Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Lassieur Stéphanie

Rapport de stage Master 2éme année SIG et Gestion de l’Espace

Université Jean Monnet

UTILISATION DE LA TELEDETECTION ET DES

THECNIQUES SIG POUR DETECTER ET PREVENIR LES
ACTIVITES DE DEFORESTATION ILLEGALES

NATO NC3 Agency (La Haye, Pays-Bas)

Mars-Septembre 2006

Dirigé par Florian Sayda (NC3A)

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 2
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -2-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

TABLE DES MATIERES

Résumé : .................................................................................................. - 4 -
Remerciements ......................................................................................... - 5 -
Introduction ............................................................................................. - 6 -
Présentation de la structure d'accueil ...................................................................- 6 -
Le stage : ................................................................................................................- 6 -
Thème et problème du stage: ........................................................................................... - 6 -
Approche: ....................................................................................................................... - 7 -
Précédentes études sur la forêt Bosniaque:...........................................................- 8 -
Recherches et études préalables .............................................................. - 10 -
Littérature, état de l’art : classification des données de télédétection appliquée à la
gestion des forêts .............................................................................................................- 11 -
Vue d’ensemble des données satellitaires: ..................................................................... - 11 -
Signatures spectrales:.................................................................................................... - 12 -
Préparation des données: ............................................................................................... - 15 -
Techniques de classification, vue d’ensemble: ....................................................- 17 -
Classifications basées sur le pixel: ................................................................................ - 17 -
Classification orientée objet:......................................................................................... - 19 -
Résultats: .............................................................................................................- 23 -
Conclusion et recommandations: ........................................................................................34
Création de la méthodologie ........................................................................35
Étape 1: classification .............................................................................................. 36
Stage de terrain :................................................................................................................36
Segmentation et rule set : ...................................................................................................38
Etape 2: Analyse ...................................................................................................... 43
Préparation des données : ...................................................................................................43
Resultats :..........................................................................................................................44
Conclusions et recommandations .................................................................45
Apport Personnel du stage ...........................................................................46
Bibliographie...............................................................................................47
Index des figures tables et images ................................................................49
Annexes.......................................................................................................50

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -3-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

RESUME :

Ce stage effectué au sein du NC3A a pour but de développer une méthodologie

susceptible d’aider EUFOR à la prévention des activités de déforestation illégales sur le
territoire de la Bosnie-Herzégovine à l’aide d’images satellites. La première partie du stage
consistait à effectuer des tests de différentes méthodes de classification, pour déterminer
laquelle permet de mettre en évidence les actuelles zones déboisées. Les méthodes de
classification de non-supervisée de type ISODATA, supervisée de type maximum de
vraisemblance, et orientée objets (à l’aide du logiciel Ecognition) ont été testées. La
classification orientée objet a été retenue, pour la seconde partie qui consistait à déterminer
quels critères sont susceptibles de rendre une zone attractive à la déforestation illégale. Des
critères de pentes et de distance à la route ont ainsi été mis en évidence.

MOTS CLEFS : Télédétection Classification Traitement d’image Ecognition

Déforestation

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -4-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

REMERCIEMENTS

Je souhaiterais tout d’abord remercier M John Teufert, geo-officer responsable de la

geoteam du NC3A pour m’avoir confié de projet d’un très grand intérêt ; M Florian Sayda
(NC3A), mon tuteur durant ce stage pour sa confiance et ses précieux conseils ; les membres
du quartier général de EUFOR au camp de Butmir, qui m’ont fourni de précieuses
informations collatérales, et mon assisté dans ma mission de terrain à Visegrad.

Egalement, je dois dire qu’après avoir interrompu mes études pendant 3 ans, j’ai
apprécié d’avoir pu faire partie de la promotion 2006 de ce master, qui m’a beaucoup apporté,
tant professionnellement que personnellement. Merci donc a l’équipe pédagogique du Master
de m’avoir permis de le faire.

Enfin, je remercie mon compagnon pour son aide et son soutien de tous les jours.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -5-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

INTRODUCTION
Présentation de la structure d'accueil
Ce stage a lieu au sein de la « Geo team » du NC3A (North Atlantic Treaty
Organisation, Command Control Consultancy Agency) située à La Haye au Pays Bas. (
[Link] Le stage a été supervisé par M Florian Sayda.

Les activités de l'agence:

Le NC3A est une agence de l'OTAN qui compte plus de 500 employés, civils et
militaires, citoyens des pays membres de l'OTAN. Le but de cette agence est de fournir une
expertise dans le domaine de la Consultation, Commande et Control.
La Geo-Team est chargée de fournir aux états major des théâtres d'action (Kosovo,
Bosnie, Afghanistan...), ainsi qu'aux pays membres de l'OTAN un support concernant tous les
domaines qui touchent à la géomatique.
Ainsi, les activités la Geo-Team sont:
-Production et maintenance de données SIG: Production et maintenance de BD SIG,
gestion de projet SIG, mise en place de procédures et de standards.
-Formation en SIG
-SIG en réseaux: développement de client/serveur et Internet architecture
-Veille technologique: FAS SIG, données SIG a l'échelle globale, participation à des
conférences internationales
-Standardisations: Monitoring des standards internationaux comme OGC, ISO...

Le personnel:
La Geo-Team comprend 6 membres permanents et une équipe de 7 Consultants expert
SIG. Cette équipe est dirigée par un Geo-Officer (Mr John Teufert)

Le stage :
Thème et problème du stage:
Environ 40 %, soit environ 2, 185,00 hectares de la Bosnie étant recouvert de forêt les
activités commerciales liées a la forêt forme une partie importante de l’économie locale.
Récemment, des activités de déforestation illégales ont augmentées, réduisant ainsi la taille de
la forêt. Les impacts de ces activités sont à la fois économiques et environnementaux. Par
exemple, l’érosion des sols constitue un des problèmes majeur de cette déforestation. De
même, la forêt servant d’abri a de nombreuses espèces, la biodiversité de la région se trouve
menacée.
Afin de mettre en place des mesures de prévention efficaces, il est essentiel de cerner
l’étendue de ces activités. Par conséquent, la présente étude porte sur l’évaluation de
différentes méthodes permettant de mettre en évidence ces phénomènes à partir de différentes
séquences chronologiques. Une fois ces résultats disponibles un modèle et des paramètres
permettant d’identifier les zones particulièrement en danger de déforestation illégale.

Objectifs:
Le but de cette étude, réalisée à, l’agence NC3A, est d’aider EUFOR (European Union
Force in Bosnia Herzegovina) à la prévention de ces activités illégales de déforestation.
L’objectif de ce projet est de dériver une méthode qui automatise, le mieux possible, les
capacités d’utilisation des images satellitaires pour l’identification des zones de déforestation
illégales, et la prédiction des zones susceptibles d’être déboisées dans le futur.

Questions:
Quelle est la meilleure méthode pour réaliser une classification précise de la forêt
Bosniaque qui permet de mettre en évidence les zones déboisées?
Quelles sont les facteurs qui rendent une zone susceptible d’être déboisée?

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -6-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Approche:
Considérant la taille de la zone à examiner dans cette étude, des images satellites seront
utilisées.
La première étape, basée sur une zone de test, est de localiser les endroits déjà déboisées
sur une image afin de déterminer l’état de la forêt au moment de la prise de vue.
La seconde étape est d’identifier les facteurs qui rendent une zone boisée attractive, et de
les utiliser pour prédire des zones en danger.
La précisons de la méthode sera mesurée par une étude de terrain, ainsi que
l’application de cette méthode sur une autre zone.

Vue d’ensemble :

La méthode de recherche
Images utilisée pour cette étude est basée
satellites sur les deux étapes suivantes (cf.
Figure 1)
Premièrement, l’état
Etape1

actuel de la couverture boisée est

Classification
déterminé à différentes dates
(classification).
Deuxièmement, une
Zones déboisées méthode de prédiction des
prochaines zones susceptibles
d’être déboisées illégalement, est
Couches SIG élaborée ainsi que la précision la
MNT
méthode mesurée.
Analyse Cette méthode est basée
sur des images satellites
Entrée data multispectrales de hautes et
Etape2

moyenne résolution de manière a

Processus identifier, automatiquement la
Paramètres de Sortie data forêt et les zones déboisées, a
prediction l’aide de leur signature spectrale.
Un stage de terrain est
Figure 1: Approche de recherche organise pour permettre
l’acquisition des données
appropriées a la validation de la
méthode.
Une fois l’état actuel de la forêt déterminé, les zones en danger de déforestation, sont
déterminées sur la base de paramètres extraits des zones déjà déboisées. Pour cela, des
facteurs tel que la pente, l’accès a la route, ou encore le type d’arbre peuvent donner de bonne
indications pour permettre de déterminer les futurs zones en danger.

Etape 1: Situation actuelle de la forêt

Basé sur des images multi-spectrales hautes résolution, le principe est d’identifier les
zones déboisées situées dans la zone de test. Les types d’arbres peuvent aussi être distingués
afin de donner plus d’indications. Une fois ces zones visuellement identifiées, les signatures
spectrales de ces types d’arbres peuvent être extraites.
Ensuite, toutes zones ayant une signature spectrales similaires peuvent être
automatiquement extraites de l’image. La précision de la classification peut être validée par
des mesures prises sur le terrain dans la zone de test.
Les changements de l’état de la forêt peuvent être détectés en appliquant cette
méthodologie sur des images de dates différentes. Ceci peut donner un modèle spatial du
déboisement et de son évolution temporel. Le but de cette première partie du projet est de
décrire l’etat actuel de la forêt, ainsi que de fournir des explications à ce modèle.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -7-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Comme les zones de déboisement ne sont pas situées de manière hasardeuse, des
facteurs influents, tels la pente, ou la distance à une voie d’accès, peuvent aider à comprendre
où se situeront les futures zones déboisées.

Etape 2: Prédiction des zones en danger

En connaissant la situation actuelle, le but de cette seconde étape est d’essayer de
déterminer les futures zones de déboisement. Par conséquent, différents facteurs peuvent être
examinés. Par exemple :
En utilisant en Modèle Numérique de Terrain (MNT) il est possible d’identifier dans
quelle fourchette de pente des zones déboisées sont situées.
L’utilisation une couche SIG route, peut déterminer une distance maximum à une voie
d’accès nécessaire au transport du bois.
En outré, le type de bois peut donner une bonne indication de la valeur marchande de
la forêt.
La distance aux zones habitées, peut aussi avoir une influence sur le modèle…
Ensuite, connaissant ces paramètres, ils seront alors intégrés dans un modèle qui
permet de déterminer quelles sont les zones en danger.

Evaluation du modèle:
Plus tard la méthode sera appliquée sur des images d’archive, et les résultats comparés
avec des images récentes pour permettre de déterminer la précision du modèle ainsi
développé. Si les résultats ne sont pas concluants, les paramètres seront ajustés afin
d’améliorer la précision.

Précédentes études sur la forêt Bosniaque:

Pendant les années 90 la guerre en Bosnie a laissé des cicatrices indélébiles tant dans
la société que dans l’économie, mais aussi au niveau environnemental. Par exemple la forêt a
souffert de nombreux incendies. Egalement, selon le rapport Environment in Bosnia and
Herzegovina 2002 les mines qui ont été disséminées sur le territoire de Bosnie, pendant et
après la guerre pour empêcher le retour des réfugiés, sont toujours un frein au développement
des activités agricoles et forestières. La présence de ces mines ne permet pas la mise en place
d’une politique efficace de management des ressources. Car même si des services de
déminages sont très actifs, il faut savoir qu’un terrain déminé ne l’est jamais qu’à 95%, donc
le risque demeure.
Aujourd’hui, dans un tel contexte d’après-guerre, les institutions chargées des
questions environnementales peinent à s’organiser efficacement. Ainsi, la plupart des
statistiques disponibles sont incomplets ou approximés. Néanmoins EUFOR, a déjà
commandé plusieurs études réalisées par l’EUSC (European Union Satellite Center) en 2005
et 2006 :

Cartographie des zones déboisées à l’Est de Sarajevo:

La première étude a été réalisée en Novembre 2005. La méthodologie utilisée est
basée sur une interprétation visuelle. Deux scènes orthorectifiées SPOT XS (10 m de
résolution) de Juin 2003 et Juin 2005, fusionnée avec un canal panchromatique (5m de
résolution) ont été comparées visuellement. Les zones déboisées ainsi identifiées ont été
digitalisées.
Cette méthodologie donne une bonne précision de l’étendue spatiale des zones
déboisées. Cependant, quelques critiques peuvent-être faites :
D’abord, cette méthodologie pourrait être appliquée à d’autres zones mais considérant
la taille de la Bosnie, cette technique manuelle nécessite beaucoup de main d’œuvre et de
temps.
D’autre part, cette méthode, très statique, ne donne que l’état de la forêt à un temps
donné, et sur une zone particulière. Seule l’étendue des zones déboisées peut être surveillée.
Ainsi, les résultats ne permettent pas d’aider efficacement les autorités locales à endiguer le
phénomène.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -8-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Couverture forestière de la Bosnie:

La seconde étude, réalisée en février 2006, est une cartographie de la couverture
forestière ainsi que des différentes essences. Pour cela, une classification supervisée d’une
mosaïque de 5 scènes Landsat5 a été réalisée. Des échantillons de terrain, ont été identifiés
par interprétation visuelle. Les signatures spectrales de ces échantillons ont ensuite servi de
base à la classification des pixels suivant un classifieur de type Maximum likelihood.
Les résultats de cette classification ont été vectorisés et intégrés dans un projet Arc
GIS.
Les catégories extraites sont les suivantes : conifère, mixte, feuillu, Illyrian, maquis
méditerranéen, broussailles, zones brulée.
Les résultats de cette classification ne sont ni très fiables, ni très précis, et ce pour
plusieurs raisons :
-la résolution spatiale des images Landsat 5 n’est que de 30 m
-Les échantillons de terrain ont été extraits sur une seule image et utilisée sur la
mosaïque complète. Même si les images ont toutes été acquises en été, la réponse spectrale
des différents couverts végétaux peut varier. Par exemple, les conditions atmosphériques, ou
d’illumination (due à la pente, ou à l’ensoleillement), et les variations d’humidité peuvent
aussi conduire à des différences significatives.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 -9-
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

RECHERCHES ET ETUDES PREALABLES

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 10 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Littérature, état de l’art : classification des données de télédétection

appliquée à la gestion des forêts
L’usage de données de télédétection pour la gestion des forêts remonte aux années 70
avec le lancement des premiers satellites de la famille Landsat. Depuis lors, avec le lancement
de plusieurs autres familles de satellites comme SPOT, Terra, Quick-Bird ou encore Ikonos,
un large panel de techniques ont été développé et utilisé régulièrement par les professionnels.
Pour chaque projet de ce genre, il est nécessaire de choisir, la combinaison entre type de
données et techniques de classification. Dans ce chapitre seront présentés, dans une première
partie, les différents types d’images satellites qui peuvent être utilisés, les données qui
peuvent être dérivés de ces images (comme les indexes, par exemple), ainsi les nécessaires
traitements qui doivent être appliqués. Dans une seconde partie seront présentées les
principales techniques de classification qui sont par pixels (non-supervisée/supervisée), et
orientée objet réalisée avec le logiciel Ecognition utilisant un algorithme de segmentation.

Vue d’ensemble des données satellitaires:

La première étape d’un projet utilisant des données de télédétection est de choisir le
capteur qui convient le mieux à l’étude. Ce choix doit répondre à plusieurs
conditions (Wulder 2003):
-Dans le cas d’une analyse multi temporelle, la période de « revisite », la disponibilité
des données d’archive et la continuité du programme doivent être considérées.
-L’emprise (le « swath ») de chaque scène individuelle doit également correspondre à
l’échelle de la zone à étudier. En effet, il est plus facile d’analyser une scène unique qu’une
mosaïque de scènes.
-La résolution et les propriétés spectrales doivent permettre d’identifier le phénomène.
Tous ces paramètres doivent être combinés de façon à obtenir le meilleur compromis.
De plus, le cout des images joue un rôle important dans la décision finale.
La plus part des capteurs disponibles aujourd’hui ont la capacité d’acquérir des images
dans différents modes spectraux.
Le mode panchromatique a une longueur d’onde comprise entre 0,4 et 0,7 µm. Ceci
correspond au spectre de la lumière visible. Les images panchromatiques, dites « noires et
blanches », ont habituellement une meilleure résolution que celles multi-spectrales dites
« couleurs ». Néanmoins, il a été démontré (Kosaka 2005) que la fusion de la bande
panchromatique avec les bandes couleurs peut améliorer de manière significative la précision
des résultats.
Afin de choisir le capteur le plus adéquate, les caractéristiques des satellites les plus
couramment utilisés ont été résumées dans le tableau suivant :
Satellite Launch Average Resolution Average
or sensor name date revisit period swath in
Pan VNIR SWIR km

Medium Aster (Terra) 12/15/99 16 days None 15 m 30 m 60

resolution
Landsat 7 04/15/99 16 days 15 m 30 m 30 m 185

Spot 5 05/04/02 26 days 10 m up to 10 up None 120

(variable) 2.5 to 2.5

High Quick Bird II 10/18/01 1 to 3.5 days 0.6 m 2.5 m None 16

resolution
Ikonos II 09/24/99 3 days 1m 4m None 11.3

LISS (IRS) 10/17/03 24 days 6m Up to None 24 to 140

6m

Orbview 3 06/26/03 1.5 1m 4m None 8

Table 1: sensor comparison

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 11 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Signatures spectrales:
Chaque matériel présent sur terre absorbe, transmet ou reflète une certaine quantité de
radiations solaires. Cette quantité varie suivant la longueur d’onde. Cette importante propriété
rend possible l’identification de différentes substances ou classes. Il est alors possible de les
dissocier suivant les signatures spectrales, comme le montre les figures suivantes :

Figure 2 : Signatutes spectral de l’eau, du sol, et de la vegataion

Source: Nasa, remote sensing tutorial

Figure 3: Spectral signatures of vegetation and water

Source: Nasa, Remote sensing tutorial

Par exemple: A différentes longueurs d’ondes la végétation reflète plus que l’eau qui a
tendance à absorber les radiations. Ceci permet de distinguer la plupart des matériaux présents
sur terre. Néanmoins, les types de végétation sont plus difficiles à séparer. Comme montre la
figure suivante, les signatures spectrales des différents types de végétation sont très
similaires.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 12 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Figure 4: Signature spcetrale des principaux type de

Source: Nasa, Remote sensing tutorial

Figure 5: Réflectance typic du spectre de la végétation

Les flèches rouges indiquent les longueurs d’ondes des bandes communément utilisées
en télédétection optique :
A: bande bleue, B: bande verte; C: bande rouge; D: bande proche Infra rouge; E:
bande Ifra rouge (Source: Nasa, remote sensing tutorial)

Dans cette étude ont été utilisées pour les tests de méthodes de classification, des
images ASTER de niveau 1. La table suivante montre les caractéristiques spectrales de chaque
bande.

Table 2: Aster band characteristics

Source: Aster user book

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 13 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Le tableau suivant présente les caractéristiques spectrales et de résolution du satellite

SPOT 5, utilise pour l’étude (En annexe se trouvent des informations plus détaillées sur ces
images, notaement des informations sur les conditions de prises de vue)

Mode Bande Bande Spectrale Résolution

Multispectral B1 0,50 - 0,59 µm 10 m

B2 0,61 - 0,68 µm 10 m

B3 0,79 - 0,89 µm 10 m

SWIR 1,58 - 1,75 µm 20 m

Monospectral PAN 0,51 - 0,73 µm 5 m ou 2.5 m

Table 3: SPOT 5 caractéristiques

Les caractéristiques spectrales des images choisies doivent permettre de d’identifier
tous les types de végétation dont les signatures sont représentées par les précédents
graphiques.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 14 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Préparation des données: X

p map
Orthorectification:
Afin d’être localisable dans un
système de référence spatial toutes les q Y
images de télédétection ont besoin d’être
géoréférencées. (cf figure 6). Les
fournisseurs d’images proposent
habituellement différents niveaux de Raw Image
rectification. Image
• Le premier niveau est seulement rectifiée
radiométriquement corrigé. Ce
prétraitement consiste à corriger les
différences de sensitivité entre les
capteurs durant l’acquisition.
• Le second niveau est géométriquement
corrigé, mais, sans l’utilisation de
Ground Control Points (GCP). Ce niveau
ne permet pas la comparaison des images
entre-elles. Terrain
• Le troisième niveau est orthorectifié. Ce
niveau de rectification utilise un MNT, Figure 6: principle de l’orthorectification
ainsi que des GCP provenant d’une
référence telle une carte ou une autre image orthorectifiée. Ce niveau doit permettre
l’exact comparaison des images entres elles, et donc leur comparaison. Ce niveau serait
celui le plus approprié pour ce projet, mais étant donné qu’un MNT de 15m de résolution
est disponible ainsi que le logiciel LPS (Leica Photgrametric Suite d’Erdas Imagine), cette
procédure est effectuée a l’agence.
L’orthorectification doit être réalisée avec beaucoup d’attention, de manière a éviter
les erreurs qui viendraient des différences géométriques entre les images. L’avantage de faire
l’orthoretification soi-même est grand. En effet, de cette manière on peur être sur que le
même MNT, et la même référence ont été utilisés. Ce procédé n’améliore pas la précision
spatiale absolue, mais augmente, la cohérence entre les données.

Indexes et filtres de texture

Comme il est mentionné dans la vue d’ensemble des données, chaque bande d’une
image donne une information particulière. Par exemple sur la bande verte la végétation a une
moindre réflectance et apparaît sombre. Dans le proche infrarouge la végétation est réfléchie,
ceci donne par exemple, des informations sur la structure de la canopée. En connaissant les
caractéristiques de chaque bande, il est aussi possible de les combiner en différents index pour
obtenir plus d’information. De plus, en utilisant des indexes normalisés, il est possible de
transférer les connaissances issues de ces indexes, vers d’autres images, et éventuellement
vers d’autres capteurs.
Dans cette étude le NDVI (Normalized Difference Vegetation Index) a été utilisé.
Il fournit des informations sur la verdeur et la santé de la végétation.

La formule de calcul du NDVI est:

NDVI = (proche IR - bande rouge) / (proche IR bande + bande rouge)

Pour les images Aster et SPOT, bande 2 (0.63-0.69 µm) et bande 3 (0.78 -0.86 µm)
doivent être utilisée.

Les valeurs de l’NDVI peuvent varier entre -1 et 1 mais les valeurs de végétation
varient typiquement entre 0,1 et 0,7 (Wulder 2003)

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 15 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Dans un procédé de classification un tel index présente l’avantage d’être standardisé.

Une fois les valeurs limites de la végétation identifiées, il est possible d’appliquer ses limites
sur d’autres images, du moment que la saison est la même.
Même si les propriétés spectrales d’une image sont prépondérantes dans la distinction
des différents éléments qui composent l’image, il existe également d’autres approches,
utilisées par l’œil humain, qui peuvent être considérées dans le processus de classification.
Par exemple en observant l’image 1 il est possible visuellement de distinguer, les
surfaces enherbées des surfaces boisées. En effet les zones enherbées apparaissent de manière
plus lisse que la forêt qui présente un aspect plus rugueux voire, « moutonneux ». L’œil
humain est donc capable d’appréhender naturellement la texture.

En termes d’image (à une seule bande), la texture peut se définir comme une variation
de tons dans un voisinage donné. (Wulder 2004). La texture bien que très difficile à mesurer
peut s’appréhender en terme de probabilité. Le chercheur Haralick cité par Wulder propose
une matrice appelé GLMC (Grey Level Co-occurrence Matrix). Cette matrice représente la
relation spatial entre distance et angle à l’intérieure d’une sous-région de taille donnée.
Chaque élément de la matrice est une probabilité d’occurrence de 2 valeurs de niveaux de gris
séparées par une distance donnée, dans une direction donnée.
Par définition cette technique de mesure de la texture, disponible dans le logiciel
Ecognition ne peut s’appliquer que sur une seule bande ou une image 8bit.

Le choix de cette image 8 bit, ne doit pas se porter seulement sur une des bandes déjà
existante, il peur aussi se porter, par exemple, sur des images filtrées. L’image 2 montre le
résultat de l’application d’un « edge filter » sur la bande 3 de l’image 1. La bande 3 a été
choisie, car c’est dans cette longueur d’onde que la canopée est le plus réfléchie. Ainsi, dans
cette image filtrée, la texture de la canopée apparaît très nettement. Les zones enherbées
apparaissent beaucoup plus lisse que les zones boisées, dont l’aspect rugueux est encore plus
évident que sur l’image originale. De même, les routes se détachent de manières très nettes.

Image 1: Image Spot 5 10m fused in pseudo color Image 2: Band 3 (fused with panchromatic) edge filtered

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 16 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Techniques de classification, vue d’ensemble:

Pour classifier des images de télédétection, plusieurs approches sont disponibles:
-Celles, supervisées, ou non-supervisée, basées sur le pixel documentées par Thomas
(1986) et Brant (2001) peuvent être réalisée avec de nombreux logiciels d’analyse d’images
comme Erdas Imagine.
-Celle base sur l’objet qui peut être réalisée avec le logiciel Ecognition de la firme
Definiens.

Classifications basées sur le pixel:

La classification des pixels individuels peut être supervisée ou non supervisée.
Dans la méthode non-supervisée, les pixels sont séparés automatiquement suivants
leurs propriétés spectrales.
Dans la méthode supervisée, des connaissances préalables, ou acquises concernant les
éléments de la scène sont nécessaires. Des échantillons de terrains sont utilisés pour estimer et
identifier les caractéristiques spectrales de chaque classe.

Classification non-supervisée :
Le principe de la classification non-supervisée est d’attribuer automatiquement chaque
pixel à une classe suivant sa signature spectrale. L’algorithme le plus utilisé est le cluster
ISODATA (Yale University, Landcover Classification Project). Cet algorithme utilise de
multiples itérations.
Tout d’abord, des clusters sont arbitrairement construits. Ensuite, les pixels sont
attribués au cluster le plus proche. Puis, la moyenne de chaque cluster est calculée sur la base
des nouveaux pixels assignés au cluster.
Les clusters sont regroupés si le centre de 2 clusters est plus proche qu’un certain
seuil, ou si le nombre de pixels dans une classe est trop petit. Les clusters sont séparés dans le
cas où l’écart type dépasse une certaine valeur, ou si le nombre de pixels est 2 fois supérieur
au seuil du nombre minimal de pixels.
La seconde et troisième étape sont répétées jusqu'à ce que les changements entre les
itérations sont moindres.
Après cette phase automatique, une interprétation visuelle est requise pour assigner à
chaque cluster une description cohérente, et éventuellement regrouper manuellement les
classes superflues.

Classification supervisée:
La première étape dans la réalisation d’une classification supervisée est d’allouer pour
chacune des classes, des échantillons représentatifs qui peuvent être identifiés sur l’image.
(Appelés échantillons de terrain ou parcelles d’entrainement). Ensuite, des polygones sont
digitalisés autour de ces exemples et assignés à une classe.
La seconde étape est l’analyse de ces pixels à l’intérieur de l’échantillon de terrain.
Des fichiers de signatures contenants des informations statistiques sur la réflectrance de ces
pixels à l’intérieure des classes sont créés.
Ensuite, le classifieur compare chaque pixel avec les signatures, et les alloue à la
classe la plus proche suivant une certaine méthode statistique.
Les classifieurs dit “hard” assignent les pixels à la classe ayant la signature la plus
proche. Les classifieurs dits « soft » évaluent le degré d’appartenance des pixels à chacune
des classes. Si cette valeur d’appartenance est trop faible, le pixel est considéré comme non-
classifié ou attribué à la classe inconnue. Les décisions d’attribution des pixels à telle ou telle
classe se fait suivant différente techniques.

Les diagrammes suivants représentent les principales stratégies qui peuvent être
utilisées. L’algorithme « minimum distance » détermine simplement la distance d’un point à
la moyenne du cluster, alors que le parallélépipède algorithme définit un volume rectangulaire
autour de la signature pour affiner la classification. L’algorithme maximum likelihood affine
la répartition de chaque classe en formant une ellipse qui se rapproche le plus du cluster.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 17 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Parallelepiped: Les pixels sont

arbitrairement attribués à la première classe qui

Band 1
se trouve entre la valeur minimale et maximale
(pour chacune des bandes spécifiées). Les classes
sont rectangulaires (ou l’équivalent
multidimensionnel) et peuvent se recouper. Les
seuils d’appartenance sont fixes implicitement
par les valeurs minimales et maximales de
chaque classe. Ce classifieur est l’un des plus
simple.
B
band 3
and2
Maximum Likelihood: Il en existe
Figure 7: Paralepiped algorithme plusieurs types. Enhanced, Enhanced Neighbor,
Standard et Standard Neighbor. Ils prennent en
compte, pour dessiner l’ellipse autour des
clusters, la distance pondérée par la matrice de
covariance de la moyenne, et leur probabilité. .
These classifications work well with good
quality training regions or classes.
Band 1

Le « In Enhanced » par exemple produit 2

bandes pour chacune des classes ou régions
sélectionnées. Une bande rapporte les
probabilités postérieures, ceci indique la
vraisemblance d’appartenance du pixel à chacune
des classes. L’autre bande rapporte la
représentativité des pixels pour chaque classe.
B Ainsi, en sélectionnant un grand nombre de
Band 3 Band2 parcelles d’entrainement augmentera
considérablement la taille de l’image de sortie.
La « Neighbor classification » va lisser
les données en utilisant les pixels voisins pour
Figure 8: Maximum Likelihood algorithme modifier la probabilité antérieure. Le « Neighbor
Filter » fixe le nombre de voisins à utiliser pour
le lissage de chaque pixel. Remarque :
L’augmentation du nombre de passage
augmentera aussi le lissage.
Band 1

Minimum Distance: Les pixels sont

assignés à la classe ayant la moyenne de classe la
plus proche. Un seuil spécifie la distance
maximum entre la moyenne des membres d’une
classe, en unité d’écart-type. Les pixels éloignés
des autres classes ne sont pas classifiés au lieu
d’être assignés arbitrairement à une classe peu
B pertinente. Ceci n’est pas autant flexible que le
B Maximum Likelihood, mais c’est un meilleur
and2
band 3 choix, si les échantillons de terrain sont peu
nombreux ou peu fiables.
Figure 9: Minumum distance
algorithme

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 18 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Remarque: Pour des raisons de représentation, ces figures montrent des images à 3
bandes, mais bien sur, un plus grand nombre de bandes peut être utilisé.
Le maximum-likelihood classifieur est le plus complexe, mais aussi le plus utilisé
pour ses meilleurs résultats.

Classification orientée objet:

Le concept de classification orientée objet consiste en l’idée que l’importante
information sémantique nécessaire à l’interprétation d’une image n’est pas représentée dans
les pixels individuels, mais dans des images-objets significatifs et leurs relations mutuelles
(Egonition User guide).
La première étape est la segmentation de l’image. Ce procédé revient à condenser
l’information en extrayant des objets sans introduire de connaissance a priori. La formation de
ces objets est réalisée d’une façon telle qu’une résolution homogène de l’image d’origine est
gardée.
L’algorithme, de segmentation ne repose pas que sur les informations de valeurs des
pixels individuels, mais aussi sur la continuité spatiale du pixel (texture, topologie). Les
objets ainsi formés ont donc, non seulement la valeur et l’information statistique des pixels
avec lesquels ils sont formés, mais ils comportent aussi des informations de texture, de forme
(éléments spatiaux) et des informations topologiques dans une table attributaire commune.
Ces objets se situent donc à l’intérieur d’un réseau hiérarchique. La différence majeure,
surtout si l’on compare avec l’approche par pixel, est que l’analyse par objet ne classifie pas
les pixels individuels mais plutôt des objets-images qui sont extraits d’une étape préalable de
segmentation.
Cette méthode est celle utilisée par le logiciel Ecognition. Les potentialités et les
différentes fonctions de ce logiciel étant considérables et très complexes, ne seront présentées
ici que les principales caractéristiques de manière brève.

Principle de la segmentation :
Les pixels sont groupés en objets significatifs. La taille de ces pixels dépend de critère
d’échelle et de compacité. Ces paramètres doivent être ajustés afin d’obtenir des objets aussi
petits que nécessaire (le phénomène étudié doit être visible) and aussi grand que possible
(Plus les objets sont gros, plus l’information sera résumé, et les temps de traitement seront
plus courts).
Il existe différents type de segmentation (voir figure 10) : Multiresolution (en haut),
Quadtree (à gauche), Chessboard (en bas).

Figure 10: Segmentation

methods
La segmentation quad tree donne des objets carrés de différentes tailles. La
segmentation multirésolution donne des objets de forme « fractale ». La taille des objets
dépend de l’homogénéité des éléments de l’image. La segmentation chessboard quant à elle
garde les pixels individuels, comme dans une classification par pixel à cette différence près
que l’on obtient des informations topologiques et de relation des pixels entre eux.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 19 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Dans les exemples d’images ci-après présentent une image ASTER de bassin d’eau, de
parcelles agricoles, de forets, et de quelques petites zones urbaines. Par exemple, l’eau est
représentée par des objets plus gros que les routes, et les villages à cause de leur
hétérogénéité

Image 3: Subset of Aster image RGB (band1, 2, 3)

Image 4: Résultat d’une segmentation Quadtree

Image 5: Resultat d’une segmentation muliresolution (Scale parameter 10)

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 20 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Image 6: Résultat d’une segmentation muliresolution (Scale parameter 20)

La notion d’échelle est également très importante dans le processus de segmentation.

Les résultats de l’image 5 et 6 illustrent très bien cette notion. L’image 5 comporte une
multitude d’objets de très petite taille, qui ne sont pas forcément nécessaires si l’on veut
extraire par exemple les principaux types d’occupation du sol.

Comme évoqué précédemment, la classification par segmentation comporte une notion

de hiérarchie. Plusieurs segmentations peuvent être réalisées sur une même image. La
première s’effectue sur le niveau des pixels, et ensuite il est possible de segmenter à nouveau
le premier niveau obtenu. Comme l’illustre la figure 11, chaque niveau de segmentation (qui
partage des mêmes limites) sont appelés « objects levels ».

Figure 11: image object level

Source: Ecognition Référence book

Entre les différents niveaux hiérarchiques, il est possible d’obtenir une multitude
d’informations statistiques, comme par exemple, la présence, la surface ou encore la
proportion de sub-objets ou hyper-objets d’une certaine classe, situés respectivement en
dessous et au dessus d’un objet ou d’une classe d’objet.

classification à l’aide d’une “rule set”:

Une fois réalisée la première étape de segmentation de nombreux petits objets au
multiples attributs sont disponibles pour la classification. C’est alors qu’intervient l’outil
« feature view » (cf. figure 11). Cet outil permet de sélectionner un attribut particulier, de
visualiser les valeurs de chacun des objets, dans la vue principale. Ceci permet, par exemple
de sélectionner une fourchette de valeurs qui sera ensuite entrée comme paramètre dans le
processus de classification.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 21 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Figure 11 Boite de dialogue Feature View

La fonction feature view permet non seulement de visualiser des statistiques des
relations topologiques des objets entre eux, mais aussi leurs relations avec la classification, ou
entre leurs relations avec les niveaux supérieurs et inférieurs. Tous les éléments visualisables
de cette façon peuvent ensuite être intégrés dans la « rule-set » sous forme de « process
Algorithm » (cf. figure 12)

Figure 12 Boite dialogue de selection des algorithmes

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 22 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Résultats:
Afin de déterminer quelle est la meilleure méthode pour classifier la forêt et mettre en
évidence les zones déboisées. Les trois grands types de classifications précédentes ont été
testés sur une image ASTER, choisie autant pour la richesse de ces caractéristiques spectrale
que pour son faible coût (de l’ordre d’une centaine d’Euros seulement).
Il existe de nombreuses façons d’évaluer la précision d’une classification. La méthode
retenue ici, (Brandt 2004) est celle de l’évaluation de la séparabilité des classes entre elles.
Le logiciel Erdas imagine a été utilisé pour la réalisation des classifications par pixel
dont voici les résultats:

Classification non-supervisée:
Au détriment de la richesse des propriétés spectrales de l’image ASTER (cf tableau 2),
il a été décidé de n’utiliser que les trois premières bandes qui possèdent la meilleure
résolution. En conservant toutes les bandes disponibles on obtiendrait une classification dont
la résilution serait égale à la résolution la plus faible. La figure ci-après présente les
paramètres du classifieur ISODATA qui a été utilisé.

Le nombre maximum d’itérations empêche le

programme d’entrer dans un e boucle infinie, au cas
où le seuil de convergence n’est pas atteint.

Le seuil de convergence représente le

pourcentage maximum de pixels dont la
valeur de classe est autorisée à changer
entre deux itérations. Une fois cette
valeur atteinte, le classifieur s’arrête.

Figure 13: Unsupervised classification parameters

Les résultats de la classification par ISODATA présentés dans la carte ci-après, à

première vue n’apparaissent pas satisfaisants :
Une première interprétation visuelle permet de constater que la forêt et les zones
herbacées sont souvent confondues. Ainsi, les zones urbaines apparaissent comme des zones
cultivées.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 23 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

En définitive, les classes sont tellement mélangées qu’il est très difficile de les
associer à des éléments significatifs de l’image. Pour cette raison la carte ne comporte pas de
nom de classe.
Même après une interprétation visuelle peu concluante, il est tout de même intéressant
de mesurer statistiquement la fiabilité des résultats. Pour ce faire un « mean plot » et une
matrice de confusion présentant la séparabilité des classes ont été créés.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 24 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

assieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 25
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Figure 14: Mean plot des clusters de la classification ISODATA

Sur le Mean plot ci-avant à part la classe 7 qui correspond au nuage, les signatures
spectrales sont très similaires, presque confondues.
Cette tendance est confirmée par l’observation de la matrice de séparabilité.(cf. table
3)

Table 4: Matrice de séparabilité ISODATA

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 26
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Classification supervisée:

Dans cette étude, bien que l’objet d’intérêt soit uniquement la foret, il est nécessaire
d’extraire tous les types d’occupation du sol présent dans l’image. En effet, puisque le
classifieur attribue les pixels en fonction de leur ressemblance aux signatures des
échantillons. L’algorithme retenu pour le test de la classification supervisé est le maximun
likelihood, car selon de nombreux auteurs dont Thomas (1987) et Brandt (2001), cette
méthode est connue pour être la plus efficace.
Ne disposant pas de données de terrain, les échantillons représentatifs ont été
sélectionnés par interprétation purement visuelle.
La carte suivante montre les résultats ainsi obtenus.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 27
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

assieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 28
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Figure 14: Mean plot des, classes résultant de la classification Maximun liklelihood

Le « mean plot » ci-dessus représente les moyennes des signatures extraites des
échantillons de terrain digitalisés sur l’image ASTER. Encore une fois, seule la classe nuage
se détache véritablement des autres classes. Mais, en comparaison avec la classification
précedente, la séparabilité des classes est nettement meilleure.
Le tableau de contingence ci-après confirme cette tendance.

Table 5: Tableau de séparabilité des classes Maximum likelihood

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 30
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Cette table de séparabilité est nettement meilleure que celle extraite de la

classification ISODATA. Seule la classe « Urban » a une faible séparabilité. Il en résulte un
fort risque qu’une part importante des pixels d’urbain soit classifiée en herbe, ou en forêt. Le
problème de la classification des pixels d’urbain, est bien connu. Il existe des solutions :

-Masquer ces classes à faible séparabilité, et classifier seulement les autres pixels.
(Wulder 2003). Cette méthode, qui demande beaucoup de main d’œuvre ne peut être retenue
dans cette étude qui veut être le plus possible automatisable..
- Entrer dans la règle de décision du classifieur des probabilités d’occurrence pour
chaque classe. Ceci signifie avoir une excellente connaissance du terrain, ou de disposer de
statistiques d’occupation du sol suffisamment précis ; or, de telles informations ne sont pas
disponibles sur cette zones.

De prime abord l’image classifiée avec l’algorithme maximum-likelihood semble être

plus précise comparée visuellement à la classification non-supervisée.
Seulement, comme prévu, les zones urbaines ne sont pas bien séparer des autres
catégories.

D’autre part, l’effet « poivre et sel » est toujours présent. Encore une fois ceci pourrait
être amélioré grâce à des filtres de lissage, mais ceci conduirait inévitablement à une perte
d’information.

Object-based classification:

Pour ce test préliminaire de la classification par objet, une première segmentation des
3 premières bandes (choisies pour le meilleures résolution) a permis d’obtenir des objets dont
les contours sont significatifs de la limite de la forêt. (cf. image 5). Ensuite dans un premier
niveau de classification la végétation a été extraite en utilisant les simples valeurs seuil du
NDVI et de la bande 4. Ces valeurs seuils ont été identifiés à l’aide de l’outil « feature
view ». On été ainsi très simplement éliminé, les classes de non végétation, qui ne concernent
pas l’étude, telles les zones urbaines ou industrielles, les routes, l’eau, les terrains nus… De
plus, il est intéressant de noter, que les nuages ont été de fait éliminés, mais ce dernier point
sera éclaircit plus en détail dans la partie de recommandations.

La « rule set » utilisée ensuite, sépare l’herbe, et les buissons, du reste de la végétation
arborée en utilisant des échantillons de terrain. Dans ce premier test, ont été utilisées, pour la
séparation de ces classes, toutes les bandes spectrales disponibles, même celles dont la
résolution est moindre.
En effet, les contours des images objets étant déjà dessinés sur les bandes de meilleure
résolution, rien n’empêche d’utiliser les valeurs moyennes de ces objets dans ces bandes.
Ainsi, les informations spectrales disponibles sont bien plus riches qu’avec les autres
techniques de classification, et la meilleure résolution disponible sur la scène n’a pas été
perdue. Les résultats, présentés dans la carte ci-après sont significativement meilleurs. Le plus
intéressant à remarquer est, que l’effet « poivre et sel » qui nuisait à la qualité des
classifications précédentes à disparu.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 31
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

assieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 32
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Conclusion et recommandations:
Méthodologie:
La méthode object-based, beaucoup plus complexe, donnent des résultats bien
meilleurs que la classification par pixels.
La séparabilité des classes est beaucoup plus satisfaisante. L’efficacité d’une telle
méthode de classification est potentiellement énorme. Ainsi, cette méthode a été retenue pour
la phase de développement de la méthode d’extraction des zones de déforestation illégales.
De plus, il est important de noter, que pour utiliser les informations spectrales des
toutes les bandes avec les autres méthodes, le résultat final (en terme de séparabilité) aurait
été sans doute meilleur, mais la résolution de sortie de l’occupation du sol n’aurait été, dans
ce cas, que de 30m.

Données
L’imagerie utilisée, pour ce premier test a une résolution spatiale de 15m pour les trois
premières bandes. L’usage d’images de cette résolution permet seulement de distinguer les
coupes claires, les zones déboisées plus petites, qui correspondent à un déboisement sélectifs
n’apparaissent pas à cette échelle; de plus, ces petites zones, entourées de végétation sont
susceptibles d’être reconquéries rapidement par une végétation basse de type arbustive. Or,
selon les données collatérales provenant de EUFOR, il existe aussi et surtout des activités de
coupe sélective. Ainsi, afin de mieux cerner ce phénomène dans toute son ampleur, il est
important de travailler à une échelle plus grande.
Pour ces raisons, il est préférable d’utiliser des images multispectrales de meilleure
résolution. Par conséquent, des images SPOT 5 multispectrales de 10 résolution, fusionnées
avec un canal panchromatique de 5m seront utilisées. Ce choix s’appuie tant sur la
disponibilité des archives, que sur l’expérience acquise avec l’étude de l’EUSC, qui se base
également sur ce type d’images.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 34
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

CREATION DE LA METHODOLOGIE

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 35
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Étape 1: classification
Comme expliqué précédemment, la meilleure approche pour réalisée une classification
est d’avoir une bonne connaissance du terrain pour permettre une sélection d’échantillons de
terrain la plus pertinente possible. Pour ce faire un stage de terrain a été effectué.

Stage de terrain :
A l’aide d’une spatio-carte (cf. image 7) réalisée à partir de l’image
SPOT orthorectifiée de 2003, d’un GPS et d’une camera numérique, des
photos ont été prises des endroits dont la végétation est considérée comme
étant la plus significative.

Les résultats de cette étude de terrain ont été présentés dans un projet ArcGIS. La
carte suivante présente une vue de ce projet. A chaque
point GPS, correspondent un ou plusieurs hyperliens vers
les photos des alentours du point.

Les points GPS ont tous été pris sur les routes. Il
est vrai qu’il eu été grandement intéressant pour l’étude de
pénétrer plus en avant à l’intérieur des zones boisées pour
repérer par exemple, des spots de coupes sélectives. Mais
malheureusement, le risque de « rencontrer » des mines
anti-personnelles est tel, qui est plus sur de rester sur la
route. En effet, même si de très actifs services de
déminage tentent de résoudre ce grave problème, en I ma g e 7: M at e r i e l d e t er r a i n
déminant les champs de mines connus. (Qui sont d’ailleurs
cartographier sur la carte suivante), il reste tout de même des engins non explosés dont la
localisation est inconnue. La plupart de ces mines ont été placées dans la forêt pour obliger,
durant la guerre, les réfugiés à utiliser les routes pour s’enfuir, et par la même contrôler leur
déplacement. Ainsi, il a été décide de ne retenir que deux classes de foret: conifère et arbres a
feuilles caduques (deciduous en anglais).

Egalement des zones d’incendies, très utiles pour la suite de l’étude ont été repérées.

D’autre part on été repérés des sites de transformation du bois a caractère temporaire
qui laisse supposer que ces abattages sont illégaux. Malheureusement, le caractère illégal de
ses activités, n’a pas pu être prouvé. Néanmoins, il semblerait que les arbres abattus
légalement doivent comporter un seau, or seule une très faible minorité des troncs découverts
en comportait. De plus, selon EUFOR, il semblerait que les autorités responsables des forets
en Bosnie ne disposent pas de réel plan de coupe pour ces forets. Seul un pourcentage de
coupe, sensé être contrôle par la quantité des seaux émis, est autorisé. Mais, les autorités
compétentes disposent de très peu de moyen peine à effectuer des contrôles. Ainsi, il s’avère
extrêmement difficile, de trier les abattages autorises, des illégaux. Par conséquent, comme
très vraisemblablement la majeure partie des abattages sont illégaux, ils ne seront pas
différenciés dans l’étude.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 36
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Example of hyperlinks to photos:

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 - 37 -
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Segmentation et rule set :

Premier niveau

Le premier niveau est basé sur une segmentation Multiresolution dans laquelle sont pris
en compte les images de 2003 mais aussi les nouvelles images de 2005, à la meilleure résolution
disponible, c’est à dire les bandes 1,2, et 3 de 2003 (toutes 3 fusionnées avec le canal
panchromatique) et la bande panchromatique de 2005. Cette technique permet d’obtenir un
niveau dont les objets représentent à la fois la forêt de 2003 et les zones déboisées qui
apparaissent sur la nouvelle image.
L’idée originale, extraite de l’étude Cui Yijun 2003, permet de comparer les deux images
en une seule étape, et surtout d’éviter les éventuels shifts géométriques entre les deux images
provenant de la différence d’angle de prise de vue.
De cette façon, les niveaux 1 de 2003 et 2005 auront des contours d’objets absolument
identiques mais des classifications différentes.
De plus une fois cette segmentation effectuée, les contours des objets correspondent à la
meilleure résolution disponible. Il est ensuite possible d’utiliser les valeurs moyennes de ces
objets dans d’autres bandes sans pour autant perdre en résolution spatiale.
Comme pour la classification de l’image ASTER explosée dans le chapitre précédant, la
première étape dans la classification de ce niveau est de séparer la végétation de la non-
végétation. Cette classification se fait en utilisant les simples limites des valeurs moyennes du
NDVI 2003 et de la bande SWIR 2003 des objets. Ces limites ont été identifiées en utilisant la
« feature view ».

Ensuite les différents types de foret, qui sont decidous, et conifer ainsi que la classe
scrubland/grass sont séparés en utilisant des échantillons terrain. Ses échantillons sont
sélectionnés à l’aide du projet ArcGIS élaboré à l’issue de la mission de terrain.
Contrairement à une classification par pixel, il est possible de choisir sur quels critères se
base la séparation des classes. Si l’on se base sur une approche visuelle, comme explique dans le
chapitre précédent, il peut être intéressant de considérer la texture dans l’extraction de la foret, et
notamment pour la séparer des zones enherbées, qui (cf. figure 3) est spectralement très proche de
la foret, mais “texturalement” très différente.
Ainsi, ont été sélectionné les données statistiques qui a priori permettent de différencier
ces éléments, qui sont la moyenne des objets pour les bandes 1, 2, 3 et SWIR, la texture d’après
Haralick (de type homogénéité direction 0). L’efficacité des bandes ainsi sélectionnées est mise à
l’épreuve par la fonction « feature space optimisation ». Cette fonction compare la séparabilité de
chaque combinaison de feature, et indique la meilleure. (cf. figure 15). Il est intéressant de noter,
qu’à ce stade la meilleure séparabilité ne se situe pas avec le plus grand nombre de données, mais
avec seulement 3 dimensions. Il apparaît même qu’un trop grand nombre de dimension introduit
de la confusion. (cf. figure 16)

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 38
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Figure 15: boite de dialogue “feature space optimization Figure 16: resultat de feature space optimization

Ainsi, l’élément de texture, la moyenne de la bande SWIR, la moyenne de la bande

apparaissent comme ayant la meilleure séparabilité. La table 6 présente la matrice des distances
de séparation ainsi obtenue.

Table 6: Class separation distance matrix

La classe forêt mixte quant à elle est extraite des classes conifer et deciduous a l’aide
d’une fonction de membership. Ainsi les objets classifiés préalablement de conifères et deciduous
ayant un membership proche (aux alentours de 20% de différence) pour les deux, sont considérés
comme mixte.
En effet selon la définition du glossaire EFI une forêt mixte est composée d’au moins
deux essences d’arbres avec au moins 20% de la canopée qui consiste en l’espèce non dominante.

L’image suivante présente une vue de détaille de ce premier niveau :

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 39
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Image 8 Vue de détaille du premier niveau

Second niveau

Comme évoqué dans la section précédente, il est possible d’avoir plusieurs niveaux de
segmentation qui correspondent a des échelles différentes et qui représentent donc des
phénomènes différents.
De cette façon, le niveau 2 de classification est base sur une segmentation de la classe
foret au niveau du pixel. Cette segmentation est de type Quad-tree. Les objets de ce niveau sont
très fin. Ils représentent les spots déboises.

Ainsi, a ce niveau comporte deux classes :

-forest
-none forest spot

Cette dernière classe a été extraite en utilisant les limites du NDVI 2003 et la différence
moyenne aux pixels les plus sombres.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 40
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Image 9:Vue detaille du level 2 2003

Les zones qui apparaissent en jaune sur l´image 8 sont les petits objets issus de la
segmentation par quad-tree, corresponde aux zones déboisées, ou de faible densité.

Ensuite le premier niveau qui contient les plus gros objets a été copie pour former le
niveau « forest density 2003 ».
Dans ce niveau, les objets déjà classifie comme foret ce sont vu attribuer une catégorie de
densité en fonction de pourcentage de présence de sous-objets classes en none forêt spot.
Trois catégories sont ainsi obtenus :
• very low density forest
• low density forest
• medium density forest

Une fois cet état de la foret en 2003 réalisé, une copie des deux niveaux précédents est
cree. Le niveau inférieur (celui issu de la segmentation Quad-tree) est classifie a nouveau en
utilisant cette fois les valeurs des bandes de la scène de 2005. On obtient ainsi les spot de non
foret, auxquels ont pourrait théoriquement retranche les anciens de 2003 pour obtenir les
nouveaux spot déboisés. Mais, comme les deux images, du fait de leur grande différence d’angle
de prises de vue ne se correspondent pas au pixel près, (le déplacement est de l’ordre de plusieurs
pixels) et les spots de « non foret » sont parfois de la taille de quelques pixels seulement. Ainsi, il
est préférable, de considérer les changements de densité qui peuvent se produire au niveau
supérieur.
Ainsi, le premier niveau (celui avec les plus gros objets) sert à effectuer la classification
de densité de la forêt en 2005.

Les changements de catégorie entre le premier niveau de 2003 et celui de 2005 a permis
de fournir de nouvelles catégories :
• Heavily logged area
• Less Heavily Logged area

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 41
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Parmi la classe « heavily logged area » figurait des zones incendiées. Celles-ci ont pu être
extraites grâce à celles repérées sur le terrain. Les zones concernées étant très peu nombreuses,
cette extraction s’est faite manuellement, par interprétation visuelle. Néanmoins il est tout à fait
envisageable, dans de futures études de les extraire automatiquement.

La figure de gauche présente la hiérarchie de la

classification ainsi que leurs niveaux respectifs.

Figure 17 class hierarchy

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 42
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Etape 2: Analyse

Figure 18 vue des zones déboisées

Préparation des données :

Une fois les zones déboisées extraites les hypothèses émises préalablement sur les
paramètres influant la déforestation qui sont la distance maximale à une voie d’accès, la pente
maximale, la présence de champ de mine, l’analyse peut commencer.

Chacun de ses paramètres doit être mesurable et quantifié afin d’être introduit dans le
model, qu’est la rule-set établie dans Ecognition.
• Tout d’abord, les routes ont été digitalisées sur les images SPOT. Ensuite une
image raster présentant la distance à la route a été crée. Ainsi, pour chaque
pixel de cette image il est possible de connaître la distance vers à la route la
plus proche.
• La même opération a été effectuée avec la couche vecteur des champs de
mines de la zone fournie par les services de déminage.
• Une image de pente a été crée a partir d’un MNT « DETED level2 » de 5m de
résolution.

Ainsi les trois fichiers raster ont été intégrés dans le projet Ecognition, comme des canaux
supplémentaires des images déjà présentes. De cette façon, il est aise d’obtenir pour les objets
classifiés de déboisés une fourchette de valeurs de chacun de ces phénomènes.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 43
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Résultats :
La classification a mis en évidence les zones déboisées à différents degrés :
• fortement déboisée
• faiblement déboisée
L’utilisation de la fonction d’export des statistiques a permis de constater que la majeure
partie de ces zones se situe sur une pente inferieure a 20% et a une distance a la route de moins
de 400m.
(cf. graphique ci après)

Relation pente distance a la route

60

50

40
pente

30 Series1

20

10

0
0 200 400 600 800 1000 1200 1400
distance a la route

Remarque : ces résultats seront ré-affiner dans les semaines avenir.

Afin d’achever le model de prédiction, la rule-set finale ne contiendra que les scènes
d’une même dates, le processus d’extraction de la foret reste le même. Seront ajoutés, simplement
des critères de pente et de distance à la route, qui définiront les degrés de risque de déforestation.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 44
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

CONCLUSIONS ET RECOMMANDATIONS
Les résultats de ce projet sont très prometteurs, en effet le logiciel Ecognition utilisé dans
cette étude a des potentialités considérables. Toutefois, des améliorations pourraient être faites.

Tout d’abord dans le choix des images : Les scènes de 2003 ont un angle très faible ( de
l’ordre de -1.9) tandis que celles de 2005 ont un angle très important ( environ -29). Cet angle est
en fait le maximum que l’on peur obtenir avec une scène SPOT.
Ainsi, les scènes de 2003 ont pu être ortho rectifiées sans difficultés. En revanche les
scènes de 2005 ont du être géométriquement corrigées en utilisant une fonction polynomiale de
rubber-shiting. Ces corrections n’ont pas permis aux scènes de se correspondre parfaitement.
Seules les scènes multi spectrales et panchromatique de 2003 se correspondent parfaitement, elles
ont donc pu être fusionnées. La scène panchromatique de 2005 a heureusement une géométrie très
proche (de l’ordre du pixel) des images de 2003. En revanche la scène multi-spectrale de 2005
n’a pas pu être fusionnée avec la scène panchromatique. Ces problèmes ont pu être contournés en
utilisant pour la segmentation uniquement l’image de panchromatique de 2005.
Ainsi, un temps de travail important a été consacré ces problèmes de géométries. Il est
donc vivement recommander, lorsque c’est possible d’utiliser des images à faible valeur d’angles.
(Dans le cas de cette étude, ces images étaient les seules, sans nuages, prises en été)

La couverture nuageuse, car inexistante sur les scènes SPOT de la seconde partie, n’a
pas été évoquée. Néanmoins, elle pourrait être facilement prise en compte dans la règle de
classification d’Ecognition.

Le problème des mines qui a été intégré dans le modèle final ne peut pas être considère
comme un paramètre faible. En effet, comme il a été évoqué dans la section du stage de terrain, la
présence de mine en foret, en dehors des champs de mines cartographies est tout a fait possible.
De plus, le revenu mensuel moyen d’un Bosniaque n’avoisinant que les 250 Euros, il faut tenir
compte du fait que les fraudeurs peuvent être prêts à prendre des risques considérables, pour un
profit potentiel qui peut sembler dérisoire.

D’autre part, les classifications qui ont été teste ont été évaluée grâce a la notion de
séparabilité des classes, il eu été intéressant d’effectuer d’autres types d’évaluation telle que les
matrices de confusion, ou encore l’indexe kappa. Malheureusement, faute de temps, cette
direction n’a pas été prise.

Enfin, le problème de la déforestation illégale a été traité ici d’un point de vue tout a fait
technique. Or, il existe dans ce problème une composante « politico-légale » importante qui
mériterait d’être approfondie. En effet, il n’a malheureusement pas été possible de rencontrer, par
exemple des gardes forestiers susceptibles d’éclairer ce point.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 45
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

APPORT PERSONNEL DU STAGE

Le stage dont les résultats du projet ont été décrits dans ce mémoire, m’a permis du point
de vue technique de découvrir un nouvel outil qu’est le logiciel Ecognition, de me familiariser
avec les techniques de classification, et d’approfondir mes connaissances dans les domaines de la
télédétection, et des applications GPS. En effet, ces domaines constituent une part importante du
vaste monde des SIG et de la géographie.

Egalement, d’un point de vue plus personnel, ce stage m’a permis de découvrir de
nouveaux environnements, que sont l’OTAN, la Bosnie et plus généralement la diversité
culturelle d’un environnement multinational.

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 46
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

BIBLIOGRAPHIE
Télédétection:
• Aronoff S, (2005), Remote sensing for GIS managers, ESRI Press

• Mather M. Paul (2004) Computer Processing of Remotely-Sensed Images An Introduction

Third Edition Wiley England

Préparation des données:

• Forest Type Classification Using Data Fusion of Multispectral and Panchromatic High-
Resolution Satellite Imageries by Naoko Kosaka (NTT Data Corporation Research and
Development Headquarters Tokyo, Japan) 2005

Classification:
• Thomas I, (1987) Classification of remotly sensed images, Adam Hilger, Bristol

• H. P. SATO, R. TATEISHI (2004), Estimation on tree cover percentage using

TERRA/ASTER Data with Airborne laser scanning Data. ISPRS conference Istanbul

• Brandt et Mather (2001) Classification methods for remotely sensed Data, Taylor &
Francis, London and New-York

• Yale university, Landcover classification project:

[Link] (last visited on June 2006)

• Nasa, remote sensing tutorial [Link] (last visited on June 2006)

• Nasa, Earth observatory glossary [Link] (last visited on

September 2006)

• ERDAS imagine field Guide, and tour Guide

• Ecognition user guide , Definiens

ASTER:
• User hand book :
[Link]

• Aster level 1 Data product specifications:

[Link]
er_1.3_July01.pdf

Sylviculture:
• Michael A. Wulder and Steven E. Franklin (2003) Remote Sensing of Forest Environments
Concepts and Case Studies Kluwer academic publishers.

• Cui Yijun 2003: Remote Sensing and GIS for Supporting Sustainable Forest Management
Certification in the Tropics (A casestudy in Labanan Concesion, East Kalimantan,
Indonesia) International Institute for geo-information and earth observation Enschende,
The Nederlands

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 47
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Bosnie, information générale :

• Civil Society Promotion Center from Sarajevo Environment in Bosnia and Herzegovina
2002, Juin 2002

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 48
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

INDEX DES FIGURES

Figure 19: Approche de recherche……………………………………. ........................... - 6 -
Figure 2 : Signatutes spectral de l’eau, du sol, et de la vegataion ............................... - 12 -
Figure 3: Spectral signatures of vegetation and water ................................................ - 12 -
Figure 4: Signature spcetrale des principaux type de .................................................. - 13 -
Figure 5: Réflectance typic du spectre de la végétation .............................................. - 13 -
Figure 6 principle de l’orthorectification…………………… ...................................... - 13 -
Figure 7: Paralepiped algorithme ............................................................................... - 18 -
Figure 8: Maximum Likelihood algorithme……… ..................................................... - 17 -
Figure 9: Minumum distance algorithme……… ......................................................... - 17 -
Figure 10: Segmentation methods………… ............................................................... - 18 -
Figure 11 Boite de dialogue Feature View ................................................................. - 22 -
Figure 12 Boite dialogue de selection des algorithmes ............................................... - 22 -
Figure 13: Unsupervised classification parameters ..................................................... - 23 -
Figure 14: Mean plot des clusters de la classification ISODATA ............................... - 26 -
Figure 15: boite de dialogue “feature space optimization ........................................... - 39 -
Figure 16: resultat de feature space optimization ....................................................... - 39 -

INDEX DES IMAGES

Image 1: Image Spot 5 10m fused in pseudo color ..................................................... - 16 -
Image 2: Band 3 (fused with panchromatic) edge filtered........................................... - 16 -
Image 3: Subset of Aster image RGB (band1, 2, 3) .................................................... - 20 -
Image 4: Résultat d’une segmentation Quadtree......................................................... - 20 -
Image 5: Resultat d’une segmentation muliresolution (Scale parameter 10) .............. - 20 -
Image 6: Résultat d’une segmentation muliresolution (Scale parameter 20) ............... - 21 -
Image 7: Materiel de terrain…………………………… .............................................. - 34 -
Image 8 Vue de détaille du premier niveau ................................................................. -40 -
Image 9:Vue detaille du level 2 2003 ......................................................................... -41 -

INDEX DES TABLES

Table 1: sensor comparison........................................................................................ - 11 -
Table 2: Aster band characteristics ............................................................................ - 13 -
Table 3: SPOT 5 caractéristiques ............................................................................... - 14 -
Table 4: Matrice de séparabilité ISODATA ............................................................... - 26 -
Table 5: Tableau de séparabilité des classes Maximum likelihood ............................. - 30 -
Table 6: Class separation distance matrix .................................................................. - 39 -

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 49
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

ANNEXES
Caractéristiques techniques des scènes SPOT utilisées:

Type Spot SYSTEM SCENE level 1A

Layer SCENE 5 079-262 03/05/04 [Link] 2 A

Format DIMAP

Raster GEOTIFF

General Information
Map Name SCENE 5 079-262 03/05/04 [Link] 2 A

Geometric Processing Level RAW

Radiometric Processing Level SYSTEM

Image dimensions
Number of columns 12000
Number of rows 12000
Number of spectral bands 1

Dataset framing
Vertice Longitude (DEG) Latitude
Row Col
(DEG)
#1 19.169148 44.003694 1 1
#2 19.892364 43.866994 1 12000
#3 19.700511 43.344249 12000 12000
#4 18.983395 43.480245 12000 1

Dataset sources
SPO
T 50792620305040946192A

ID 50792620305040946192A

K_J 079262 BAND 1

Type :
DATE 2003-05-04
PAN
Unit :
equiva
TIME [Link] lent
radian
INSTRUMENT HRG2 ce
BAND (W.m-
DESCRIPT
[Link]-
ION
SENSOR A [Link]-
1)
INCIDENCE_ANGLE -1.931872 () Gain :
1.4538
42
VIEWING_ANGLE -1.572762 () Bias :
0.0000
SUN_AZIMUTH 154.082825 () 00

SUN_ELEVATION 59.898280 ()

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 50
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Spot SYSTEM
Type
SCENE level 1A

SCENE 5 079-
Layer 262/0 03/05/04 [Link]
2 J

Format DIMAP

Raster GEOTIFF

General Information
Map Name SCENE 5 079-262/0 03/05/04 [Link] 2 J

Geometric Processing Level RAW

Radiometric Processing Level SYSTEM

Image dimensions
Number of columns 6000
Number of rows 6000
Number of spectral bands 4

Dataset framing
Vertice Longitude (DEG) Latitude
Row Col
(DEG)
#1 19.168881 44.003331 1 1
#2 19.891878 43.866257 1 6000
#3 19.700023 43.343514 6000 6000
#4 18.983123 43.479882 6000 1
Dataset sources

SPOT
50792620305040946222J

ID 50792620305040946222J

K_J 079262 BAND 1

Type : XS1
Unit : equivalent
SAT 0 radiance ([Link]-
[Link]-1)
Gain : 1.265636
DATE 2003-05-04 Bias : 0.000000
BAND 2
Type : XS2
TIME [Link] Unit : equivalent
radiance ([Link]-
[Link]-1)
INSTRUMENT HRG2 Gain : 1.663585
BAND
Bias : 0.000000
DESCRIPTIO
BAND 3
SENSOR J N
Type : XS3
Unit : equivalent
radiance ([Link]-
INCIDENCE_ANGLE -1.796444 () [Link]-1)
Gain : 1.097000
Bias : 0.000000
VIEWING_ANGLE -1.572762 () BAND 4
Type : SWIR
Unit : equivalent
SUN_AZIMUTH 154.104373 () radiance ([Link]-
[Link]-1)
Gain : 8.260341
SUN_ELEVATION 59.902628 () Bias : 0.000000

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 51
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Spot SYSTEM
Type
SCENE level 1A

SCENE 5 079-
Layer 262/0 05/05/02
[Link] 2 J

Format DIMAP

Raster GEOTIFF

General Information
Map Name SCENE 5 079-262/0 05/05/02 [Link] 2 J

Geometric Processing Level RAW

Radiometric Processing Level SYSTEM

Image dimensions
Number of columns 6000
Number of rows 6000
Number of spectral bands 4

Dataset framing
Vertice Longitude (DEG) Latitude
Row Col
(DEG)
#1 18.952685 44.007560 1 1
#2 19.904309 43.866672 1 6000
#3 19.755418 43.340557 6000 6000
#4 18.812163 43.481268 6000 1

Dataset sources
SPO
T 50792620505020924402J

ID 50792620505020924402J BAND
1
Type : XS1
K_J 079262 Unit :
equivalent
radiance (W.m-
SAT 0 [Link]-1)
Gain :
2.903215
DATE 2005-05-02 Bias : 0.000000
BAND 2
Type : XS2
TIME [Link] Unit :
equivalent
radiance (W.m-
INSTRUMENT HRG2 [Link]-1)
Gain :
3.866820
BAND
SENSOR J Bias : 0.000000
DESCRIPTION
BAND 3
Type : XS3
INCIDENCE_ANGLE -29.600385 () Unit :
equivalent
radiance (W.m-
[Link]-1)
VIEWING_ANGLE -25.901642 ()
Gain :
1.738550
Bias : 0.000000
SUN_AZIMUTH 145.031644 ()
BAND 4
Type : SWIR
Unit :
SUN_ELEVATION 57.313110 ()
equivalent
radiance (W.m-
[Link]-1)
Gain :
10.694748
Bias : 0.000000

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 52
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Spot SYSTEM
Type
SCENE level 1A

SCENE 5 079-
Layer 262 05/05/02
[Link] 2 A

Format DIMAP

Raster GEOTIFF

General Information
Map Name SCENE 5 079-262 05/05/02 [Link] 2 A

Geometric Processing Level RAW

Radiometric Processing Level SYSTEM

Image dimensions
Number of columns 12000
Number of rows 12000
Number of spectral bands 1

Dataset framing
Vertice Longitude (DEG) Latitude
Row Col
(DEG)
#1 18.952354 44.005067 1 1
#2 19.905871 43.870715 1 12000
#3 19.756990 43.344646 12000 12000
#4 18.811862 43.478824 12000 1
Dataset sources
SPO
T 50792620505020924372A

ID 50792620505020924372A BAND
1
Type : PAN
K_J 079262 Unit :
BAND equivalent
DESCRIPTION radiance (W.m-
SAT 0 [Link]-1)
Gain :
3.297454
DATE 2005-05-02 Bias : 0.000000

TIME [Link]

INSTRUMENT HRG2

SENSOR A

INCIDENCE_ANGLE -29.608728 ()

VIEWING_ANGLE -25.901642 ()

SUN_AZIMUTH 145.013279 ()

SUN_ELEVATION 57.307436 ()

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 53
 Utilisation de la télédétection pour détecter et prévenir la déforestation illégale NATO NC3A

Rule-set finale:

Lassieur Stéphanie 2éme Année Master SIG Université Jean Monnet Promotion 2005-2006 54