteurs sensibles à la luminance de
l’atmosphère, de la surface de la terre et de la mer dans le domaine des infrarouges. Les
bandes utilisées se trouvent dans la gamme des ondes Infrarouges Thermiques (10.5 à
12.5µm).
De nombreux auteurs ont étudié et proposés des algorithmes spécifiques pour l’extraction de
la LST à partir des images satellitaires ; (Sobrino et al.,1996) ont développé un algorithme de
split-window adapté au capteur ATSR cet algorithme combine la température de brillance des
bandes 10 et 11 avec l’émissivité et (Jimenez-Munoz et al.,) ont trouvé utile de s’intéresser à
une seule bande thermique en développant un algorithme Single Channel pour cette extraction
à partir des données Landsat TM6. Le logiciel utilisé dans ce présent est ArcGIS.
Dans ce projet il sera question d’estimer la LST d’une région du Maroc à savoir Marrakech.
 ZONE D’ETUDE

La ville de Marrakech est située

dans le centre-Sud du Maroc à
environ 150 km de la cote de
l’océan Atlantiquue avec une
latitude de 31°30’0’’N et une
longitude de 8°00’ W. Capitale
régionale et centre commercial
et touristique , c’est la plus
grande ville du sud du pays et
Surnommée la ville rouge ocre
avec un climat subtropical
semi- aride avec des hivers
doux et humides et des étés
chauds et secs. Les
températures moyennes sont de
26°C et celles des précipitations
s’éleve à 240mm.

DONNEES UTILISEES
Les images satellitaires sont la source importante des données pour obtenir des informations
de la surfaces de la terrestre sans contact direct avec celle-ci.
Afin d’extraire la variation spatio-temporelle de la température de surface de trois images
Landsat différentes , allant de 1990 à 2022 avec un intervalle de 10ans , ont été utilisées qui
sont Lndsat(TM , OLI/TIRS) et qui ont été teléchargées à partir de la NASA (USGS) et
pendant les années de 1990 , 2010 et 2022. La résolution spatiale de différentes bandes
spectrales est de 30m sauf celle des bandes infrarouges thermiques qui sont définies sur des
résolutions spatiales de de 120, 60 et 100 m pour TM et OLI/TIRS respectivement
rééchantillonnées à 30m.
Les tableaux 1 et 2 présentent les caractéristiques spécifiques ( résolution spectrales et
spatiales) de chaque capteur Landsat et la date dacquisition ( tableau3) ; tableau4 réprésente
les valeurs des constantes K1 et K2.

Capteurs Nombre de bandes Résolution /km Date d’acquisition

TM 7 30 m 10 Août 1990
TM 5 30 m 30 Juin 2010
OLI/TIRS 11 30 m 18 Août 2022

Tableau 1 : Représentation générale des données d’images utilisées dans l’étude

 Landsat 5 Longueur d’onde Résolution des bandes
( nanomètres) (mètres)
Bande 1- Blue 450-520 30
Bande 2- vert 520-600 30
Bande 3- Rouge 630-690 30
Bande4Procheinfrarouge 760-900 30
Bande 5- SWIR 1 1550-1750 30
Bande 6- Thermique 10400-12500 120*(30)
Bande7- SWIR 2 2080-2350 30

Tableau 2 : Caractéristiques spécifiques du Capteur Landsat 5 TM

Landsat 8 Longueur d’onde Résolution des bandes

(micromètres) (mètres)
Bande1 – Coastal 430-450 30
aerosol
Bande2- Blue 450-510 30
Bande 3- Vert 530-590 30
Bande4- Rouge 640-670 30

Bande 5- PIR 850-880 30

Bande 6- SWIR 1 1570-1650 30
Bande 7- SWIR 2 2110-2290 30
Bande 8- 500-680 15
Panchromatique
Bande 9 – Cirus 1360-1380 30
Bande 10-Thermique 10600-11190 100
(TIRS)1
Bande 11-Thermique 11500-12510 100
( TIRS)2

Tableau 3 : Caractéristiques spécifiques du Capteur Landsat 8 OLI/TIRS.

Capteur Bandes K1 K2

TM B6 607.76 1260.56
B10 774.89 1321.08
OLI_TIRS
B11 480.89 1201.14
Tableau 4 : Valeurs des constantes thermiques
 Méthodologie
Le tableau ci-dessous représente les étapes à suivre pour calculer la température de surface pour
les images Landsat 5_TM et Landsat 8_OLI_TIRS.

Capteur TM Capteur OLI-TIRS

Bande thermique (B6) Bandes thermiques (B10 et B11)

Bandes optiques (B3 et B4) Bandes optiques (B4 et B5)

Lλ6 Lλ10 et Lλ11

TB6 TB10 et TB11

NDVI NDVI

PV PV

LSE6 LSE10 et LSE11

LST = TB6/1 + ( λ*TB6/p )ln LST = TB10 +C1 (TB10-TB11) +C2 (TB10-TB11) +
LSE6 C0 + (C3 +C 4W) (1- ε) + (C5 +C 6W) Δ ε

Tableau 5 :Estimation de la température de surface

Explication des différentes étapes de calcul de la température de surface que représente le
tableau en utilisant ArcMap_10.8 :

o Pour le capteur Landsat 5_TM

Etape 1 : Extraction des données de Radiance spectrale (𝐋𝛌)
Cette équation permet de convertir le DN de la bande thermique en radiance spectral en utilisant
l'équation 1 suivante :

𝑳𝒎𝒂𝒙 − 𝑳𝒎𝒊𝒏
𝑳𝝀 = ( ) × 𝑩𝒂𝒏𝒅𝒆𝟔 + 𝑳𝒎𝒊𝒏
𝑫𝑵𝒎𝒂𝒙
D’où :
 o 𝐿𝜆 → Radiance Spectrale en watts/ (m2*srad* μm)
o Lmax → Radiance Spectrale maximale de la bande Concernée
o Lmin → Radiance Spectrale minimale de la bande Concernée
o DNmax = Qcalmax – Qcalmin = Différence d'étalonnage maximum et minimum du capteur
Avec :
Paramètre Valeur
Qcalmax_bande6 255
Qcalmin_bande6 1
Lmax_bande6 15.303
Lmin_bande6 1.238

Tableau 6 :Paramètre de calcul de la Radiance

Etape 2 : déduire la température de brillanceTB ; en utilisant l'équation ci-dessous

l’equation2:
Cette étape permet de transformer les luminances obtenues dans l’étape 1 en température
apparente au niveau du capteur
𝑲𝟐
𝑻𝑩 = 𝑲𝟏 − 𝟐𝟕𝟑. 𝟏𝟓 degree
𝑳𝒏(𝟏 + )
𝑳𝝀

D’où :
o TB → Temperature de Brillance
o K1 et K2 → constantes thermiques
o 𝐿𝜆 → Radiance Spectrale

Avec :

Capteur Bande K1 K2
TM B6 607.76 1260.56
OLI_TIRS B10 774.89 1321.08
OLI_TIRS B11 480.89 1201.14

Tableau 7 :Les coefficients K1 et K2 des différents capteurs

Etape 3 : Extraction de l’émissivité à partir de l’indice de Végétation NDVI :

Ramachandra (2012) Elle a indiqué que l'émissivité spectrale selon la nature de la surface est le
plus efficace pour estimer la température de surface des sols.
 𝑷𝒓𝒐𝒄𝒉𝒆 𝒊𝒏𝒇𝒓𝒂𝒓𝒐𝒖𝒈𝒆−𝑹𝒐𝒖𝒈𝒆 D’où : -1 < NDVI < + 1
𝑵𝑫𝑽𝑰 = 𝑷𝒓𝒐𝒄𝒉𝒆 𝒊𝒏𝒇𝒓𝒂𝒓𝒐𝒖𝒈𝒆+𝑹𝒐𝒖𝒈𝒆

𝑵𝑫𝑽𝑰 − 𝑵𝑫𝑽𝑰𝒎𝒊𝒏 𝟐
𝑷𝑽 = ൤ ൨
𝑵𝑫𝑽𝑰𝒎𝒂𝒙 − 𝑵𝑫𝑽𝑰𝒎𝒊𝒏
o Pv → proportion de végétation
𝜺𝒊 = 𝟎. 𝟎𝟎𝟒 ∗ 𝑷𝑽 + 𝟎. 𝟗𝟖𝟔

Méthodologie de calculer LST Landsat 5 (bande 6 thermique)

LL L’émissivité
λ

LST
Land Surface Temperature
Schéma1 : Méthodologie de calculer LST Landsat 5

Etape 6 : La température de surface Capteur TM :

La température de surface LST pour les images LANDSAT 5 TM, se calcule en utilisant la
bande (B6 thermique) et la bande (B3, B4 optiques) pour NDVI, et à l’aide de l’équation qui
permet la correction de la température de brillance en introduisant les propriétés des objets
réels et d'émissivité
 𝑲𝟐
𝑳𝑺𝑻 =
𝑲𝟏
𝑳𝒏[𝜺𝒊 ∗ + 𝟏]
𝑳𝝀
Avec :
o K1, K2 = constantes d'étalonnage (voir le tableau 3)
o Lλ = Radiance spectrale
o εi = émissivité
Méthodologie d’Extraction de LST pour le capteur OLI et TIRS :

Landsat8

Bandes 10_11 Bandes 4_5

Lλ 10 Lλ 11 NDVI

PV

TB 10 TB 11 LSE 10 LSE 11

Mean LSE Δε

LST

Schéma2 : Extraction de LST pour le capteur OLI et TIRS

 Etapes 1 : Estimation de la Radiance OLI_TIRS :

𝑳𝝀 = 𝑴𝑳 ∗ 𝑸𝒄𝒂𝒍 + 𝑨𝑳
Avec:
o Lλ : la radiance spectrale en watts/ (m2*srad*μm)
o ML : Band specific multiplicative rescaling factor from
metadata (radiance_mult_band_10/11)
o Qcal: is digital number(DN)
o AL : is band specific additive rescaling factor from metadata

Etape 2 : Calcul de l’émissivité :

Valor and Caselles ont utilisé le NDVI pour calculer LSE et l’appliquée à la suite aux pixels
mixtes Complexe pour obtenir de résultats satisfaisants.

PV

εi =εv.Pv+εs (1-Pv)+dε

LSE 10 LSE 11

Schéma 3 : Calcul de Proportion de Végétation

Avec :

Bande εs εv
10 0.971 0.987
11 0.977 0.989
Tableau 8 :Valeurs d’Emissivité

Etape 3 : Combinaison de LSE de la Bande 10 et LSE de la Bande

11 :
o La moyenne : 𝑚 = 𝑳𝑺𝑬𝟏𝟎+𝑳𝑺𝑬𝟏𝟏/2
o La différence : ∆𝑚 = 𝐿𝑆𝐸10 − 𝐿𝑆𝐸11
Etape 4 : La température de surface Capteur OLI_TIRS
Pour calculer la température de surface des données LANDSAT 8 OLI_TIRS on utilise
l’équation suivante :
𝐿𝑆𝑇 = TB10 + C1 (TB10 − TB11) + C2 (TB10 − TB11) + C0 + (C3 + C 4W) (1 − mε) + (C5
+ C 6W) Δ ε

D’où :
o TB10 et TB11 →La température de brillance des bandes 10 et 11
o C0-C9 →Valeurs des coefficients Split-Window. (Tableau 3)
o mε →Moyenne LES
o Δε →Différence de LSE
o W →Contenue atmosphérique en vapeur d’eau (en g.cm-2) = 0.013
Avec :

Constante Valeur
C0 -0.268
C1 1.378
C2 0.183
C3 54.300
C4 -2.238
C5 -129.200
C6 16.400
Tableau 9 :Valeurs des coefficients spli-window
 Résultats
La température de brillance est calculée pour les bandes thermiques d’où Les résultats obtenus
représentent la température mesurée par le capteur

La figure ci-dessous représente les valeurs du NDVI pour Landsat 5_TM 1990 et 2010 et Landsat 8
OLI_TIRS 2022.

Après on calcule la proportion de végétation (Pv), pour calculer l’émissivité de la surface terrestre que
représente la figure ci-dessous. Concernant l’émissivité de surface en 1990 et 2010_TM, elle a été calculée
par l’équation suivante : Ԑ𝑻𝑴𝟔 = 𝟎. 𝟎𝟎𝟒 × 𝑷𝒗 + 𝟎. 𝟗𝟖6

les valeurs de Ԑ sont entre 0,95 et 1.

La température de surface est mesurée en Celsius. On remarque dans la figure ci-dessus (fig.4),
une augmentation de LST en 2022 avec une moyenne de 46,56 alors qu’en 2010 est de 36,14
et en 1990 avec une moyenne de 30,18.
Tableau 10 : Températures min, max,et moyenne des TB et LST

RESULTAT LST APRES RECLASSIFICATION

 TM_1990 TM_2010 OLI_2022
[16,71-23.95] [24,66-30,97] [31,60-41,45]
[23,95-26,99] [30,97-33,82] [41,45-44,63]
[26,99-29,54] [33,82-35,99] [44,63-46,96]
[29,54-31,60] [35,99-37,69] [46,96-49,29]
[21,60-37,68] [37,00-41,96] [49,29-58,61]
Tableau 11 : classes des températures

DISCUSSION
Dans cette partie, nous allons discuter en interprétant les différents résultats obtenus au cours de
notre travail.

Globalement, en observant les valeurs de la figure ou bien les valeurs du tableau on constate qu’il y
a une augmentation importante de la température de surface quittant de 1990 jusqu’à 2022 ; c’est-à-
dire pour les valeurs minimales de 16,7188 °C en 1990, 24,6613 °C en 2010 et 31,6024 °C en 2022.
Les valeurs maximales de 37,688 °C en 1990, 41,959 °C en 2010 et 58,6137 °C en 2022. Tous ces
différents changements de températures son dus à quelques facteurs que nous allons décrire dans les
lignes suivantes en utilisant les valeurs de températures par classe.

Les températures de surfaces de la zone urbaine de la ville de Marrakech en 1990 varient avec des
classes allant de 16,7188 °C jusqu’à 37,688 °C. Les températures les plus élevés correspondent aux
zones montagneuses désertiques et aussi aux zones ayant une forte densité de bâti qui correspondent
aux zones touchées pars les îlots de chaleurs. Les basses températures correspondent aux espaces
verts et à la présence d’eau ou d’humidité.

Les zones représentées par les classes rouges et gris correspondent aux zone montagneuses et
urbaines respectivement avec des valeurs de températures élevées tandis que les classes du vert et
bleu ayants de basses températures correspondent aux espaces verts et zones humides.

Pour l’année d’études 2010, on observe une augmentation des basses et hautes températures
comparé à l’année 1990. Ceci est dû à l’assèchement des de la végétation et augmentation des bâtis
en 2010 qui est causé par des condition climatique sèches durant l’été.
 Finalement, en 2022, on observe une augmentation drastique de températures de surfaces comparé
aux deux années d’études précédentes. Ceci est dû à l’augmentation et concentration des zones
bâtis, les conditions climatiques très sèches durant l’année.

CONCLUSION

La détermination des températures de surfaces est très importante dans le suivi ou l’évolution du
climat dans une zone donnée. Pour cela nous avons utilisé les données d’imageries satellitaire
Landsat issue du capteurs TM pour les années 1990 et 2010 et OLI et TIRS pour l’année 2022.

Les résultats des températures de surfaces obtenues, montrent clairement une évolution
d’augmentation quittant de 1990 à 2022, ceci nous a permis de déterminer les ilots de chaleurs
influencé par la concentration des zones urbaines.

REFERENCES BIBLIOGRAPHIQUES

Abdelouhed Farah, Ahmed Algouti, Abdelalah Algouti, Mohammed Ifkine, Abdellatif Rafik,
Remote sensing for spatio-temporal Mapping of Landsurface temperature and surface Energy
Fluxes in the Bouregreg-Chaouia region of Morocco.

Aicha Benmacheta, Estimation de la temperature de surface à partir de l’imagerie satellitale ;

validation sur une zone côtière d’Algérie.

https://boowiki.info/art/marrakech-2/marrakech-4.html