• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Atelier no1: Cartographie des haies  - Méthodologies d’extraction par télédétection des linéaires boisés (haies)
 

Atelier no1: Cartographie des haies - Méthodologies d’extraction par télédétection des linéaires boisés (haies)

on

  • 1,076 views

 

Statistics

Views

Total Views
1,076
Views on SlideShare
753
Embed Views
323

Actions

Likes
0
Downloads
0
Comments
0

1 Embed 323

http://www.teleparc.net 323

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Atelier no1: Cartographie des haies  - Méthodologies d’extraction par télédétection des linéaires boisés (haies) Atelier no1: Cartographie des haies - Méthodologies d’extraction par télédétection des linéaires boisés (haies) Presentation Transcript

    • Méthodologies d’extraction par télédétection des linéaires boisés (haies) CESBIO - DYNAFOR Novembre 2011
    • Définition
      • Toute formation boisée de :
      • 25-30m de largeur
      • 30m min de longueur
      • Moins de 10m d’interruptions
      Arborée Arbustives Herbacée Linéaires boisé Détection des éléments linéaires boisés
    • Apport de la télédétection : => Traitement des images satellitaires et ou aériennes Rapidité : traitements automatiques Application sur grandes échelles Sources d’erreurs réduites Détection des éléments linéaires boisés
    • Signature Spectrale R V B Luminosité Bande spectrale Luminosité Bande spectrale Détection des éléments linéaires boisés
    • 1 Pixel 1 Signature spectrale 1 Objet Plusieurs pixels But : regrouper les pixels du même objet par classification classification Détection des éléments linéaires boisés
    • Les images satellite se caractérisent par: - La résolution spatiale Spot 20-10m Formosat 8m World-View 0.5m Quick-Bird 0.7m Trouver le meilleur compromis - La résolution temporelle -L’emprise Détection des éléments linéaires boisés Emprise : 60km Emprise : 28 km Emprise : 13 km Emprise :18 km
    • Problématiques
      • Quelle résolution spatiale ? Temporelle ?
      • Quelles méthodes ? Quels algorithmes ?
      • Quelles données terrain ?
      • Quelles nomenclatures et attributs ?
      • Quelle validation ?
      Détection des éléments linéaires boisés
    • Travaux d’application : CESBIO (2010-2011) 1- Formosat à 8m 2- Spot-5 fusionnée 2.5m 3- Quick Bird 0.7m Dynafor (2011) World-View 0.5 m - Mono-date versus - Multi-dates - Mono-date - Altimétrie Détection des éléments linéaires boisés
    • Zones d’études
    • 1- Une seule date – résolution = 2,5m (image SPOT) Classification supervisée de l’image + des néo-canaux : NDVI + indice de Texture 31 Aout 2009 27 Juin 2010 78% de pixels bien classés 90% de pixels bien classés Classification objet (basée sur une segmentation): 88% de pixels bien classés Détection des éléments linéaires boisés TRAVAUX CESBIO 2010-2011
    • 2- Une série d’images de la même année: (analyse multi-temporelle) - Formosat 8m Mono-date : PCC de 10-45% Multi-date : 2006 : 4 dates = PCC de 79% 2007 : 6 dates = PCC de 77% 2008 : 4 dates = PCC de 60% Les meilleurs dates : Eté + hiver automne Détection des éléments linéaires boisés
    • Effectuée avec cinquante classes, elle permet de conserver les objets fins La méthode est intéressante du fait que les éléments fins sont rarement superposables (décalage entre les images) Classification non supervisée Classification non-supervisée générée avec les 9 images FORMOSAT de 2007 Détection des éléments linéaires boisés
    • Utilisation de la morphologie mathématique (collaboration Géode ; Cesbio) Extraction selon des critères de taille et de structure. Fonction d’ouverture qui érode les pics a/ BD Ortho, 5 m, 2006 b/ Haies après fusion entre la classification de l’occupation des sols de 2007 et la classification à 6 dates spécifique aux haies c/Haies obtenues à partir d’opérateurs de morphologie mathématique sur des images formosat de 2006 Détection des éléments linéaires boisés
    • A retenir Pour la détection des haies champêtres : Une résolution de 8m est suffisante pour classer les haies L’utilisation de plusieurs dates améliore sensiblement la détection des haies (combinaison Eté + hiver automne) La classification non supervisée est intéressante pour la détection des objets fins . Travaux : Danielle Ducrot, Claire Marais Sicre Détection des éléments linéaires boisés
    • 3- Couple d’images stéréoscopiques à THRS = world view à 0.5 m Couleur Intégration d’un MNH (Model Numérique de Hauteur) Image A Image B MNH Détection des éléments linéaires boisés TRAVAUX DYNAFOR 2011 Deux prises de vue différentes de la même zone (400km² , Aurignac) A la même date = 20 sept 2010
    • 3- Couple d’images stéréoscopiques à THRS = World View à 0.5 m Couleur 1- Influence de la construction du jeu de données d’entraînement (typologie +- détaillée) 2- Influence du type d’algorithme de classification 3- Influence du type de données (images) traitées vue A vue B vue A + vue B vue A + vue B + MNH But : Appliquer plusieurs méthodologies afin d’apprécier => Détection des éléments linéaires boisés
    • 3- Détection des linéaires boisés à partir d’un couple d’images stéréoscopiques à THRS Pas d’amélioration en intégrant le MNH : => Valeurs aberrantes du MNH (négatives) approche « Pixel » MLC Détection des éléments linéaires boisés
    • 3- Détection des linéaires boisés à partir d’un couple d’images stéréoscopiques à THRS Photo : IRC Approche « Pixel » SVM Approche « Objet » Détection des éléments linéaires boisés
    • 3- Détection des linéaires boisés à partir d’un couple d’images stéréoscopiques à THRS
      • Une typologie détaillée des jeux d’entrainement donnent de meilleurs résultats
      • - En attendant l’amélioration du MNH => il n’apporte pas d’amélioration à la classification.
      • - Approche « objet » plus performante que « pixel »
      • - Algorithme MLC donne des résultats meilleurs que le SVM
      A Retenir : Détection des éléments linéaires boisés
    • CONCLUSION La télédétection reste un moyen performant (Rapidité, précision et exhaustivité) si on la compare avec des méthodes basées sur la photo-interprétation plus adaptés à des territoires plus restreints Fin Détection des haies