Travaux Pratiques de Teledetection Spatiale II Uliege

Travaux
Pratiques de
Télédétection
Spatiale II
Avec données et logiciels

libres
Antoine DENIS
1
Avant-propos
Ce manuel présente une série d’exercices de télédétection spatiale, prêts à l’emploi, avec
données et logiciels libres. Les exercices vont du « niveau découverte » à un « niveau plus
avancé » tout en restant très abordables pour des étudiants de Master 1 et 2. Les exercices
peuvent se réaliser en autonomie grâce aux instructions méthodologiques détaillées et aux
nombreuses illustrations. En plus des exercices en tant que tels de nombreuses ressources
complémentaires sont proposées (sites web, applications).
Ce manuel et les données y afférentes sont libres de droit et redistribuables moyennant une
mention de la source*. Ils sont téléchargeables gratuitement à l’adresse web :
https://orbi.uliege.be/handle/2268/240835.
Pensez à l’environnement avant d’imprimer ces notes!!**
Ce manuel a été rédigé par Antoine DENIS

Université de Liège (ULIEGE)
Arlon Campus Environnement
Département des Sciences et Gestion de l’environnement
Unité Eau Environnement Développement (EED)
Avenue de Longwy, 185
6700 Arlon, Belgique
Antoine.Denis@ULiege.be
Merci de signaler toute erreur rencontrée dans ce manuel par email à l’adresse ci-dessus.
Les mises à jour de ce manuel seront disponibles via l’adresse web ci-dessus.
Version du 26 février 2021
Images de couverture : images extraites du livre « EARTH as ART », NASA disponible à l’adresse
http://www.nasa.gov/connect/ebooks/earth_art_detail.html et vue d’artiste du satellite « Sentinel 2 ».
* Comment citer ce manuel ? : « Travaux Pratiques de télédétection spatiale II - Avec données et logiciels libres, Antoine
DENIS, 2021, ULIEGE, Belgique, https://orbi.uliege.be/handle/2268/240835 ».
** N’imprimez pas ces notes ! Si vous devez les imprimer, utilisez le verso de feuilles déjà utilisées, imprimez recto-verso
et/ou imprimez en 2 pages par feuilles.
2
Du même auteur
Sont également disponibles, du même auteur, les manuels de Travaux Pratiques suivants:
Adresse de
Manuel de TP Année Pages Commentaires
téléchargement
https://orbi.ulg.ac.be/ ArcGIS = le logiciel SIG payant de référence.

SIG – ArcGIS 9.3 2012 89
handle/2268/135775 Données fournies.
http://orbi.ulg.ac.be/h QGIS = le logiciel SIG gratuit de référence.

SIG – QGIS 3.10 2021 243
andle/2268/190559 Données fournies.
Ancienne version de ce manuel-ci basée

Télédétection https://orbi.ulg.ac.be/
2020 111 essentiellement sur le logiciel payant ENVI.
spatiale I handle/2268/143553
Données fournies.
Ce manuel-ci, avec données et logiciels libres.

Données fournies.
Télédétection https://orbi.uliege.b
2021 429 Ce manuel reprend la très grande majorité du
spatiale II e/handle/2268/2408 contenu du manuel « Télédétection spatiale I »
35 mais adapté avec données et logiciels libres,
souvent en version améliorée, et présente une
série d’exercices et ressources supplémentaires.
Sera également bientôt disponible, une « Revue des modes de représentation de

l'information spatiale »
 https://orbi.uliege.be/handle/2268/241653 (2021)
Toutes les publications de l’auteur sont disponibles en libre accès ici :

 https://orbi.uliege.be/browse?type=author&value=Denis%2C+Antoine+p005248
3
Table des matières
Avant-propos ...................................................................................................................... 2
Du même auteur ................................................................................................................. 3
Table des matières ............................................................................................................. 4
1. Introduction ............................................................................ 17
1.1. Objectifs de ce manuel ............................................................................................. 17
1.2. Accès aux données et ressources relatives à ce manuel ......................................... 18
1.3. Conseil d’utilisation de ce manuel ........................................................................... 19
1.4. Liens avec les cours ULIEGE ...................................................................................... 20
2. Notions de télédétection - Quelques rappels théoriques .......... 21

2.1. La télédétection........................................................................................................ 21
2.2. La réflectance solaire ............................................................................................... 23
2.3. La signature spectrale et les capteurs satellites ...................................................... 24
2.4. Exemples d’applications de la télédétection ........................................................... 26
2.5. Les différents types de résolutions des images satellites ........................................ 27
2.5.1. Résolution spatiale .................................................................................... 27
2.5.2. Résolution temporelle (d’une série temporelle d’images ou d’un capteur)
................................................................................................................... 27
2.5.3. Résolution spectrale .................................................................................. 28
2.5.4. Résolution radiométrique ......................................................................... 29
2.6. Longueurs d’ondes et fréquences du spectre électromagnétique .......................... 30
3. Découverte de « Google Earth Pro » ........................................ 31
4. Ouverture et visualisation d’une image satellite dans QGIS ...... 36

4.1. Présentation de l’image satellite utilisée ................................................................. 37
4.2. Visualisation des fichiers correspondant à l’image satellite dans l’explorateur de
l’ordinateur .............................................................................................................. 39
4.3. Ouverture du projet QGIS à utiliser ......................................................................... 40
4.4. Définition du SCR du projet QGIS ............................................................................. 40
4
4.5. Ajout des bandes spectrales individuelles d’une image satellite dans un projet QGIS
et visualisation des bandes en « dégradé de gris » ................................................. 40
4.6. Accès aux propriétés des bandes spectrales d’une image satellite ......................... 41
4.7. Fusion de bandes spectrales individuelles d’une image satellite en un seul fichier
unique multi-bandes ................................................................................................ 43
4.8. Visualisation de compositions colorées d’une image satellite ................................ 45
4.8.1. Composition « vraies couleurs » et composition « fausses couleurs »..... 45
4.8.2. Amélioration de la visualisation d’une image satellite ............................. 48
4.8.2.1. Symbologie ....................................................................................... 48
4.8.2.2. Transparence.................................................................................... 51
4.8.2.3. Rendu ............................................................................................... 51
4.8.2.4. Pyramides ......................................................................................... 51
4.9. Autres outils d’interrogation des images ................................................................. 52
4.9.1. L’outil « Identifier les entités » .................................................................. 52
4.9.2. Outil de mesures de distances, superficies et angles ................................ 53
5. Analyse de changement simple dans QGIS ............................... 54

5.1. Accès aux images satellites basse résolution de type NDVI du capteur SPOT-
VEGETATION: recherche et téléchargement ........................................................... 56
5.2. Analyse visuelle des images satellites NDVI basse résolution ................................. 63
5.3. Analyse de changement mathématique .................................................................. 68
5.3.1. Différence mathématique avec la « Calculatrice Raster » ........................ 68
5.3.2. Gestion des pixels ne correspondant pas à du NDVI................................. 70
5.3.2.1. Création d’un raster de masque binaire 0 1 .................................... 71
5.3.2.2. Masquage de l’image de changement de NDVI par le raster de
masque binaire 0 1 ........................................................................... 74
5.3.3. Choix d’une symbologie appropriée.......................................................... 76
6. Analyse de séries temporelles d’images sur bases d’applications

web......................................................................................... 80
6.1. « QuickMapServices » (QMS) via QGIS .................................................................... 82
6.2. Google Earth Pro Desktop ........................................................................................ 84
6.3. Google EarthEngine Timelapse ................................................................................ 87
6.4. Global Forest Change par « University of MARYLAND » .......................................... 89
5
6.5. EO Browser ............................................................................................................... 91
6.5.1. Analyse sur la partie Nord du territoire étudié ......................................... 92
6.5.2. Analyse sur une parcelle déforestée ......................................................... 96
6.6. Time series viewer SPOT-VGT & PROBA-V ............................................................... 99
6.7. Terrascope .............................................................................................................. 105
6.8. Viewer quotidien des images PROBA-V ................................................................. 106
6.9. Système mondial d’information et d’alerte rapide sur l’alimentation et l’agriculture
(SMIAR) .................................................................................................................. 107
6.10. Fonte des glaces du pôle Nord ............................................................................... 108
7. Manipulations de données hyperspectrales dans QGIS .......... 109

7.1. Introduction............................................................................................................ 110
7.2. Manipulation de données hyperspectrales ponctuelles (ASD) dans « ViewSpecPro »
............................................................................................................................... 111
7.3. Manipulation de données hyperspectrales images (CHRIS-PROBA) ..................... 113
7.3.1. Présentation de l’image hyperspectrale ................................................. 113
7.3.2. Manipulations et analyses à partir de l’image hyperspectrale ............... 114
7.3.2.1. Compositions colorées de l’image hyperspectrale ........................ 114
7.3.2.2. Affichage de la signature spectrale de différentes occupations du sol
........................................................................................................ 115
7.3.2.3. Graphique 2D de bandes spectrales 2 à 2 ..................................... 117
7.3.2.4. Cube hyperspectral ........................................................................ 119
7.3.2.5. Importance du « Fichier entête » ou « Header file » ..................... 120
8. Classification supervisée d’images satellites multispectrales et

analyse diachronique : méthode simple et méthode avancée
(dans QGIS) ........................................................................... 121
8.1. INFORMATIONS PREALABLES IMPORTANTES ! ...................................................... 122
8.1.1. METHODE SIMPLE & METHODE AVANCEE.............................................. 122
8.1.2. Traitements déjà réalisés ........................................................................ 123
8.2. Introduction et objectifs......................................................................................... 123
8.2.1. Objectifs ................................................................................................... 123
8.2.2. Etapes méthodologiques principales ...................................................... 123
6
8.2.3. Choix du logiciel : QGIS 3.10 (ou version ultérieure)............................... 126
8.2.4. Contextualisation ..................................................................................... 126
8.3. Préparation du projet QGIS .................................................................................... 129
8.3.1. Création d’un nouveau projet QGIS ou ouverture du projet QGIS
préexistant ............................................................................................... 129
8.3.2. Identification du système de coordonnées à utiliser .............................. 131
8.3.3. Présentation et installation du plugin « Semi-Automatic Classification
Plugin » (SCP) ........................................................................................... 132
8.4. Données auxiliaires : présentation, création, acquisition et prétraitements ........ 134
8.4.1. Données auxiliaires vectorielles .............................................................. 134
8.4.2. Données auxiliaires raster ....................................................................... 135
8.4.2.1. Raster d’altitude ............................................................................. 135
8.4.2.1.1. Téléchargement du Modèle Numérique de Terrain (MNT) ............................ 136
8.4.2.1.2. Ajout des 4 MNT dans QGIS ............................................................................ 138
8.4.2.1.3. Fusion des 4 MNT ........................................................................................... 138
8.4.2.1.4. Reprojection du MNT fusionné dans le bon système de coordonnées .......... 138
8.4.2.1.5. Découpage du MNT sur la zone d’étude ......................................................... 139
8.4.2.1.6. Rééchantillonner le MNT à une taille de pixel plus faible ............................... 140
8.4.2.2. Raster de proximité aux rivières .................................................... 141

8.5. Acquisition des images satellites............................................................................ 142
8.5.1. Choix des dates des images satellites, notamment pour une analyse
diachronique ............................................................................................ 142
8.5.1.1. Comparabilité des images vs variations météorologiques
saisonnières et interannuelles ....................................................... 142
8.5.1.2. Saison/période vs classes d’occupation du sol .............................. 142
8.5.1.3. Disponibilité des images vs couverture nuageuse ......................... 143
8.5.2. Recherche, choix et téléchargement des images satellites dans le cadre de
cet exercice .............................................................................................. 143
8.5.2.1. Analyse à faire avant le téléchargement des images satellites ..... 143
8.5.2.1.1. Recherche et identification des capteurs satellites ........................................ 144
8.5.2.1.2. Analyse des conditions climatiques et météorologiques ................................ 144
8.5.2.2. Remarque méthodologique sur la recherche et le téléchargement

des images satellites : site web vs plugin SCP de QGIS .................. 149
8.5.2.3. Recherche et téléchargement de l’image Landsat-5 via le site web
« EarthExplorer »............................................................................ 150
7
8.5.2.3.1. Recherche de l’image Landsat-5 via le site web « Earth Explorer » ................ 150
8.5.2.3.2. Téléchargement de l’image Landsat-5 via le site web « Earth Explorer »....... 154
8.5.2.4. Recherche et téléchargement des images Sentinel-2 via le site web

« SciHub » ....................................................................................... 158
8.5.2.4.1. Recherche des images Sentinel-2 via le site web « Scihub » .......................... 158
8.5.2.4.2. Téléchargement des images Sentinel-2 via le site web « Scihub » ................. 163
8.5.3. Présentation des caractéristiques techniques des images sélectionnées

................................................................................................................. 163
8.5.4. Téléchargement des images avec prétraitements dans la foulée via le
plugin SCP dans QGIS ............................................................................... 166
8.5.4.1. Connexion aux sites web sources des images satellites via le plugin
SCP dans QGIS ................................................................................ 167
8.5.4.2. Recherche d’images via le plugin SCP dans QGIS .......................... 168
8.5.4.3. Options de téléchargement des images via le plugin SCP dans QGIS
........................................................................................................ 170
8.5.4.4. Prétraitement des images dans la foulée du téléchargement via le
plugin SCP dans QGIS ..................................................................... 172
8.5.4.5. Téléchargement des images avec prétraitement dans la foulée via le
plugin SCP dans QGIS ..................................................................... 173
8.6. Prétraitements des images satellites non couplés au téléchargement via le plugin
SCP dans QGIS ........................................................................................................ 176
8.6.1. Décompression des dossiers téléchargés ................................................ 176
8.6.2. Conversion de radiance vers réflectance / correction atmosphérique
DOS1 et création d’un « Jeu de bandes »................................................ 177
8.6.3. Création d’un « Jeu de bandes » et affichage des images dans QGIS ..... 178
8.6.3.1. Création d’un « Jeu de bandes » .................................................... 179
8.6.3.2. Affichage d’une composition colorée des images satellites .......... 180
8.6.4. Découpage spatial de l’image sur la zone d’intérêt (en anglais : « Spatial
subset », « clip », « crop ») ...................................................................... 182
8.6.5. Regroupement/assemblage des bandes spectrales individuelles d’une
image dans un fichier image unique multi-bandes (anglais : layer
stacking) ................................................................................................... 183
8.6.6. Pan-sharpening ........................................................................................ 184
8.6.7. Rééchantillonnage des images vers une plus faible résolution spatiale
(anglais : resampling) ............................................................................... 184
8.6.8. Mosaïquage de 2 images voisines ........................................................... 186
8
8.6.9. Mosaïquage de 2 images Sentinel-2 superposées pour réduire/supprimer
la couverture nuageuse ........................................................................... 187
8.6.9.1. Concept de reconstruction d’image dés-ennuagée ....................... 187
8.6.9.2. Les grandes étapes du mosaïquage ............................................... 189
8.6.9.3. Création d’un masque de nuage .................................................... 189
8.6.9.3.1. Création d’un masque de nuages à partir d’un fichier vectoriel de masque
existant ........................................................................................................... 190
8.6.9.3.2. Création d’un masque de nuages par classification des nuages dans l’image à
masquer .......................................................................................................... 192
8.6.9.4. Appliquer le masque de nuages sur une image ............................. 193

8.6.9.5. Mosaïquer l’image masquée et la deuxième image ...................... 194
8.6.10. Création de néocanaux (indices de végétation, ACP, etc) ...................... 196
8.6.10.1. Calcul de divers indices .................................................................. 196
8.6.10.2. Analyse en Composantes Principales (ACP) ................................... 196
8.6.11. Géoréférencement .................................................................................. 197
8.6.11.1. Géoréférencement par point de calage ou GCP ............................ 197
8.6.11.2. Géoréférencement de type « image à image » ............................. 198
8.6.12. Masque de nuages multi-dates, applicable à chacune des 2 images de
l’analyse diachronique, Landsat-5 et Sentinel-2 mosaïquée................... 198
8.6.12.1. Principe de création d’un masque de nuages multi-dates ............ 198
8.6.12.2. Création d’un masque de nuages pour l’image Landsat-5 ............ 199
8.6.12.3. Création d’un masque de nuages pour l’image Sentinel-2 mosaïquée
202
8.6.12.4. Création du « masque fusionné » ou « masque somme » de nuages
applicable aux images Landsat-5 et Sentinel-2 .............................. 204
8.6.12.5. Application du « masque fusionné » ou « masque somme » à
chacune des 2 images .................................................................... 205
8.7. Observation des images et identification des classes d’occupation du sol ........... 207
8.7.1. De l’importance de l’observation des images ......................................... 207
8.7.2. Identification des classes d’occupation du sol ........................................ 207
8.7.3. Présentation de la description des classes d’occupation du sol ............. 209
8.7.4. Observation des images en 2D ................................................................ 213
8.7.4.1. Visualiser l’image en composition vraies et fausses couleurs ....... 213
8.7.4.2. Amélioration de contraste ............................................................. 215
9
8.7.5. Observation multi-temporelle ................................................................. 216
8.7.6. Observation des images en 3D via une représentation du relief naturel 217
8.7.7. Utilisation de données complémentaires pour la photo-interprétation
d’une image ............................................................................................. 220
8.8. Classification supervisée par maximum de vraisemblance ................................... 222
8.8.1. La classification supervisée par maximum de vraisemblance, une méthode
de classification parmi d’autres ............................................................... 222
8.8.2. La classification supervisée : un processus itératif.................................. 224
8.8.3. Sélection des « ROI – Region Of Interest » de calibration ou aires
d’entrainement pour chaque classe : bonnes pratiques ........................ 224
8.8.4. Création des ROI de calibration dans SCP ............................................... 227
8.8.4.1. Préalables à la création de ROI ...................................................... 227
8.8.4.1.1. Définir le « Jeu de bandes » à considérer pour la création des ROI ................ 227
8.8.4.1.2. Paramétrage des préférences SCR de QGIS .................................................... 228
8.8.4.2. Création d’un fichier de ROI dans SCP ........................................... 229

8.8.4.3. Sauvegarde / rappel de ROI ........................................................... 232
8.8.5. Prévisualisation de la classification ......................................................... 233
8.8.6. Application de la classification ................................................................ 234
8.8.7. Etude de la séparabilité spectrale des classes spectrales ....................... 237
8.8.7.1. Graphique des signatures spectrales ............................................. 238
8.8.7.2. Indices de séparabilité spectrale.................................................... 239
8.8.8. Classification rapide des nuages en vue de la réalisation d’un masque de
nuages amélioré ...................................................................................... 240
8.9. Amélioration de la classification par reclassification conditionnelle et données
auxiliaires ............................................................................................................... 244
8.9.1. Introduction ............................................................................................. 244
8.9.2. Préparation des données auxiliaires contenant les paramètres utiles à la
reclassification conditionnelle ................................................................. 244
8.9.3. Reclassifications conditionnelles en pratique ......................................... 245
8.10. Post-traitements d’une image classifiée pour en améliorer le rendu visuel ou la
raffiner ................................................................................................................... 247
8.11. Evaluation de la précision de la classification par « matrice de confusion » ou
« table de contingence » ....................................................................................... 249
10
8.11.1. Considérations générales sur l’évaluation de la qualité d’une classification
249
8.11.1.1. Evaluation de la qualité d’une classification et notions de calibration
vs validation ................................................................................... 249
8.11.1.2. Stratégies d’échantillonnage des zones de validation (ROI de
validation)....................................................................................... 252
8.11.1.3. De la qualité d’une classification.................................................... 253
8.11.2. Validation par échantillonnage stratifié aléatoire ................................... 254
8.11.2.1. Ressources complémentaires ........................................................ 254
8.11.2.2. Les grandes étapes ......................................................................... 254
8.11.2.3. Calcul du nombre de points de validation par classe .................... 254
8.11.2.4. Création des points de validation .................................................. 256
8.11.2.5. Attribution des classes aux ROI de validation via photo-
interprétation (ou autre technique) .............................................. 258
8.11.2.6. Création de la matrice de confusion (avant et après regroupement
des classes et/ou post-traitements) .............................................. 259
8.11.2.7. Matrice de confusion : construction et interprétation, un exemple
illustré 262
8.12. Matrice de transition .............................................................................................. 266
8.12.1. Définition de la matrice de transition ..................................................... 266
8.12.2. Création de la matrice de transition........................................................ 266
8.12.3. Interprétation de la matrice de transition .............................................. 267
8.12.4. Mise en relation des précisions de classification et de l’ampleur des
changements détectés ............................................................................ 267
8.13. Graphiques exprimant l’évolution de l’occupation du sol ..................................... 268
8.13.1. Histogramme par classe .......................................................................... 269
8.13.2. Camembert par classe ............................................................................. 269
8.14. Réalisation de cartes d’occupation du sol - Mise en page cartographique ........... 270
8.15. Discussion et limitations de l’approche ................................................................. 271
9. Analyse de données SAR SENTINEL-1 (télédétection active) pour

la cartographie d’inondation dans SNAP (en anglais) ............. 272
9.1. Tutoriel source: “ESA Echoes in Space - Hazard: Flood mapping with Sentinel-1
(ESA EO College)” ................................................................................................... 273
11
9.2. Objective (video timing: 0 min 00 sec) ................................................................... 273
9.3. Technical description of the 2 Sentinel-1 images used.......................................... 273
9.4. Download of the 2 Sentinel-1 images (not in the video) ....................................... 275
9.5. SNAP software - Download and installation (not in the video) ............................. 276
9.6. Opening of the 2 Sentinel-1 images in SNAP (video timing: 0 min 30 sec)............ 277
9.7. Main steps of the workflow described in this section (video timing: 2 min 18 sec)
............................................................................................................................... 278
9.8. Visual analysis of the 2 images side by side (video timing: 3 min 09 sec) ............. 279
9.9. Analysis of images Metadata (video timing: 3 min 15 sec) .................................... 280
9.10. Spatial subset of the images, on an area common to the 2 images, where the main
floods occur (video timing: 3 min 53 sec) .............................................................. 281
9.11. Intermediate steps: closing/opening images (video timing: 6 min 00 sec) ........... 282
9.12. Multilooking (video timing: 6 min 30 sec) .............................................................. 283
9.13. Radiometric Calibration (video timing: 7 min 35 sec) ............................................ 284
9.14. Intermediate steps: visualization (video timing: 8 min 22 sec) ............................. 285
9.15. Terrain Correction (video timing: 10 min 22 sec) .................................................. 287
9.16. Visualization of the terrain corrected images (video timing: 11 min 32 sec) ........ 288
9.17. Combination of the Archive and Crisis images to produce a RGB composite of the
flooded area, preliminary step: images stack (video timing: 13 min 25 sec) ........ 290
9.18. Overlay of the stacked images for visual comparison of the 2 images (optional) . 292
9.19. RGB composite image (video timing: 16 min 50 sec)............................................. 293
9.20. Interpretation of the RGB composite image (video timing: 17 min 28 sec) .......... 294
9.21. Exportation of the RGB composite of the flood map in another format and
visualization of the result in GOOGLE EARTH PRO (video timing: 19 min 22 sec) 295
9.22. Autre tutoriel: Satellite Remote Sensing of Flood Monitoring and Management
(NASA ARSET) ......................................................................................................... 297
10. SPIRITS : Analyse d’une série temporelle d’images NDVI basse

résolution dans SPIRITS ......................................................... 298
10.1. Contenu du dossier de l’exercice ........................................................................... 299
10.2. Introduction et motivation ..................................................................................... 300
10.3. Grandes étapes....................................................................................................... 301
10.4. Téléchargement des données ................................................................................ 301
12
10.4.1. Commande des images NDVI via le « Copernicus Global Land Service » 301
10.4.2. Téléchargement via « FileZilla Client » des images NDVI commandée... 308
10.4.3. Dé-compression des images téléchargées .............................................. 309
10.4.4. Téléchargement des fichiers vectoriels shapefile ................................... 312
10.5. Aperçu des données dans QGIS (facultatif) ........................................................... 313
10.6. Utilisation de SPIRITS.............................................................................................. 313
10.6.1. Téléchargement et installation de SPIRITS .............................................. 313
10.6.2. Démarrage de SPIRITS et découverte de l’interface ............................... 313
10.6.3. Création d’un projet SPIRITS.................................................................... 314
10.6.4. Importation des images dans SPIRITS et conversion de leur format ...... 317
10.6.5. Visualisation d’une série d’images NDVI ................................................. 322
10.6.5.1. Création d’un « map template » ou template de carte (QNQ)...... 323
10.6.5.2. Production d’une série de cartes à partir d’un « map template » 323
10.6.6. Extraction de statistiques à partir des images NDVI ............................... 326
10.6.6.1. Création de la structure de la base de données ............................ 326
10.6.6.2. Création de l’image raster des zones d’intérêt pour l’extraction des
statistiques ..................................................................................... 333
10.6.6.3. Extraction des statistiques sur les valeurs de NDVI à partir des
images 335
10.6.6.4. Visualisation des profils temporels de NDVI par région ................ 339
10.6.7. Lissage temporel des images NDVI et extraction des statistiques .......... 346
10.6.7.1. Concept du lissage temporel d’images satellites ........................... 346
10.6.7.2. Lissage temporel des images NDVI ................................................ 346
10.6.7.3. Extraction des statistiques sur les images NDVI lissées
temporellement ............................................................................. 348
10.6.8. Création de carte d’anomalie .................................................................. 351
10.6.8.1. Calcul de « Long Term Average » (LTA) des images NDVI ............. 351
10.6.8.2. Calcul d’anomalie du NDVI via la méthode « Relative difference »
353
10.6.8.3. Visualisation des images d’anomalie de NDVI ............................... 355
10.6.9. Analyse des variables phénologiques ...................................................... 359
10.6.9.1. Présentation du concept d’extraction de variables phénologiques à
partir de courbes d’évolution du NDVI .......................................... 359
13
10.6.9.2. Calcul des variables phénologiques à partir des images NDVI
temporellement lissées (résultat = des images correspondant à des
paramètres phénologiques) ........................................................... 360
10.6.9.3. Visualisation des images correspondant aux paramètres
phénologiques ................................................................................ 363
10.6.9.4. Création de la structure de la base de données pour accueillir les
variables phénologiques ................................................................ 370
10.6.9.5. Extraction des statistiques par zone (RUM) pour les variables
phénologiques ................................................................................ 371
10.6.9.6. Visualisation des statistiques par zone (RUM) pour les variables
phénologiques ................................................................................ 373
11. BFAST : Breaks For Additive Season and Trend (dans R et

RSTUDIO) .............................................................................. 376
11.1. Introduction............................................................................................................ 377
11.2. Contenu du dossier de l’exercice ........................................................................... 377
11.3. Présentation de BFAST (package de R) .................................................................. 378
11.3.1. Fonction “BFAST”..................................................................................... 378
11.3.2. Fonction « BFASTmonitor » ..................................................................... 379
11.4. Tutoriel source ....................................................................................................... 381
11.5. Installation des 2 logiciels R et RSTUDIO ................................................................ 382
11.5.1. Téléchargement et installation de R ....................................................... 382
11.5.2. Téléchargement et installation de R STUDIO .......................................... 382
11.6. Présentation des images MODIS « MOD13Q1 » .................................................... 383
11.7. Présentation du MODIS « Fixed Sites Subsets Tool » ............................................ 385
11.8. Utilisation de BFAST dans R et RSTUDIO ................................................................ 387
12. Autres outils d’analyses de séries temporelles d’images satellites

............................................................................................. 389
12.1. AρρEEARS - Application for Extracting and Exploring Analysis Ready Samples ..... 389
12.2. LandTrendr via Google Earth Engine ...................................................................... 389
12.3. MODIS NDVI Time Series ........................................................................................ 389
12.4. Time series analysis in remote sensing by LUND UNIVERSITY ............................... 389
12.5. QGIS EO Time Series Viewer .................................................................................. 390
14
13. Introduction à GOOGLE EARTH ENGINE (GEE) ........................ 391
13.1. Préalable !! ............................................................................................................. 392
13.2. Présentation de Google Earth Engine (GEE) (30 min) ............................................ 392
13.2.1. Page web principale................................................................................. 392
13.2.2. Vidéo d’introduction (2 minutes) ............................................................ 393
13.2.3. Timelapse................................................................................................. 393
13.2.4. Exemples de cas d’étude avec GEE.......................................................... 394
13.2.5. Les datasets ............................................................................................. 394
13.2.6. 2 Interfaces: EXPLORER et CODE EDITOR ................................................ 395
13.2.6.1. EXPLORER ....................................................................................... 395
13.2.6.2. CODE EDITOR: ................................................................................ 395
13.2.7. Documentations ...................................................................................... 397
13.3. Exercices ................................................................................................................. 398
13.3.1. GEE EXPLORER ......................................................................................... 398
13.3.1.1. Découverte de l’EXPLORER et classification supervisée (20 minutes)
398
13.3.1.2. Advanced - Visualizing change over time (5 min) .......................... 399
13.3.1.3. Raster de classification (2 minutes) ............................................... 400
13.3.1.4. Advanced - Viewing Classified Rasters (5 min) .............................. 400
13.3.2. GEE CODE EDITOR.................................................................................... 400
13.3.2.1. Découvrir et visualiser une collection via le code editor (45 minutes)
400
13.3.2.2. Tutoriel officiel « The Earth Engine API »....................................... 404
13.3.2.2.1. Visualizing Images and Image Bands (20 minutes) ......................................... 404
13.3.2.2.2. Computations using Images (20 min) ............................................................. 405
13.3.2.2.3. Image Collections (20 minutes) ...................................................................... 406
13.3.2.2.4. Compositing, Masking, and Mosaicking (20 minutes) .................................... 407
13.3.2.2.5. NDVI, Mapping a Function over a Collection, Quality Mosaicking .................. 409
13.3.2.2.6. Exporting Charts and Images .......................................................................... 409
13.3.2.3. Landsat Algorithms ........................................................................ 409

13.4. Ressources complémentaires ................................................................................ 409
14. Visionnage de la vidéo « HOLOGLOBE » ................................. 410

14.1. Présentation de la vidéo « HOLOGLOBE » ............................................................. 410
15
14.2. Traduction des commentaires de la vidéo HOLOGLOBE_v3 .................................. 411
15. Sites web intéressants ........................................................... 413

15.1. Applications environnementales ........................................................................... 413
15.2. Divers ...................................................................................................................... 413
16. Exemples d’applications de la télédétection spatiale pour la

gestion des risques et des catastrophes ................................. 415
16.1. Le programme COPERNICUS et le SERTIT .............................................................. 415
16.2. Exemples supplémentaires par outils ou thématique ........................................... 418
17. Recherche d’images satellites sur le web ............................... 423
18. Ressources complémentaires en ligne ................................... 427

18.1. ARSET NASA Applied Remote Sensing Training ..................................................... 427
18.2. SNAP de l’ESA ......................................................................................................... 427
18.3. EO College - The first Massive Open Online Course on Radar Remote Sensing .... 427
18.4. SERVIR Training Materials ...................................................................................... 428
18.5. EO LEARN ................................................................................................................ 428
18.6. Pôle THEIA .............................................................................................................. 429
18.7. Newcomers Earth Observation Guide.................................................................... 429
18.8. Eduspace (ESA) ....................................................................................................... 429
18.9. “From GIS to Remote Sensing” .............................................................................. 429
19. Newsletters auxquelles s’abonner ......................................... 430
20. Quelques logiciels de télédétection spatiale .......................... 431
21. Liste de logiciels utilisés dans ce manuel ................................ 432
16
1. Introduction
1.1. Objectifs de ce manuel

Ce manuel présente une série d’exercices de télédétection spatiale, prêts à l’emploi, avec
données et logiciels libres. Les exercices vont du « niveau découverte » à un « niveau plus
avancé » tout en restant très abordables pour des étudiants de Master 1 et 2. Les exercices
peuvent se réaliser en autonomie grâce aux instructions méthodologiques détaillées et aux
nombreuses illustrations. En plus des exercices en tant que tels de nombreuses ressources
complémentaires sont proposées (sites web, applications).
Ce manuel propose :
 La présentation de quelques concepts de base via quelques rappels théoriques

 Des exercices de pure découverte via
o La découverte d’applications web (Google Earth Pro, portails web) permettant
de visualiser des images satellites et de réaliser des analyses sommaires
o L’exploration de base d’une image satellite dans QGIS (ouverture, description
technique, technique de visualisation 2D et 3D, etc)
 La présentation de quelques portails web mettant à disposition au téléchargement
des images satellites de différents types : USGS Earth Explorer, Copernicus Open
Access Hub,…
 Une variété de techniques d’analyse de données d’observation de la terre :
o Analyse de changement visuelle et mathématique
o Analyse de séries temporelles d’images via des applications web et des
logiciels spécialisés (SPIRITS, R et RSTUDIO)
o Classification supervisée d’images satellites multispectrales
o Analyse diachronique pour étudier l’évolution de l’occupation du sol
o La cartographie de zones inondées par télédétection RADAR (SAR-Sentinel-1)
o La découverte de Google Earth Engine et la possibilité de travailler facilement
à l’échelle de la planète via le cloud
 Appliquées sur une variété de type d’images :
o De diverses résolutions spectrales : multispectrale, hyperspectrale, RADAR
o De diverses résolutions spatiales : basse à très haute résolution spatiale
 Avec des outils, logiciels ou applications web, récents et libres : QGIS, SPIRITS, SNAP,
R et RSTUDIO, Google Earth Engine, Google Earth Pro, EO Browser, etc
 La présentation de nombreuses ressources en ligne supplémentaires : sites web
intéressants, exemples d’applications liées à la gestion des risques et des
catastrophes, sites web de référence mettant à disposition des tutoriaux, etc
17
1.2. Accès aux données et ressources relatives à ce manuel
Ce manuel et les données nécessaires pour faire les exercices sont disponibles gratuitement
via le site web ORBI de l’ULIEGE à l’adresse :
 https://orbi.uliege.be/handle/2268/240835
Attention !, l’ensemble des données est très volumineux (~3.5 Go pour

l’ensemble du manuel). Ne téléchargez donc PAS systématiquement toutes les
données mises à disposition mais uniquement les données nécessaires pour les
exercices que vous entreprenez. L’encadré en début de chaque section du
manuel vous indiquera quel dossier vous devrez télécharger pour mener à bien
cette section. Vous téléchargerez ces données sur votre ordinateur en local.
Attention !, le répertoire qui accueillera les données sur votre ordinateur

personnel :
 Ne doit pas être trop longs : idéalement votre répertoire de travail doit
se trouver proche de la racine d’un disque dur (proche de la lettre du
disque dur)
 Ne doit pas contenir de caractères spéciaux (é, à, è, -, etc) ou espace
(préférez l’underscore « _ ») mais uniquement des chiffres ou des lettres
de base sans accents.
Téléchargez le/les dossiers d’intérêt
Placez chaque dossier téléchargé dans votre répertoire de travail.
Décompressez/dézippez les dossiers compressés avant de les utiliser.
Les données non directement disponibles sur ORBI (parce que trop volumineuses) sont
téléchargeables à partir des sites web renseignés dans chacune des sections.
18
1.3. Conseil d’utilisation de ce manuel
Aidez-vous, pour naviguer dans ce document, de la table des matières et des « signets » du
document PDF disponibles via le panneau latéral de gauche de ce document (Figure 1).
Vous remarquerez que de nombreux hyperliens renvoyant à des sections parfois éloignées
dans le document sont utilisés. Pour revenir facilement à l’endroit à partir duquel l’hyperlien
a été cliqué, utilisez, dans le logiciel Adobe Acrobat Reader, les touches « alt flèche
gauche ».
Figure 1 : Utilisez les signets pour naviguer plus facilement dans ce manuel !
19
1.4. Liens avec les cours ULIEGE
Ce document est le manuel des travaux pratiques de télédétection spatiale utilisé pour les
cours ULIEGE (Belgique) suivants :
 ENVT2027-1 : 12 heures de TP dont 6 en télédétection

 ENVT2027-3 : 24 heures de TP dont 12 en télédétection
 RISQ2018-1 : 36 heures de TP dont 18 en télédétection
 GEOG0060 : 25 heures de TP en télédétection
Les parties de ce manuel vues lors de ces différents cours sont sélectionnées en fonction des
objectifs spécifiques de chaque cours.
Ce manuel présente, en plus des exercices réalisés dans le cadre de ces cours avec les
étudiants, une série de ressources supplémentaires.
20
2. Notions de télédétection - Quelques
rappels théoriques
2.1. La télédétection
La télédétection (détection à distance, Remote Sensing (RS) en anglais) désigne, dans son
acception la plus large, la mesure ou l'acquisition d'informations sur un objet ou un
phénomène, par l'intermédiaire d'un instrument de mesure n'ayant pas de contact avec
l'objet étudié (Figure 2).
C'est l'utilisation à distance (par exemple, d’un drone, d'un avion, d'un engin spatial, d'un
satellite ou encore d'un bateau) de n'importe quel type d'instrument permettant
l'acquisition d'informations sur l'environnement. On fait souvent appel à des instruments
tels qu’appareils photographiques, lasers, radars, sonars, sismographes ou gravimètres.
Figure 2 : Principe de la télédétection spatiale passive (Source : http://www.alertes-

meteo.com/)
21
L’on distingue en général les moyens de télédétection « actif » et « passif » (Figure 3):
 Télédétection passive: enregistrement du rayonnement naturel, fourni par la lumière

ou la chaleur, qu’il soit émis, réfléchi ou réfracté (ex : photographies aériennes du
paysage éclairé par la lumière du soleil ainsi que certaines images satellitaires comme
(SENTINEL-2, LANDSAT, IKONOS, SPOT,…)
 Télédétection active : enregistrement du rayonnement que réfléchit l’objet ou le
paysage « illuminé » par l’appareil de mesure (ex : images radar (SENTINEL-1,…))
Figure 3 : Illustration des principes de télédétection passive (à gauche) et de télédétection active (à

droite). (Source de l’illustration : https://paititi.info/research-technology/remote-sensing-from-
space/)
La télédétection spatiale, dans le domaine de l'astronautique, est l'ensemble des

connaissances et des techniques utilisées pour déterminer les caractéristiques de la surface
et de l'atmosphère de la Terre ou d'une autre planète, par des mesures effectuées à partir
d'un engin spatial évoluant à distance convenable de cette dernière. Le terme correspondant
en anglais est « remote sensing from space ».
La télédétection spatiale mesure les rayonnements électromagnétiques émis ou réfléchis

des objets étudiés (végétation, sol, bâtit, surfaces d'eau ou masses d'air, etc) dans un certain
domaine de longueurs d’ondes ou fréquences (infrarouge, visible, micro-ondes - voir Annexe
3). Le rayonnement électromagnétique émis ou réfléchis par ces objets peut varier en
intensité selon la nature de ces objets et selon leur état (teneur en eau, chaleur, etc), ce qui
permet d’utiliser ce rayonnement électromagnétique pour les identifier et les caractériser.
22
Certains instruments de télédétection utilisent des ondes sonores de façon similaire, et
d'autres mesurent des variations dans des champs magnétiques ou gravitaires.
2.2. La réflectance solaire

La réflectance solaire se définit comme le rapport entre l'énergie solaire réfléchie et
l'énergie solaire incidente sur une surface (Energie Solaire Réfléchie / Energie Solaire
Incidente (Figure 4). Par exemple, une réflectance de 100% signifie que la surface en
question réfléchit toute l'énergie solaire dans l'atmosphère et n'en absorbe aucune fraction.
Figure 4 : Principe de la réflectance solaire
23
2.3. La signature spectrale et les capteurs satellites
La signature spectrale d’un élément/d’une matière correspond à la représentation
graphique de la variation de sa réflectance (axe Y) en fonction des longueurs d’onde du
spectre auquel le capteur utilisé est sensible (axe X) (Figure 5). Différents éléments/matières
(ex : terre vs végétation) ou des éléments/matières présentant différents états (ex : plus ou
moins humide/sec) présenteront en général une signature spectrale différente. La signature
spectrale peut donc être utilisée pour identifier/reconnaitre/caractériser différents
éléments/matières et/ou leur état.
Figure 5 : Signature spectrale de différentes matières/éléments du paysage
Les capteurs multispectraux embarqués sur la plupart des satellites d’observation de la terre
n’enregistrent pas la signature spectrale de la surface terrestre avec autant de précision que
présenté à la Figure 5. Ils enregistrent en général l’énergie réfléchie par la surface de la terre
dans quelques gammes assez larges de longueurs d’ondes tel que présenté pour quelques
capteurs satellites bien connus à la Figure 6. La « signature spectrale » dérivée de ce type de
capteur ne sera donc composée que de quelques valeurs, une par bande spectrale.
Cependant certains capteurs satellites (rares), dit « hyperspectraux », peuvent enregistrer
une signature spectrale très précise grâce à un très grand nombre de bandes spectrales
étroites, comme pour le capteur CHRIS embarqué sur le satellite PROBA 1 (Figure 6).
24
Figure 6 : Signature spectrale typique de la végétation verte et résolutions spectrales et spatiales
de différents capteurs satellites multispectraux bien connus et d’un capteur hyperspectral (capteur
CHRIS sur le satellite PROBA 1). Les rectangles de couleurs correspondent aux différentes bandes
spectrales disponibles dans une image satellite. (Source : adapté de DENIS A, 2018, Can satellites
help organic crops certification? https://orbi.uliege.be/handle/2268/226209)
25
2.4. Exemples d’applications de la télédétection
Les exemples d’applications de la télédétection spatiale sont très nombreux :
 La production de cartes d’occupation du sol par classification de données

multispectrales ou autres
 Le suivi des conditions de végétation naturelle ou agricole via l’utilisation de séries
temporelles d’indices de végétation (ex : NDVI, FAPAR, etc)
 Le suivi des catastrophes naturelles telles que les inondations, glissements de
terrain, tremblements de terre, incendies, déforestation, pollutions marines, etc
 Le suivi du changement climatique et des effets induits : suivi de la température de
surface (eau et continent), de la fonte des glaces, du niveau des mers, etc
 La mesure du relief et la réalisation de cartes topographiques via stéréoscopie ou
télédétection radar
 La détection des précipitations, des aéronefs et des navires via télédétection radars
 La cartographie des fonds marins via l’utilisation de sonars
 …
Figure 7 : Quelques exemples d’application de la télédétection spatiale : carte d’occupation du sol,

suivi des conditions atmosphériques, réalisation de Modèles Numériques de Terrain (MNT)
26
2.5. Les différents types de résolutions des images
satellites
2.5.1. Résolution spatiale

o Correspond à la longueur des côtés des pixels de l’image
o Habituellement exprimée en mètres (ou en kilomètres pour les images de basse
résolution spatiale ≥ 1km)
30 mètres (Landsat) 15 mètres (Aster) 10 mètres (SPOT 5) 250 mètres (MODIS)
2.5.2. Résolution temporelle (d’une série temporelle d’images ou d’un

capteur)
o Fréquence à laquelle les images d’une série temporelle sont disponibles/captées
pour un endroit donné
Série temporelle de 36 images NDVI décadaires (36 images * 10 jours = 360 jours = 1 an)
issues du capteur SPOT VEGETATION pour le Pakistan (gauche) et évolution temporelle du
NDVI en un pixel présentant une alternance marquée de l’état de la végétation selon les
saisons (droite). La résolution temporelle de cette série est de « 1 image / 10 jours ».
27
2.5.3. Résolution spectrale
o Aptitude d'un système de détection à distinguer des rayonnements
électromagnétiques de fréquences (/de longueurs d’onde) différentes.
o Le nombre et la largeur (gamme de longueurs d’ondes) des bandes spectrales d’une
image (ou auxquelles un capteur est sensible).
o Plus la résolution spectrale est fine, plus les gammes de longueurs d’ondes des
différents canaux du capteur sont étroites.
Résolution spectrale du capteur SPOT 4, « Cube hyperspectrale », issu d’un capteur

composé de 4 bandes de largeurs comprises hyperspectral (à très haute résolution
entre 70 et 170 µm : spectrale). Par exemple : 2150 bandes
 B1 : 0,50 à 0,59 mm (90 µm) spectrales de 1 nm de large chacune.
 B2 : 0,61 à 0,68 mm (70 µm)
 B3 : 0,78 à 0,89 mm (110 µm)
 MIR : 1,58 à 1,75 mm (170 µm)
28
2.5.4. Résolution radiométrique
o La résolution radiométrique d'un système de télédétection décrit sa capacité à
reconnaître de petites différences dans l'énergie électromagnétique. Plus la
résolution radiométrique d'un capteur est fine, plus le capteur est sensible à de
petites différences dans l'intensité de l'énergie reçue.
o La résolution radiométrique est définie par le nombre maximum de niveaux
d'intensité d'énergie électromagnétique que le capteur peut enregistrer et dépend
du nombre de bits utilisés pour représenter l'intensité enregistrée, par exemple :
o Si 8 bits sont utilisés, 28 soit 256 valeurs numériques allant de 0 à 255 sont
disponibles
o Si 4 bits sont utilisés, 24 soit 16 valeurs numériques allant de 0 à 15 sont
disponibles
4 bits 8 bits
2 bits 8 bits
Sources d’inspiration de la section 2.5 :

 Centre canadien de télédétection : http://cct.rncan.gc.ca/index_f.php
 International Training in Yield forecasting, Introduction to remote sensing for
agriculture applications, Pr. Pierre Defourny (UCL - Geomatics)
29
2.6. Longueurs d’ondes et fréquences du spectre
électromagnétique
(Source: http://en.wikipedia.org/wiki/Electromagnetic_spectrum)
Les couleurs du spectre de la lumière visible

Couleurs Intervalles de longueur d’ondes Intervalles de fréquence
Rouge ~ 630–700 nm ~ 480–430 THz
Orange ~ 590–630 nm ~ 510–480 THz
Jaune ~ 560–590 nm ~ 540–510 THz
Vert ~ 490–560 nm ~ 610–540 THz
Bleu ~ 450–490 nm ~ 670–610 THz
Violet ~ 400–450 nm ~ 750–670 THz
30
3. Découverte de « Google Earth Pro »
Objectifs
Découverte de Google Earth Pro et de ses principales fonctionnalités.
pédagogiques
Aucune donnée spécifique n’est nécessaire pour la réalisation de cet

Données
exercice.
Logiciel ou « Google Earth Pro sur ordinateur »

application https://www.google.com/intl/fr/earth/versions/.
Temps
~ 30 minutes.
approximatif
Prérequis Aucun.
A l’aide des indications ci-dessous :

Consignes de  Installez « Google Earth Pro » sur votre ordinateur et
départ  Explorez les quelques fonctionnalités de « Google Earth Pro »
présentées.
31
« Google Earth Pro » est probablement la plus belle application de la télédétection spatiale
réalisée à ce jour. C’est une représentation de la planète terre en 3D, interactive et
disponible en ligne, construites à partir d’un très grand nombre (milliers/millions ?) d’images
satellites issues de différents capteurs, de différentes résolutions spatiales et enregistrées à
différents moments. Il ne s’agit donc pas (encore) d’une visualisation en directe de la terre !
Google Earth Pro intègre une série de fonctionnalités et de très nombreuses données
supplémentaires (limites administratives, photos, lieux, météo, relief, bâtiments 3D, etc)
(Figure 8 et Figure 9).
Une présentation de Google Earth est disponible ici :
 https://www.google.com/intl/fr_ALL/earth/
Google Earth
Installation de Google Earth Pro sur votre ordinateur

 Connectez-vous à internet.
 Téléchargez Google Earth Pro à
l’adresse http://www.google.fr/intl/fr_ALL/earth/versions/ (en bas de page :
« Télécharger Google Earth Pro sur ordinateur »)
 Installez Google Earth Pro en exécutant le fichier téléchargé
 Démarrez Google Earth Pro (une connexion internet est nécessaire).
32
Figure 8 : Aperçu de quelques fonctionnalités de Google Earth Pro
33
Figure 9 : Aperçu de la fonctionnalité « Images d’archive » de Google Earth Pro pour la Mer d’Aral
Exploration de Google Earth Pro

 Via les outils de navigation, soit la roulette de la souris et les boutons du coin
supérieur droit de l’interface, localisez un endroit qui vous est familier (par exemple,
pour les étudiants d’Arlon, le Campus d’Arlon).
 Cochez l’option « Relief » dans le panneau « Calques » et déplacez-vous dans les
Alpes, l’Himalaya ou une chaîne de montagne de votre choix. Constatez la
modélisation 3D du relief naturel en zoomant sur l’une ou l’autre zone et inclinez
ensuite votre fenêtre de visualisation dans le plan horizontal via la flèche supérieure
du bouton disponible dans le coin supérieur droit de l’interface, ce qui permet

un déplacement oblique ou horizontal. Remarquez que le relief peut être exagéré
(jusque *3) via le menu « Outils > Options… > Vue 3D > Relief > Facteur d’élévation
> et indiquer le chiffre par lequel multiplier artificiellement le relief ».
34
 Dézoomez et positionnez-vous au-dessus de quelques montagnes. Via l’activation du
bouton « Lumière du soleil en fonction de l’heure du jour » dans la partie
supérieure de l’interface et l’utilisation de la ligne du temps qui apparait, constatez
l’effet de la position du soleil sur le réflectance des images, effet particulièrement
visible en zone montagneuse (cet effet d’ombrage est modélisé).
 Tapez ensuite « Manhattan, New-York » dans l’onglet « Recherche ». Vous devriez
arriver à « Central Park ». Déplacez-vous ensuite vers la pointe sud de Manhattan et
cochez l’option « Bâtiments 3D » dans le panneau « Calques ». Inclinez à nouveau la
fenêtre de visualisation dans le plan horizontal et visitez Manhattan en 3D. Déplacez-
vous ensuite vers la « Statue of Liberty ». (Remarque : tout aussi impressionnant, le
campus d’Arlon au Sud de la Belgique est également modélisé en bâtiment 3D).
 Déplacez-vous ensuite vers Paris et explorez « l’Avenue des Champs Elysées » et
« l’Arc de triomphe » et/ou la « Tour Eiffel » à l’aide de l’outil « Street view »

disponible à droite de l’interface : zoomez d’abord fortement sur l’endroit désiré puis
placez le bonhomme orange à l’endroit à explorer en mode « Street view ».
 Découvrez ensuite une vision nocturne de la terre en cochant « Calques > Galerie >
NASA > Lumières de villes de la Terre ». Dézoomez suffisamment que pour visualiser
l’ensemble de la terre.
 La couverture nuageuse (mise à jour toutes les 60 à 90minutes) peut être affichée via
le panneau « Calques > Météo > Nuages ».
 Visualisez les changements d’occupation du sol s’étant produit à un endroit de votre
choix, par exemple pour la « Mer d’Aral » (à taper dans l’onglet de Recherche), via
l’activation du bouton « Afficher des images d’archive… » et l’utilisation de la

ligne du temps qui apparait (Figure 9). Remarquez que le nombre et le type d’images
d’archives visualisables pour une zone varient en fonction du niveau de zoom : zoom
éloigné : une image annuelle ; zoom rapproché : d’autres images souvent de
meilleure résolution spatiale. Remarque : vous pourriez également visualiser avec cet
outil d’autres exemples bien connus d’évolution impressionnante de l’occupation
du sol, tels que ceux qui sont disponibles dans le panneau latéral de gauche de
l’application « Google EarthEngine Timelapse » qui sera présentée à la section « 6.3
Google EarthEngine Timelapse » page 87.
Google Earth permet également d’explorer l’espace, la Lune et Mars via le bouton .
Rem : Attention ! Il est possible de récupérer les images de Google Earth :
 Via une « capture d’écran » (« print screen » en anglais) ou
 Via le menu de Google Earth « Fichier > Enregistrer > Enregistrer l’image… ».
Notez qu’il s’agira cependant d’une image « dégradée » correspondant au zoom et à

l’étendue au moment de la capture, le plus souvent au format « jpg », et non de l’image
satellite originale utilisée pour réaliser cette représentation
35
4. Ouverture et visualisation d’une image
satellite dans QGIS
Les objectifs de cette section sont de vous présenter:

 Quelques outils pour visualiser correctement une image satellite
dans QGIS (symbologie, amélioration de contraste, etc)
 Les caractéristiques techniques principales d’une image satellite
Objectifs
(résolution spatiale, résolution spectrale, etc)
pédagogiques
 Les notions de « composition vraies couleurs » et « composition
fausses couleurs »
 Quelques outils simples pour interroger les images (valeurs de
pixels, localisation, mesures)
Les données nécessaires à la réalisation de cet exercice sont disponibles

dans le dossier « …\1_VISUALISATION\... » (~ 462 MB) et correspondent
essentiellement à une image satellite Landsat-5 composée de 7 bandes
spectrales indépendantes.
Données
& Téléchargez ce dossier sur votre ordinateur en local dans votre
Projet QGIS! répertoire de travail et décompressez-le. ATTENTION ! Voyez la section
1.2 page 18 pour plus d’information sur l’accès aux données.
Projet QGIS : « VISUALISATION.qgz » situé dans ce même dossier.
Logiciel ou QGIS 3.10 ou supérieur

application (https://www.qgis.org/fr/site/forusers/download.html).
Temps
~ 45 minutes
approximatif
Il est préférable, mais non obligatoire, que l’utilisateur ait déjà quelques
Prérequis
notions de base concernant la gestion d’un projet QGIS.
36
Vraies couleurs RGB = B3-B2-B1 Vraies couleurs RGB = B3-B2-B1 Fausses couleurs RGB = B4-B7-B3
SANS amélioration de contraste AVEC amélioration de contraste AVEC amélioration de contraste
Figure 10 : Image Landsat-5 TM utilisée dans le cadre de cet exercice avec différents effets de
visualisation : amélioration de contraste et compositions colorées.
4.1. Présentation de l’image satellite utilisée

L’image satellite utilisée pour cet exercice est une image gratuite de type Landsat-5 TM
(capteur « Thématic Mapper ») acquise le 7 août 1987 sur la région de la ville de Kasese en
Ouganda, région entourée de nombreuses zones naturelles protégées (Figure 10 et Figure
11). Elle est composée de 7 bandes spectrales à 30 mètres de résolution spatiale (résolution
spatiale = longueur des côtés des pixels de l’image) (Figure 12).
Plus d’information sur cette image et la manière de la rechercher et télécharger sur le net
sont données à la section « 8.5.2.3 Recherche et téléchargement de l’image Landsat-5 via le
site web « EarthExplorer » page 150. Ces informations ne sont cependant pas utiles pour cet
exercice-ci.
Les caractéristiques techniques les plus importantes de cette image, dont la résolution
spatiale et la résolution spectrale, sont reprises dans les Figure 12 et Figure 11 ci-dessous.
Les notions de résolution spatiale, résolution spectrale, résolution radiométrique et

résolution temporelle sont bien expliquées et illustrées à la section « 2.5 Les différents types
de résolutions des images satellites » page 27 de ces notes.
37
Nom du fichier téléchargé LT05_L1TP_173060_19870807_20170211_01_T1
Nom du satellite LANDSAT 5 TM
Lieu dans le système LANDSAT (Path, Row) WRS_PATH = 173
et « Tile » de Sentinel-2 WRS_ROW = 60
Système de coordonnées EPSG 32635
Etendue spatiale approximative d’une 170 km north-south by 183 km east-west
image/tile
Date d’acquisition 07 08 1987
Résolution spatiale 30 m
Nombre de bandes spectrales 7
Couverture nuageuse Partielle
Format original des images lors du .tif
téléchargement
Poids numérique du dossier 138 Mo / 460 Mo
compressé/décompressé contenant une
image
Site web de référence pour le https://earthexplorer.usgs.gov/
téléchargement
Page web reprenant les caractéristiques https://www.usgs.gov/land-resources/nli/landsat/landsat-5?qt-
science_support_page_related_con=0#qt-
techniques des images science_support_page_related_con
Figure 11 : Caractéristiques principales de l’image Landsat-5 Thematic Mapper ™ utilisée dans le
cadre de cet exercice.
Numéro de la bande Longueur d’onde (µm) Nom de la bande Résolution spatiale (m)
Band 1 0.45-0.52 Blue 30
Band 2 0.52-0.60 Green 30
Band 3 0.63-0.69 Red 30
Band 4 0.76-0.90 Near Infrared (NIR) 30
Band 5 1.55-1.75 Shortwave Infrared (SWIR) 1 30
Band 6 10.40-12.50 Thermal 120 (30)*
Figure 12 : Description des 7 bandes spectrales des images Landsat-5 Thematic Mapper ™. (Source :
https ://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites ?qt-news_science_products=0#qt-
news_science_products)
* TM Band 6 was acquired at 120-meter spatial resolution, but products are resampled to
30-meter pixels.
38
4.2. Visualisation des fichiers correspondant à l’image
satellite dans l’explorateur de l’ordinateur
Via l’explorateur de votre ordinateur (explorateur Windows ou autre) l’image satellite
Landsat-5 se présente dans le dossier « …\1_VISUALISATION\... » comme illustré à la Figure
13 :
 Les 7 bandes spectrales (Figure 12) correspondent à des fichiers images

indépendants et se terminent par « B1 » à « B7 ».
 Le fichier « BQA.tif » est également un fichier image mais contient une information
sur la qualité des pixels (« Quality Assessment Band ») (pour plus d’info :
https://www.usgs.gov/land-resources/nli/landsat/landsat-collection-1-level-1-
quality-assessment-band?qt-science_support_page_related_con=0#qt-
science_support_page_related_con)
 Le fichier « .jpg » (JPEG) est un fichier image léger qui permet d’avoir un aperçu
rapide de l’image (dont la couverture nuageuse)
 Une série de fichiers de type texte (à ouvrir avec un éditeur de texte come
« Notepad/Bloc-notes ») qui contiennent des métadonnées.
Figure 13 : Visualisation des fichiers correspondant à l’image satellite Landsat-5 dans l’explorateur
de l’ordinateur (explorateur Windows dans ce cas-ci).
39
4.3. Ouverture du projet QGIS à utiliser
 Ouvrez le projet QGIS préalablement créé pour vous et disponible dans le répertoire
« …\1_VISUALISATION\VISUALISATION.qgz » en double-cliquant dessus
Ce projet QGIS est presque vide mais contient une couche shapefile des pays du monde qui
vous permettra de facilement vous localiser.
Vous pouvez éventuellement ajouter une couche de fond (« base map ») qui correspond par
exemple aux images satellites « Google Satellite » via l’utilisation de l’extension QGIS
« QuickMapServices » (à installer et paramétrer correctement si ce n’est pas encore fait
comme indiqué dans le manuel de TP QGIS disponible ici
https://orbi.uliege.be/handle/2268/190559). Cette couche de fond en très haute résolution
spatiale peut parfois être utile pour mieux comprendre le paysage de la zone étudiée.
4.4. Définition du SCR du projet QGIS

L’image Landsat-5 étant fournie dans le système de coordonnées « EPSG : 32635 - WGS84
UTM Zone 35N - projeté », il est préférable, pour le bon fonctionnement de certains outils
QGIS, que le projet QGIS soit lui aussi exprimé dans le même système de coordonnées.
 Cliquez sur le menu « Projet > Propriétés… > SCR > et tapez « 32635 » dans le filtre de
recherche de SCR afin de trouver plus facilement ce SCR > Sélectionnez-le > Cliquez
sur OK
4.5. Ajout des bandes spectrales individuelles d’une image

satellite dans un projet QGIS et visualisation des
bandes en « dégradé de gris »
A l’aide des indications ci-dessous, ajoutez les 7 bandes spectrales individuelles de l’image
satellite Landsat-5 TM dans votre projet QGIS et visualisez chacune des bandes en «
dégradé de gris »
Les images satellites sont des données de type raster et doivent donc s’ouvrir
 Via le bouton « Gestionnaire des sources Open Data » > Raster > Naviguer vers le
répertoire
« 1_VISUALISATION\DATA\LT05_L1TP_173060_19870807_20170211_01_T1\ » >
Sélectionner les bandes B1 à B7.tif > Open > Ajouter > Fermer
40
 Pour plus de facilité de manipulation, placez ces bandes dans le groupe de couche
«LANDSAT BRUT » du projet QGIS préexistant, par simple glissé-déposé dans le
panneau « Couches » de QGIS
Chacune des 7 bandes est visible en « dégradé de gris » (en anglais : « gray scale »).
Les 7 bandes étant reprises comme 7 couches indépendantes, il n’est pas possible de réaliser
directement une « composition colorée » multi-bandes (une image couleur RGB). Pour
pallier à ce problème, il est possible de « fusionner » les 7 bandes en un seul fichier unique
multi-bandes (confer section 4.7 page 43 ci-dessous).
4.6. Accès aux propriétés des bandes spectrales d’une

image satellite
A l’aide des indications ci-dessous, accédez aux propriétés des bandes spectrales de l’image
Landsat-5 TM et identifiez ses caractéristiques techniques les plus importantes, à savoir le
SCR dans lequel elle est exprimée, sa résolution spatiale, son format.
Les propriétés de chaque couche d’information ajoutée dans QGIS sont disponibles via :
 Clic-droit sur la couche > Propriétés… > Information (Figure 14)

 (Clic-droit sur la couche > Propriétés… > Métadonnées : cette rubrique est souvent
vide)
Ces informations renseignent notamment sur le SCR dans lequel est exprimée la couche
d’information, le nombre de pixels constituant l’image en ligne (hauteur) et colonne
(largeur), le format de l’image (GeoTIFF dans ce cas-ci), quelques statistiques sur les bandes
spectrales, la taille du pixel, etc.
41
Figure 14 : Accès aux propriétés d’une couche raster (bande 1 d’une image Landsat-5 TM ici) dans
QGIS
Ces informations et bien d’autres sont également reprises dans les fichiers de type texte
(avec l’extension « .txt ») qui accompagnent l’image au moment du téléchargement depuis
le site web source. Ces fichiers textes, que vous pouvez ouvrir par curiosité avec le logiciel
« bloc note », sont les fichiers (dans le répertoire
« …\1_VISUALISATION\DATA\LT05_L1TP_173060_19870807_20170211_01_T1\ ») :
 LT05_L1TP_173060_19870807_20170211_01_T1_MTL.txt (contient les métadonnées

les plus intéressantes)
 README.GTF
 LT05_L1TP_173060_19870807_20170211_01_T1_ANG.txt
42
4.7. Fusion de bandes spectrales individuelles d’une image
satellite en un seul fichier unique multi-bandes
A l’aide des indications ci-dessous, fusionnez les 7 bandes individuelles de l’image Landsat-5
TM en un seul fichier unique multi-bandes.
Afin de faciliter la manipulation et la visualisation de l’image satellite via notamment la

réalisation de compositions colorées multi-bandes (compositions RGB), une possibilité est de
fusionner les différentes bandes spectrales en une seule image multi-bandes.
Pour fusionner les différentes bandes spectrales en une seule image multi-bandes (Figure
9) :
 Utilisez la fonction QGIS disponible dans le menu « Raster > Divers > Fusionner… » et
paramétrez-la comme indiqué ci-dessous.
 Couches en entrée : sélectionner les 7 bandes B1 à B7 de l’image Landsat-5 à
fusionner
 Cocher l’option « Placer chaque fichier en entrée dans une bande séparée », ce qui
permettra d’obtenir un raster multi-bandes. Sinon le raster résultant ne contient
qu’une seule bande.
 Fusionné : indiquer le répertoire de sortie et nommer le raster en sortie, par exemple
« LT05_L1TP_173060_19870807_20170211_01_T1_FUSION_B1_B7.TIF »
 Décocher « Ouvrir le fichier en sortie après l’exécution de l’algorithme » car cela
ajouterait automatiquement le raster fusionné dans le projet QGIS mais avec le nom
par défaut « Fusionné », ce qui n’est pas idéal.
 Cliquer sur « Exécuter »
 Après exécution de la fonction (quelques secondes sont nécessaires) et vérification
de l’absence de message d’erreur dans le journal de la fonction « Fusionner », fermer
la fenêtre de cette fonction.
 Ajouter le raster fusionné produit manuellement dans votre projet QGIS via le bouton
d’ajout de raster. Pour plus de facilité de manipulation, placez-le dans le groupe de
couche du panneau « Couches » «LANDSAT FUSION »
43
Figure 15 : Fusion des 7 bandes spectrales d’une image Landsat-5 TM pour produire un raster
multi-bandes, dans QGIS via la fonction « Fusion »
44
4.8. Visualisation de compositions colorées d’une image
satellite
A l’aide des indications ci-dessous, réalisez une composition vraies couleurs et 2-3
compositions fausses couleurs de qualité de l’image satellite Landsat-5 TM.
Prenez ensuite quelques secondes pour photo-interpréter l’image satellite, c’est-à-dire
reconnaitre les différentes classes d’occupation du sol (+ nuages) présentes sur cette
image.
4.8.1. Composition « vraies couleurs » et composition « fausses couleurs »

2 types de visualisation des images satellites multispectrales sont à distinguer, à savoir les
« compositions vraies couleurs » et les « compositions fausses couleurs » (Figure 16).
Une composition « vraies couleurs » :
 Est une représentation de l’image en « couleurs naturelles »

 Ne peut être réalisée que si l’image satellite possède les bandes spectrales du Rouge,
Vert et Bleu. Aux 3 canaux RGB (Red, Green, Blue) de l’ordinateur sont associées les
bandes spectrales de l’image satellite correspondant aux longueurs d’onde du rouge,
vert et bleu.
Une composition « fausses couleurs » :
 Correspond à toutes les représentations colorées de l’image qui ne sont pas en

« couleurs naturelles »
 Peut être réalisée dans tous les cas
 Présentent l’avantage de permettre la visualisation de données n’appartenant pas au
spectre du visible, par exemple, l’InfraRouge (IR), des données de type radar, etc.
Autrement dit, ces compositions fausses couleurs « transforment » une donnée non
visible, mais enregistrée par un capteur sensible à ces longueurs d’ondes, en une
donnée visible à l’écran. Cette technique rend donc visible l’invisible pour des yeux
humains.
45
Vraies couleurs RGB = B3-B2-B1 Fausses couleurs RGB = B4-B7-B3
Figure 16 : Image Landsat-5 TM en composition « vraies couleurs » (à gauche) et en composition
« fausses couleurs » (un exemple parmi les nombreuses possibles) (à droite), toutes deux avec
amélioration de contraste.
Pour afficher une « composition vraies couleurs » d’une image satellite dans QGIS (Figure
17):
 Cliquez-droit sur l’image satellite multi-bandes fusionnée (la fusion de l’image a été
faite à la section 4.7 page 43) > Propriétés… > Symbologie
 Dans le menu « Rendu des bandes raster » choisissez
o « Type de rendu » = « Couleur à bandes multiples »
o « Bande rouge » = Bande 3 de l’image Landsat-5 TM qui correspond donc à la
longueur d’onde du rouge
o « Bande verte » = Bande 2 de l’image Landsat-5 TM qui correspond donc à la
longueur d’onde du vert
o « Bande bleue » = Bande 1 de l’image Landsat-5 TM qui correspond donc à la
longueur d’onde du bleu
ATTENTION !
 L’ordre des bandes RGB=3-2-1 correspond à une composition colorée vraies couleurs
dans ce cas-ci uniquement parce que les bandes spectrales numéro 3-2-1 des images
Landsat-5 TM correspondent aux longueurs d’onde rouge-vert-bleu respectivement.
 Si un autre capteur est utilisé, il faut se renseigner sur la correspondance entre
numéro de bandes et longueurs d’onde et adapter les 3 bandes à affecter aux 3
canaux RGB pour une composition vraies couleurs. Par exemple, pour les images de
type Landsat-8, une composition vraies couleurs sera obtenue via la composition RGB
= 4-3-2 (confer ici https://www.usgs.gov/faqs/what-are-band-designations-landsat-
satellites?qt-news_science_products=0#qt-news_science_products)
46
 Si un capteur ne possède pas les 3 bandes spectrales du rouge, vert et bleu, alors il
devient impossible de réaliser une composition vraies couleurs pour ce capteur.
Figure 17 : Paramétrisation des propriétés de symbologie de l’image Landsat-5 fusionnée pour

obtenir une « composition vraies couleurs » (RGB = Bandes 3,2,1 et Paramètres de valeurs
Min/Max adaptés)
Le rendu visuel par défaut d’une image satellite dans QGIS est souvent de mauvaise qualité.
A vous donc d’améliorer la visualisation de l’image via les différentes possibilités reprises ci-
dessous.
47
4.8.2. Amélioration de la visualisation d’une image satellite
Le rendu visuel par défaut d’une image satellite dans QGIS est souvent de mauvaise qualité.
A vous donc d’améliorer la visualisation de l’image via les différentes possibilités reprises ci-
dessous.
SANS amélioration de contraste AVEC amélioration de contraste

Figure 18 : Images satellite Landsat-5 TM en composition vraies couleurs (R-G-B=3-2-1) SANS
amélioration de contraste (à gauche) et AVEC l’amélioration de contraste telle que paramétrée
dans la Figure 17 (à droite)
Les possibilités d’amélioration de la visualisation d’une image satellite sont disponibles via
les menus:
 Clic-droit sur la couche raster > Propriétés… > Symbologie OU Transparence OU

Rendu ou Pyramides (confer ci-dessous)
4.8.2.1. Symbologie
Ce menu est le plus important et permet notamment de (Figure 17):
 Choisir le type de composition colorée à afficher (« vraies couleurs » vs « fausses

couleurs », confer section 4.8.1 ci-dessus)
o Via le menu « Rendu des bandes raster »
o En choisissant les bandes spectrales de l’image satellite à associer aux 3
canaux RGB de l’ordinateur
 Améliorer le contraste de l’image (Figure 18)
o Via le menu « Amélioration de contraste » et « Paramètres de valeurs
Min/Max »
o L’amélioration de contraste consiste en une transformation virtuelle des
données afin d’utiliser au mieux la gamme de couleurs disponibles pour
visualiser les données à l’écran. Cette amélioration ne modifie donc pas vos
48
données sources (la valeur des pixels). Elle ne fait qu’attribuer différemment
la palette de couleurs disponibles à votre image afin de faire ressortir certains
éléments plus clairement.
o Dans la Figure 18 - droite, l’amélioration de contraste appliquée est celle de
la Figure 17. La présence de nuages dans la partie nord de l’image résulte en
des pixels qui saturent et présentent la valeur maximale possible pour ce type
d’image (soit 255 dans ce cas-ci vu que l’image est codée sur 8 bit (28= 256
valeurs possibles allant de 0 à 255)). La distribution de la fréquence des
valeurs de pixels pour chacune des bandes spectrales de l’image Landsat-5
TM (Figure 19) montre très clairement que la gamme de valeurs de la plupart
des pixels pour une bande spectrale donnée est assez étroite (entre 50 et 100
pour la bande 1 par exemple) mais que certains pixels (ceux identifiant les
nuages) présentent une valeur saturant à 255. Ceci a pour conséquence que
la gamme de couleurs possibles est mal distribuée entre d’une part des
pixels présentant de relativement faibles valeurs (pour les diverses
occupations du sol) et d’autres part des pixels présentant la valeur maximale
possible (255 pour les nuages), et résulte en une image très contrastée avec
des pixels très sombres et des pixels très clairs, ce qui n’est pas idéale pour
une bonne analyse visuelle de l’image.
o L’amélioration de contraste peut être calculée soit, via le menu,
 « Statistiques de l’emprise > Raster entier », sur l’ensemble du raster.
Cette option présente le grand avantage de résulter en une
symbologie fixe et donc comparable indépendamment de la partie du
raster visualisée.
 « Statistiques de l’emprise > Emprise actualisée », sur la partie du
raster qui est affichée à l’écran. Cette option présente le grand
avantage de résulter en une symbologie qui s’adapte dynamiquement
à la partie du raster affichée à l’écran, ce qui est très pratique pour
visualiser via « zoom in » des parties de raster qui sont soit trop
claires, soit trop sombres lorsque le raster est affiché dans son
entièreté.
 Modifier d’autres paramètres de visualisation (luminosité, contraste, etc)
o Via les menus « Rendu de la couleur » et « Ré-échantillonage »
49
Figure 19 : Histogramme de la distribution de la fréquence des valeurs de pixels pour chacune des
bandes spectrales de l’image Landsat-5 TM
50
4.8.2.2. Transparence
Diverses options de transparence de l’image (Figure 20) sont disponibles via le menu :
 Clic-droit sur la couche raster > Propriétés… > Transparence

o Opacité globale : transparence de l’ensemble de l’image
o Options de transparence personnalisée : cliquez sur la croix verte et indiquez
les valeurs de 0-0-0 pour les 3 colonnes Rouge-Vert-Blue et une transparence
de 100% pour faire disparaitre les bordures noires de l’image
Avec transparence générale de l’image de Avec transparence des bordures de l’image

70%
Figure 20 : Image Landsat-5 TM avec transparence générale de 70% (opacité de 30%) et comme
image de fond le service QMS « Google Road » (gauche), et avec transparence de 100% des
bordures et image de fond le service QMS « Google Satellite » (droite)
4.8.2.3. Rendu
Permet de définir la gamme d’échelle de visualisation pour laquelle l’image sera affichée à
l’écran
 Clic-droit sur la couche raster > Propriétés… > Rendu > Visibilité dépendante de
l’échelle
4.8.2.4. Pyramides
« Des couches raster de haute résolution peuvent ralentir la navigation dans QGIS car leur
taille empêche leur mise en mémoire complète. La création de copies de résolution
inférieure (que l'on nomme pyramides) peut améliorer la performance d'affichage. »
Attention ! Altération possible de l’image d’origine ! (Source = menu QGIS de construction
des pyramides).
51
4.9. Autres outils d’interrogation des images
Plusieurs outils, présentés ci-dessous, sont disponibles pour accéder aux informations
caractérisant une image satellite.
4.9.1. L’outil « Identifier les entités »
L’outil « Identifier les entités » permet d’afficher les valeurs de pixels des différentes
bandes spectrales d’une image et d’obtenir les coordonnées géographiques du point
consulté.
Pour l’utiliser :
 Sélectionnez l’image d’intérêt dans le panneau « Couches »

 Cliquez sur cet outil puis sur le pixel à interroger
Et une fenêtre reprenant les informations d’intérêt s’ouvrira.
Figure 21 : Fenêtre de résultat de l’identification d’un pixel de l’image Landsat-5 TM fusionnée via
l’outil « Identifier les entités »
52
4.9.2. Outil de mesures de distances, superficies et angles
L’outil « Mesurer » permet de mesurer des distances, superficies et angles sur une image :
Figure 22 : Outil « Mesurer » avec un exemple de mesure d’une superficie
53
5. Analyse de changement simple dans QGIS
 Trouver et télécharger des images satellites NDVI basse résolution

sur le web
 Réaliser une analyse de changement visuelle
 Réaliser une analyse de changement mathématique avec gestion
des pixels ne représentant pas du NDVI
Objectifs  Mettre en relation l’analyse d’images satellites NDVI avec des
pédagogiques données climatiques
 Choisir une symbologie raster pertinente par rapport à la donnée à
représenter
 Bien comprendre la nature des données afin de réaliser une
analyse/interprétation correcte
Les données nécessaires à la réalisation de cet exercice ET les données

résultant des opérations à faire dans cet exercice sont toutes disponibles
dans le dossier « …\2_ANALYSE_DE_CHANGEMENT_SIMPLE\... » (~ 170
MB) et correspondent essentiellement à :
 2 images NDVI basse résolution sur l’Afrique pour janvier et
septembre 2006
 Une image exprimant le changement de NDVI entre les 2 dates
 Une image de masque binaire 0/1 qui identifie les pixels
invalides/valides dans l’image de changement de NDVI
Données Même si ces données sont mises à votre disposition, il vous est conseillé,
& pour un bon apprentissage, de refaire toutes les étapes de l’exercice par
Projet QGIS! vous-même (téléchargement et analyse des images) comme indiqué
dans les sections suivantes. Considérez donc ces données comme
l’exemple auquel il faut arriver.
Téléchargez ce dossier sur votre ordinateur en local dans votre

répertoire de travail et décompressez-le. ATTENTION ! Voyez la section
Projet QGIS : « ANALYSE_CHANGEMENT_SIMPLE.qgz » situé dans ce

même dossier.
54
QGIS 3.12 ou supérieur
(https://www.qgis.org/fr/site/forusers/download.html).
Logiciel ou Attention ! QGIS 3.10 a présenté un bug lors de l’utilisation de la «
application Calculatrice raster » (section 5.3 page 63). QGIS 3.12 par contre a
fonctionné sans problème. Utilisez donc QGIS 3.12 ou une version
ultérieure de QGIS pour cet exercice.
Temps
~ 2 heures
approximatif
Prérequis Aucun.
A l’aide des indications ci-dessous, analysez l’évolution des conditions

de végétation de l’Afrique entre janvier et septembre 2006 (Figure 23).
 Procurez-vous et utilisez des images satellites basses résolution
de type NDVI.
Consignes de  Réalisez une analyse de changement visuelle
départ  Réalisez une analyse de changement mathématique
Interprétez vos résultats en vous aidant de diagrammes

ombrothermiques (diagrammes climatiques).
Figure 23 : Analyse de changement simple basée sur la soustraction mathématique de 2 images

NDVI basse résolution sur l’Afrique et image de changement de NDVI résultante.
55
5.1. Accès aux images satellites basse résolution de type
NDVI du capteur SPOT-VEGETATION: recherche et
téléchargement
A l’aide des indications ci-dessous, téléchargez 2 images satellites basses résolution de type
NDVI sur l’Afrique pour janvier et septembre 2006. ~ 30 minutes.
Le site web « Copernicus Global Land Service »
 https://land.copernicus.eu/global/
distribue gratuitement de très nombreux produits (images satellites et produits dérivés)

issus de l’observation de la terre dans le cadre du programme européen Copernicus.
 Rendez-vous sur ce site web
 Choisissez le menu « Vegetation » :

https://land.copernicus.eu/global/themes/vegetation
56
 Choisissez le menu « NDVI » : https://land.copernicus.eu/global/products/ndvi
 Jetez un œil à :
o La définition du NDVI (aussi développée dans la Figure 25)
o La section « NDVI characteristics » pour le NDVI 1km, et en particulier les sous-
sections
 Access
 Algorithm
 Technical (Figure 24)
Figure 24 : Caractéristiques des images NDVI distribuées sur le site web « Copernicus Global Land
Service » accessibles via le menu « NDVI characteristics > NDVI 1km > Technical » avec en
particulier les paramètres « scaling » et « offset » utilisés pour transformer les Digital Number (DN)
en valeurs de NDVI.
57
NDVI – Normalized Difference Vegetation Index
Le NDVI est un indice de végétation qui se définit comme la différence normalisée des mesures de
réflectance spectrale acquises dans les zones de longueurs d’onde « Proche Infra-Rouge » (« PIR ») et
« Rouge ».
( PIR  Rouge)
NDVI 
( PIR  Rouge)
Sa valeur théorique varie entre -1 et 1. En pratique, une surface d’eau libre (océan, lac,…) prendra des
valeurs de NDVI proches de 0, un sol nu prendra des valeurs de 0.1 à 0.2, alors qu’une végétation
dense aura des valeurs de 0.5 à 0.8.
Explication physique du NDVI
Les plantes vertes absorbent une grande partie des radiations solaires dans une zone de longueurs
d’onde appelée « PAR » (« Photosynthetically Active Radiation »), dont fait partie la zone du
« Rouge ». Par contre, le « PIR » est fortement diffusé (non absorbé : transmis et réfléchi) par la
plante. Par conséquent, une plante verte vive apparait sombre dans le PAR (dont le rouge) car ces
longueurs d’ondes sont absorbées par la plante (petite valeur de réflectance), et « brillante » dans le
« PIR » car ces longueurs d’ondes sont réfléchies en partie (grande valeur de réflectance).
Une végétation en bonne santé (gauche)

absorbe la plupart de la lumière visible qui
l’intercepte et réfléchi une partie importante de
la lumière PIR.
Une végétation en mauvaise santé ou clairsemée

(droite) réfléchi plus de lumière visible et moins
de PIR.
Les chiffres de la figure ci-contre sont

représentatifs de valeurs réelles mais la réalité
est bien plus variée.
Le NDVI est directement lié à l’activité photosynthétique des plantes et donc à la capacité
d’absorbation énergétique de la canopée du couvert végétal. Il agit comme indicateur de la biomasse
chlorophyllienne des plantes. En termes de réflectance dans le PIR et le Rouge, la neige et les nuages
(Illustration by Robert Simmon, NASA GSFC).
se comportent à l’inverse des plantes vertes.
Figure 25 : Explication du NDVI – Normalisez Difference Vegetation Index
58
Les valeurs de NDVI, qui varient théoriquement entre -1 et 1 (confer Figure 25), sont
encodées dans les pixels des images à l’aide de nombres entiers. Ces valeurs entières
réellement encodées dans les pixels sont appelées les « Digital Number (DN) ». Dans le cas
d’une image codée sur 8 bits, comme c’est le cas pour les images NDVI SPOT-VEGETATION,
les DN de chaque pixel peuvent prendre 28= 256 valeurs possibles, allant de 0 à 255. Les
valeurs de NDVI correspondant à ces DN peuvent être obtenues par simple transformation
mathématique (Figure 24 et Figure 26), dans ce cas-ci via la formule
 NDVI = 0.004 * DN - 0.08
Le paramètre 0.004 (=1/250) correspond à la pente de la droite de transformation (anglais :

scaling)
Le paramètre -0.08 correspond à l’intercepte de la droite de transformation (anglais : offset)
Figure 26 : Principe de la conversion des DN (Digital Numbers) en valeurs NDVI via une
fonction mathématique du premier degré présentant les 2 coefficients pente (ou scaling)
(a) et intercepte (ou offset) (b).
 Dans l’onglet « NDVI 1 km > Access », cliquez sur « Near-real time products »
59
 Vous arrivez sur la page web
https://land.copernicus.vgt.vito.be/PDF/portal/Application.html#Browse;Root=5131
86;Collection=1000085;Time=NORMAL,NORMAL,-1,,,-1,, (Figure 27)
Figure 27 : Portail web « Copernicus Global Land Service » pour accéder aux images NDVI basse
résolution
 Enregistrez-vous sur ce portail via le bouton « Register » en haut à droite de

l’interface et le formulaire d’enregistrement qui apparait (Figure 28)
o Notez bien votre « user name » et « password »
o Finalisez la procédure d’enregistrement
Figure 28 : Formulaire d’enregistrement du portail « Copernicus Global Land Service »
60
 Une fois inscrit, loguez-vous via le bouton « Login » en haut à droite de l’interface
(Figure 27)
 Une fois logué, paramétrez votre recherche de produits comme indiqué dans la
Figure 29 en sélectionnant
o La collection « NDVI 1km V1 ». Comprendre de quel type de produit il s’agit
avec le bouton “XML” : par quelle méthode ces images sont-elles produites ?
(« 30-days composite with a sliding window of 10 days »)
o La période du 01/01/2006 au 31/12/2006
o La zone : dessinez un petit carré sur le centre de l’Afrique avec l’outil « Draw
Region Of Interest (ROI) »
o Le « Coverage » : « BioPar_NDVI_V1_CONTINENTS »
 Lancez la recherche via le bouton « Search »
Figure 29 : Paramétrage de la fenêtre de recherche de produits NDVI sur le portail « Copernicus

Global Land Service »
 Identifiez dans la liste de résultats les images d’intérêt, soit les 2 images suivantes
dans ce cas-ci :
o 1ère décade de janvier 2006 : NDVI_200601030000_AFRI_VGT_V1.3
o 1ère décade de septembre 2006 : NDVI_200609030000_AFRI_VGT_V1.3
o ATTENTION les dates, reprises dans les noms des images, sont indiquées dans
le format « YYYYMMDD » ou « Année_Mois_Jours_dans_la_décade ».
61
 Pré-visualisez ces 2 images à l’aide de l’icône dans la colonne « Thumbnail ». (Pour
l’évaluation, assurez-vous qu’il y a un contraste suffisant entre les 2 dates choisies
pour que votre analyse diachronique soit facile à interpréter).
 Téléchargez ces 2 images en
o Cliquant sur la flèche bleue de la ligne correspondant au produit à télécharger
o Dans la fenêtre s’étant ouverte, cliquez sur la flèche bleue du « Data Files »
pour télécharger le fichier « .zip » (par exemple le fichier
« g2_BIOPAR_NDVI_200601030000_AFRI_VGT_V1.3.zip » de 46.4 Mo)
Les 2 dossiers se téléchargent en quelques secondes.
 Après téléchargement, déplacez ces 2 dossiers dans votre répertoire de travail,
c’est-à-dire dans le répertoire « \2_ANALYSE_DE_CHANGEMENT_SIMPLE\ ».
 Décompressez ces 2 dossiers. Ceci peut se faire par exemple avec le logiciel gratuit 7-
zip disponible ici https://www.7-zip.org/ (à n’installer que si un logiciel de ce type
n’est pas déjà installé sur votre ordinateur).
Le contenu d’un dossier « .zip » est présenté à la Figure 30. Dans ce dossier :
 Les images « .tiff » sont les images qui seront utilisées dans cet exercice
 Les images « .h5 » ne seront pas utilisées et peuvent être supprimées pour alléger
vos discs durs (441 Mo par image).
Figure 30 : Fichiers contenus dans les dossiers « .zip » des images NDVI basse résolution
Les images sont maintenant prêtes à être importées dans QGIS pour analyse (confer section
suivante).
62
5.2. Analyse visuelle des images satellites NDVI basse
résolution
A l’aide des indications ci-dessous, réaliser une analyse visuelle de l’évolution spatio-
temporelle des conditions de végétation entre janvier et septembre 2006 sur l’Afrique. ~
30 minutes.
NDVI Janvier 2006 NDVI Septembre 2006
Figure 31 : 2 images NDVI basse résolution du capteur SPOT-VEGETATION sur l’Afrique pour janvier
et septembre 2006.
Un dossier contenant l’ensemble de l’exercice déjà réalisé (projet QGIS et données utilisées)
est disponible dans le répertoire :
 « …\2_ANALYSE_DE_CHANGEMENT_SIMPLE\»
Vous pouvez bien sûr y jeter un œil, en particulier au projet QGIS

« ANALYSE_CHANGEMENT_SIMPLE.qgz».
Cependant il vous est conseillé de faire l’ensemble des manipulations par vous-même, pour
un bon apprentissage, dans un dossier séparé.
Les étapes à suivre pour réaliser une analyse visuelle des images satellites NDVI basse
résolution sont les suivantes :
 Créez un nouveau projet QGIS que vous appellerez

o « …\2_ANALYSE_DE_CHANGEMENT_SIMPLE\VOTRE_NOM\ANALYSE_CHANG
EMENT_SIMPLE.qgz»
63
 Ajoutez dans ce projet les 2 images NDVI au format « .tiff » via le menu « Bouton
« Gestionnaire des sources Open Data » > Raster > sélection et ajout des 2 images »
 Identifiez le SCR des images via un clic-droit sur une image satellite dans le panneau
« Couches » > Propriétés… > Information > SCR ». Ce SCR est « EPSG:32662 - WGS 84
/ Plate Carree (deprecated) – Projeté ». Cette information est aussi disponible dans
les fichiers de métadonnées qui accompagnent les images, fichiers de type
« g2_BIOPAR_NDVI_PROD-DESC_200609030000_AFRI_VGT_V1.3.xml ».
 Vérifiez le SCR du projet QGIS via le menu « Projet > Propriétés… > SCR » et attribuez
au projet QGIS le même SCR que celui des images, dans ce cas-ci « EPSG:32662 » si ce
n’est pas le cas par défaut.
Prenez quelques secondes pour observer et comparer les 2 images NDVI.
 Cochez/Décochez l’image NDVI supérieure dans le panneau « Couches » afin de

visualiser de manière alternée chacune des 2 images
 Vous remarquez qu’elles présentent la même palette de couleurs. Notez qu’il est
très important que cette palette de couleurs soit fixe/statique pour que des images
différentes (et donc présentant potentiellement une gamme de valeurs NDVI
différentes) soient visuellement comparables, c’est-à-dire que une couleur donnée
corresponde à une valeur de NDVI donnée dans toutes les images analysées,
indépendamment des gammes de valeurs de NDVI (ou DN) réellement rencontrées
dans ces images.
 Pour accéder à cette palette de couleurs, faites un clic-droit sur une image NDVI
dans le panneau « Couches » > Propriétés… > Symbologie et vous constaterez que le
« Type de rendu » est « Palette/Valeurs uniques » qui attribue effectivement une
couleur donnée à une valeur de pixel donnée.
Pour analyser l’évolution spatio-temporelle des conditions de végétation sur l’Afrique à

partir de ces 2 images, vous devez :
 Identifier le lien entre les couleurs de l’image, les valeurs de pixels (DN) et le NDVI.
o Les Figure 24 et Figure 26 nous renseignent que il y a un lien directement
proportionnel entre les DN (variant entre [0-255]) et le NDVI (variant dans la
pratique entre 0 et 1), c’est-à-dire qu’au plus les DN sont élevés au plus le
NDVI sera élevé.
o L’analyse de la palette de couleurs nous indique que :
 La couleur brune correspond à de faibles DN, c’est-à-dire de faibles
valeurs de NDVI, c’est-à-dire à un développement de la végétation
verte faible
64
 La couleur jaune correspond à des valeurs de DN intermédiaires, c’est-
à-dire des valeurs de NDVI intermédiaires, c’est-à-dire à un
développement de la végétation verte intermédiaire
 La couleur verte correspond à des valeurs de DN élevées, c’est-à-dire
à des valeurs de NDVI élevées, c’est-à-dire à un développement de la
végétation verte plus élevé
 La couleur blanche correspond aux DN 251 à 255, qui sont ce que l’on
appelle des « Flags », c’est-à-dire des « valeurs code » pouvant
signifier plusieurs choses, par exemple qu’il n’y a pas de données
valide, qu’il y a des nuages, que c’est une zone non continentale
(océan, mer), etc. Ces pixels sont donc à ignorer.
o ATTENTION ! Les couleurs utilisées sont donc des couleurs artificielles et pas
des « couleurs naturelles ». Il ne faut donc les interpréter QUE sur base de
leur signification précise et pas sur base d’une impression visuelle subjective
qui pourrait se révéler totalement fausse si la palette n’est pas intuitivement
interprétable.
 L’analyse visuelle des 2 images peut être facilitée dans certains cas par l’utilisation
d’autres outils :
o La valeur des pixels de l’image est consultable également de manière
interactive via l’outil « Identifier des entités » en sélectionnant d’abord
l’image à interroger dans le panneau « Couches » puis en cliquant avec cet
outil sur l’image à interroger.
o L’utilisation de l’extension (à installer) « MapSwipe Tool » qui permet de
réaliser un swipe vertical ou horizontal sur les 2 images à comparer
o L’utilisation de plusieurs fenêtres de visualisation spatialement
synchronisées lors de la navigation mais à différentes échelles (par exemple :
une fenêtre sur l’ensemble de l’Afrique et une fenêtre de zoom à une échelle
plus grande). De nouvelles fenêtres peuvent être ajoutées via le menu « Vue
> Nouvelle vue cartographique » et ensuite être paramétrées selon les
souhaits de l’utilisateur.
L’analyse et la compréhension de l’évolution spatio-temporelle des conditions de végétation

sur l’Afrique peuvent être facilitées par l’utilisation de diagrammes climatiques reprenant
les variables température et précipitations. Cette analyse est menée ici à titre d’exemple
pour les 2 villes de Mopti au Mali et Gaborone au Botswana, villes localisées à la Figure 32.
Les diagrammes climatiques correspondant sont présentés à la Figure 33.
 Pour Mopti au Mali, janvier correspond au milieu de la saison sèche et septembre à

la fin de la saison des pluies. Nous observons sur les images NDVI des valeurs de NDVI
plus importantes, c’est-à-dire une végétation verte plus importante, en septembre
qu’en janvier. Et nous observons sur l’image de changement (confer section suivante,
Figure 34 page 68) un changement positif (en vert). En résumé, les précipitations plus
65
importantes entre mai et septembre contribuent au développement de la végétation
verte qui sera plus abondante en septembre, ce qui est visible sur les images NDVI et
sur l’image de changement.
 Pour Gaborone au Botswana janvier correspond au milieu de la saison humide et
septembre à la fin de la saison sèche. Nous observons sur les images NDVI des
valeurs de NDVI plus importantes, c’est-à-dire une végétation verte plus importante,
en janvier qu’en septembre. Et nous observons sur l’image de changement (confer
section suivante, Figure 34) un changement négatif (en rouge). En résumé, les
précipitations plus importantes entre octobre et janvier contribuent au
développement de la végétation verte qui sera plus abondante en janvier, ce qui est
visible sur les images NDVI et sur l’image de changement.
Notez enfin la visibilité sur les images NDVI de quelques « poches de végétation » notables :
 Le Delta du Nil (dans le nord de l’Egypte), un écrin de végétation entouré d’une

région désertique.
 Le Lac Tchad à la frontière Nigéria/Tchad
66
Figure 32 : Aperçu de l’Afrique telle que présentée dans Google Earth avec localisation des 2 villes
de Mopti au Mali et Gaborone au Bostwana. Le vert correspond à des zones avec végétation et le
jaune-orange aux zones plus désertiques
Mopti (centre Mali) Gaborone (sud Bostwana)
Figure 33 : Diagrammes climatiques de la ville de Mopti au Mali et de la ville de Gaborone au

Bostwana. Source: https://fr.climate-data.org/.
67
5.3. Analyse de changement mathématique
A l’aide des indications ci-dessous, réaliser une analyse de changement mathématique de
l’évolution spatio-temporelle des conditions de végétation entre janvier et septembre
2006 sur l’Afrique. ~ 60 minutes.
5.3.1. Différence mathématique avec la « Calculatrice Raster »

Afin de qualifier les changements de conditions de végétation s’étant produits entre janvier
et septembre 2006 sur l’Afrique de manière plus objective qu’à travers l’analyse visuelle
menée à la section 5.2 ci-dessus, une simple différence mathématique entre les 2 images
peut être réalisée via la « Calculatrice Raster » de QGIS. Cette analyse produira une « image
de changement » dont la valeur des pixels ne devra plus être interprétée comme du
« NDVI » mais comme un « changement de NDVI » (Figure 34 et Figure 35).
Figure 34 : Analyse de changement simple basée sur la soustraction mathématique de 2 images

NDVI basse résolution sur l’Afrique et image de changement de NDVI résultante.
ATTENTION ! Le « sens » de la soustraction est très important. Il faut soustraire l’image

initiale (janvier 2006) de l’image finale (septembre 2006), comme indiqué dans les Figure 34
et Figure 35, ceci afin que l’interprétation des valeurs de l’image de changement soit plus
intuitive, c’est-à-dire que:
 Une amélioration des conditions de végétation entre janvier 2006 et septembre

2006 se traduise par une valeur positive dans l’image de changement
 Une dégradation des conditions de végétation entre janvier 2006 et septembre 2006
se traduise par une valeur négative dans l’image de changement
68
Figure 35 : Illustration de l’opération de soustraction algébrique de 2 images satellites (codées sur
8 bits  28 = 256 valeurs possibles dans la gamme [0-255]) avec des exemples de valeurs de pixels
(Digital Number (DN)) proportionnel au NDVI.
Pour calculer une simple différence mathématique entre 2 images via la « Calculatrice
Raster » de QGIS (Figure 36) :
 Cliquez sur le menu « Raster > Raster Calculator… », ce qui ouvrira la « Calculatrice
Raster »
 Paramétrez l’interface de la « Calculatrice Raster » comme indiqué à la Figure 36 en
nommant votre raster en sortie « DIFFERENCE_SEPTEMBRE_JANVIER.tif »
 Cliquez sur « OK »
Figure 36 : Utilisation de la « Calculatrice Raster » de QGIS pour réaliser la soustraction entre

l’image NDVI de septembre 2006 et l’image NDVI de janvier 2006.
69
 Ajoutez manuellement le raster de changement «
DIFFERENCE_SEPTEMBRE_JANVIER.tif » dans votre projet QGIS s’il ne s’est pas ajouté
automatiquement.
 Visualisez-le brièvement (Figure 37)
Figure 37 : Raster de « Changement de NDVI » en dégradé de gris après calcul de la différence

entre l’image de NDVI de septembre et l’image de NDVI de janvier.
Ce raster de « changement de NDVI » est améliorable de 2 manières :
 Via la gestion des pixels ne correspondant pas à du NDVI  Confer section 5.3.2
page 70.
 Via l’utilisation d’une symbologie qui permet de plus facilement
interpréter/comprendre les changements de NDVI identifiés  Confer section 5.3.3
page 76.
5.3.2. Gestion des pixels ne correspondant pas à du NDVI

Attention ! Rappelons-nous que les pixels présentant des valeurs (DN) comprises entre 251
et 255 dans les 2 « images de NDVI » de départ n’expriment en fait pas une valeur de NDVI
mais correspondent à des codes ayant les significations suivantes (confer Figure 24 page 57
(sous le tableau)):
 251 : valeur manquante (mauvaise radiométrie)

 252 : nuage ou ombre
 253 : neige ou glace
 254 : mer
 255 : background (donnée d’entrée manquante)
70
Dans l’analyse ci-dessus, ces pixels n’ont pas été exclus de l’analyse alors qu’ils auraient dû
l’être. En particulier, si un pixel présente une valeur comprise entre 251 et 255 dans l’une
des 2 images de NDVI ou dans les 2 images NDVI, il convient de lui attribuer une valeur
spécifique (nous lui attribuerons la valeur « Nodata » dans ce cas-ci) dans l’image de
« changement de NDVI » afin que l’on puisse facilement identifier ces pixels qui ne
traduisent pas un changement de NDVI.
Pour ce faire la méthode ci-dessous est proposée. Nombre d’autres méthodes pourraient
être appliquées. Cette méthode bug avec QGIS 3.10.0 mais fonctionne avec QGIS 3.12.
5.3.2.1. Création d’un raster de masque binaire 0 1

La première étape consiste en la création d’un masque ou raster binaire 0 1, c’est-à-dire un
raster dont les pixels prendront soit la valeur de 0, soit la valeur de 1, avec la signification
suivante :
 1 identifie les pixels pour lesquels les 2 images de janvier et septembre présentent
des valeurs proportionnelles au NDVI (DN < 251)
 0 identifie les pixels pour lesquels une des 2 images de janvier et septembre, ou les 2
images, ne présentent pas des valeurs proportionnelles au NDVI (DN ≥ 251)
Ce raster binaire de masque peut être facilement obtenu via la « Calculatrice raster » de
QGIS :
Raster »
nommant votre raster en sortie « RASTER_MASQUE_BINAIRE_0_1.tif ». La formule
utilisée est la suivante :
o "g2_BIOPAR_NDVI_QL_200601030000_AFRI_VGT_V1.3@1" < 251 AND
"g2_BIOPAR_NDVI_QL_200609030000_AFRI_VGT_V1.3@1" < 251
Cette formule doit se comprendre comme suit :
 « g2_BIOPAR_NDVI_QL_200601030000_AFRI_VGT_V1.3@1" < 251 » : il s’agit d’un

test logique qui doit se comprendre comme suit:
o Si la condition est rencontrée, c’est-à-dire si la valeur du pixel dans l’image
NDVI considérée est strictement plus petite que 251 (valeur proportionnelle
au NDVI), alors le pixel prendra une valeur de 1
o Si la condition n’est pas rencontrée, c’est-à-dire si la valeur du pixel dans
l’image NDVI considérée est plus grande ou égale à 251 (valeur non
proportionnelle au NDVI), alors le pixel prendra une valeur de 0
71
 Le « AND » (en français : « ET ») est un opérateur logique booléen permettant de
réaliser une comparaison entre 2 valeurs (0 ou 1) selon la logique reprise dans la
Figure 38.
AND (ET) OR (OU)

1 AND 1 = 1 0 OR 0 = 1
1 AND 0 = 0 1 OR 0 = 1
0 AND 1 = 0 0 OR 1 = 1
0 AND 0 = 0 0 OR 0 = 0
Figure 38 : Résultats des opérations booléennes « AND « (et) et « OR » (ou).
Le tableau ci-dessous reprend les 3 cas de figures possibles dans notre cas avec des
exemples de valeurs de pixels et les résultats qui en découlent.
Exemple de valeurs dans la formule

Résultat
de création du raster binaire : Résultat
3 cas de figure possibles intermédi
Raster_Janvier < 251 AND final
aire
Raster_Septembre < 251
Les valeurs des pixels correspondent
152 < 251 AND 53 < 251 1 AND 1 1
à du NDVI dans les 2 images
Les valeurs des pixels correspondent 152 < 251 AND 254 < 251 1 AND 0 0
à du NDVI dans une seule image et
251 < 251 AND 23 < 251 0 AND 1 0
pas dans l’autre
Les valeurs des pixels ne
correspondent pas à du NDVI dans 251 < 251 AND 255 < 251 0 AND 0 0
aucune des 2 images
72
Figure 39 : Création d’un raster de masque binaire 0 1, via la « Calculatrice raster » de QGIS, avec la
valeur de 1 qui identifiera les pixels présentant une valeur de NDVI valide dans les 2 images de
janvier et septembre, et la valeur de 0 qui identifiera les autres pixels
 Ajoutez manuellement le raster de changement « RASTER_MASQUE_BINAIRE_0_1.tif

» dans votre projet QGIS s’il ne s’est pas ajouté automatiquement.
 Visualisez-le brièvement (Figure 40)
Figure 40 : Raster de masque binaire 0 1 identifiant en blanc (1) les pixels présentant une valeur de
NDVI valide dans les 2 images de janvier et septembre et en noir (0) les autres pixels
73
5.3.2.2. Masquage de l’image de changement de NDVI par le raster de
masque binaire 0 1
La deuxième étape consiste en l’application du raster de masque binaire 0 1 créé à l’étape
précédente sur le raster de « changement de NDVI » pour produire un nouveau raster de
changement de NDVI pour lequel :
 Les pixels correspondant à du NDVI dans les 2 images de départ conserveront leur
valeur de changement de NDVI
 Les pixels ne correspondant pas à du NDVI dans une des deux, ou dans les deux
images NDVI de départ seront identifiés par le code « Nodata ».
Cette étape peut être vue comme un masquage du raster de « changement de NDVI » par le
raster de masque binaire 0 1.
Il suffit pour se faire de diviser le raster de « changement de NDVI » par le raster de

masque binaire 0 1 via la « Calculatrice raster » de QGIS:
Raster »
nommant votre raster en sortie « DIFFERENCE_SEPTEMBRE_JANVIER_MASQUE.tif »
 La formule utilisée est la suivante : "DIFFERENCE_SEPTEMBRE_JANVIER@1" /
"RASTER_MASQUE_BINAIRE_0_1@1"
Cette formule aura les effets suivants :
 Valeurs de changement de NDVI / 1 = Valeurs de changement de NDVI conservées

 Valeur autre / 0 = Nodata (car il n’est pas possible de diviser par 0)
74
Figure 41 : Division du raster de changement par le raster binaire 0 1 dans la « Calculatrice raster »
de QGIS
 Ajoutez manuellement le raster de changement de NDVI masqué «

DIFFERENCE_SEPTEMBRE_JANVIER_MASQUE.tif » dans votre projet QGIS s’il ne s’est
pas ajouté automatiquement.
 Visualisez-le brièvement (Figure 42 à droite)
Figure 42 : Masquage de l’image de changement de NDVI (à gauche) par le raster de masque

binaire 0 1 (au centre) via une division dans la « Calculatrice raster » de QGIS et raster masqué
résultant (à droite) avec les pixels ne traduisant pas un changement de NDVI prenant la valeur
« Nodata » et une couleur transparente.
Attention ! Dans le raster masqué, les pixels ne traduisant pas un changement de NDVI
prennent :
75
 la valeur « Nodata » (en français : « sans donnée ») : vous pouvez le vérifier via
l’outil « Identifier des entités »
 une couleur transparente : attention ! Si une autre couche est
activée/cochée/visible et positionnée en-dessous du raster masqué dans le panneau
« Couches » de QGIS, c’est cette autre couche qui sera visible à l’endroit des pixels
transparents du raster masqué. Pour visualiser correctement le raster masqué, il
vaut donc mieux décocher toutes les autres couches de votre projet QGIS.
5.3.3. Choix d’une symbologie appropriée

La représentation de l’image de changement en dégradé de gris (Figure 42-droite) n’est pas
facile à interpréter. En effet, pour une large gamme de valeurs de gris, il est difficile de leur
attribuer une signification précise en termes de changement de NDVI ou changement de
conditions de végétation. La symbologie de l’image de changement doit donc être changée
pour en faciliter l’interprétation.
Pour à la fois conserver l’image en dégradé de gris dans le projet QGIS et produire une
représentation colorée de cette image, il est possible de simplement dupliquer la couche de
changement dans le panneau « Couches », comme indiqué ci-dessous :
Pour dupliquer une couche raster :
 Cliquez-droit sur l’image de changement > Dupliquer la couche
Attention, le choix de la palette de couleurs de l’image de changement est très important

dans ce cas-ci. Une palette de couleurs tri-colore conviendra parfaitement pour représenter
les valeurs de changement. Il faudra veiller en particulier à :
 ce que les couleurs choisies soient interprétables intuitivement : dans ce cas-ci

o Une couleur rouge sera associée à une diminution des valeurs de NDVI entre
janvier et septembre, c’est-à-dire une dégradation des conditions de
végétation (pixels de l’image de changement ayant des valeurs négatives)
o Une couleur verte sera associée à une augmentation des valeurs de NDVI
entre janvier et septembre, c’est-à-dire une amélioration des conditions de
végétation (pixels de l’image de changement ayant des valeurs positives)
o Une couleur jaune sera associée à une stabilité des valeurs de NDVI entre
janvier et septembre, c’est-à-dire une stabilité des conditions de végétation
(absence de changement, pixels de l’image de changement ayant une valeur
aux alentours de 0)
 ce que la palette contienne une couleur centrale (symbologie symétrique autour de
0) facilement identifiable (jaune dans ce cas-ci) qui permettra de facilement
différencier les zones présentant une amélioration ou une dégradation des
76
conditions de végétation. Typiquement un dégradé bicolor (noir à blanc par exemple)
ne conviendra pas.
Pour choisir une palette de couleurs appropriée :
 Cliquez-droit sur l’image de changement dupliquée > Propriétés… > Symbologie >
Rendu des bandes raster > Type de rendu > Pseudo-couleur à bande unique
 Choisissez un dégradé de couleur adapté pour représenter les changements de NDVI,
comme indiqué par exemple à la Figure 43 (dégradé de couleur « RdYlGn » par
exemple).
Figure 43 : Choix d’une symbologie adaptée (dégradé de couleur « RdYlGn ») pour visualiser
l’image de changement de NDVI.
Modification d’une « Palette de couleurs »
 Modifiez éventuellement cette palette de couleur selon votre souhait. Dans ce cas-ci
la couleur centrale par défaut a été remplacée par un jaune un peu plus vif afin de
mieux différencier les pixels présentant un changement de NDVI nul ou faible des
pixels ne représentant pas un changement de NDVI (« Nodata » transparent
apparaissant en blanc si le background est blanc). Pour ce faire :
77
o Cliquez-gauche sur la « Palette de couleurs » sélectionnée dans la fenêtre des
propriétés de la couche > Symbologie de la couche
o Modifiez la palette de couleur comme souhaité via la fenêtre qui s’ouvre

« Sélectionner un dégradé de couleur » (Figure 44).
Figure 44 : Modification de la couleur centrale de la « Palette de couleurs RdYlGn » par un jaune

plus vif
Amélioration de contraste
Enfin, il peut être souhaitable de réaliser une amélioration de contraste (quelques exemples
sont donnés à la Figure 45) afin de mieux faire ressortir les différentes classes de
changement de NDVI. Ceci peut se faire via :
 Clic-droit sur l’image de changement dupliquée > Propriétés… > Symbologie > Rendu
des bandes raster > Paramètres « Min » et « Max » (Figure 43) à définir de manière
symétrique autour de 0 si vous voulez que la couleur centrale de la palette
corresponde à un changement de NDVI nul.
78
Au plus les valeurs des bornes inférieure et supérieure (paramètres « Min » et « Max ») de la
« Palette de couleurs » seront resserrées autour de 0, au moins la représentation colorée
sera nuancée étant donné que tous les pixels ayant des valeurs inférieures/supérieures aux
paramètres « Min »/« Max » prendront la couleur correspondant à la borne
inférieure/supérieure de la « Palette de couleurs » respectivement, comme illustré à la
Figure 45. A vous de choisir la représentation qui vous semble être la plus adaptée à vos
objectifs de représentation et d ‘analyse.
Figure 45 : Image de changement du NDVI entre janvier 2006 et septembre 2006, en dégradé de
gris et dégradés colorés utilisant différentes améliorations de contraste via l’utilisation des
paramètres « Min » et « Max » des propriétés de symbologie de la couche. L’image en bas à droite
utilise comme background le raster de masque binaire 0 1 avec la couleur noire correspondant aux
pixels pour lesquels un changement de NDVI ne peut être calculé (nuages, etc).
L’image de changement affichée avec une palette de couleurs appropriée (Figure 45, images
colorées) est facilement interprétable et le lien avec les conditions climatiques évident,
comme déjà interprété dans la section 5.2 page 63.
79
6. Analyse de séries temporelles d’images
sur bases d’applications web
Découvrir diverses applications web basées sur la télédétection et

Objectifs
comment ces applications peuvent être utiles pour réaliser une analyse
pédagogiques
d’une série temporelle d’images satellites.

dans le dossier « …\3_SERIE_TEMPORELLE_APPLI_WEB\... » (~ 44 MB).
Données répertoire de travail et décompressez-le. ATTENTION ! Voyez la section
& 1.2 page 18 pour plus d’information sur l’accès aux données.
Projet QGIS!
Projet QGIS : « SERIE_TEMPORELLE_APPLI_WEB.qgz » situé dans le
sous-dossier « QGIS ». Ce projet ne sera utilisé que très rapidement, pour
la première partie de cet exercice.

Temps
~ 1h30
approximatif
Prérequis Aucun.
Consignes de
Confer la « Contextualisation » reprise ci-après
départ
80
Contextualisation*
Production de médias mettant en évidence la déforestation à partir de séries
temporelles d’images satellites disponibles sur des applications web basées sur la
télédétection.
Un peuple d’indiens d’Amazonie, les Arumbayas, dans l’Etat de Rondônia au Brésil, voit
chaque jour leur forêt détruite un peu plus, destruction qui s’est accélérée récemment
suite à l’accession à la présidence du Brésil de Jair Bolsonaro le 1er janvier 2019.
Les Arumbayas aimeraient sensibiliser l’opinion nationale et internationale à la
problématique rencontrée sur leur territoire afin d’en stopper la destruction.
En tant que géographe fraichement diplômé, et sensibilisé à leur cause, vous proposez de
les aider via la création d’un ou plusieurs médias qui mettront en évidence la gravité et
l’urgence de la situation à partir de l’analyse d’images satellites.
Les Arumbayas ont identifié le périmètre de leur territoire grâce à un GPS reçu de la part
d’activistes de l’ONG « Treepeace ». Ce territoire est repris dans le shapefile
« Paraiso_verde.shp » et dans le fichier KML « PARAISO_VERDE.KML ».
Face à l’urgence de la situation, le délai de réalisation est assez court et vous décidez
d’utiliser les applications web existantes plutôt que de vous lancez dans un travail
fastidieux de téléchargement et traitement en local des images satellites.
Vous testerez les différentes applications présentées ci-dessous et comparerez leurs
qualités, défauts, avantages et inconvénients.
Vous pourrez montrer à la fois l’évolution historique (sur plusieurs années ou décennies)
et l’évolution très récente (derniers mois ou années récentes)!
Parmi les médias potentiels à produire :
 Images satellites de la zone montrant la situation (capture d’écran,…)
 Animation de type « Timelapse » montrant l’évolution de la situation
 Graphique de l’évolution temporelle de la végétation
* Cette contextualisation s’inspire de faits réels mais ne se veut pas véridique.
81
6.1. « QuickMapServices » (QMS) via QGIS
A l’aide des indications ci-dessous, installez « QGIS » sur votre ordinateur si ce n’est pas
encore fait et utilisez l’extension « QuickMapServices » (QMS) pour consulter une image
satellite de très haute résolution spatiale sur la zone d’étude de « Paraiso Verde ». (~ 10
minutes)
QGIS n’est pas une application web mais un logiciel à installer sur votre ordinateur. Une fois
installé, il permet d’accéder facilement, dans une interface SIG, à une série de données en
lignes, dont des images satellites très hautes résolutions spatiales, via différents services
web dont le service « QuickMapServices » qui est utilisé dans cette section.
! QGIS doit être installé sur votre ordinateur pour cette section. QGIS est disponible
ici https://qgis.org/en/site/.
Ouverture du projet QGIS préalablement préparé pour vous :
 Ouvrez le projet QGIS disponible dans le répertoire

« \3_SERIE_TEMPORELLE_APPLI_WEB\QGIS\SERIE_TEMPORELLE_APPLI_WEB.qgz» et
contenant le fichier shapefile « Paraiso_verde.shp » afin de localiser rapidement où
se situe le territoire étudié.
 Pour trouver la zone d’étude, faites un clic droit sur la couche « Paraiso_verde.shp »
dans le panneau « Couches » > Zoomer sur la couche.
Installation de l’extension « QuickMapServices » (QMS) dans QGIS :
 Si ce n’est pas encore fait, dans votre interface QGIS, installez l’extension
« QuickMapServices » via le Menu Extension > Installer / Gérer les extensions
 Après l’installation de base de QMS, ajoutez les services supplémentaires de QMS
via le menu « Internet > QuickMapServices > Settings > More > Get contributed
pack »
Utilisation de l’extension « QuickMapServices » et analyse
 Ajoutez le fond de carte “Google Satellite » à votre projet QGIS via le menu « Internet
> QuickMapServices > Google > Google Satellite »
 Analysez visuellement le territoire de « Paraiso Verde ». Pensez-vous pouvoir
produire un média intéressant via l’interface QGIS ?
Avantages de QMS :
 Très haute résolution spatiale  Très haut niveau de détail visible
82
 Accessible directement dans QGIS et donc facilement comparable avec des données
géographiques personnelles préalablement disponibles dans un projet QGIS
Désavantages de QMS :
 Vue statique sans information sur la date des images satellites disponibles
 Pas d’accès à une série temporelle d’images qui pourraient montrer l’évolution de
l’occupation du sol dans la zone
Figure 46 : Ajout du fond de carte « Google Satellite » via l’extension « QuickMapServices » dans
un projet QGIS et visualisation de la zone d’étude de « Paraiso Verde » dans l’Etat de Rondônia au
Brésil. Les « couloirs » de déforestation sont très visibles sous la forme de motifs linéaires gris-
brun, le vert correspondant à la forêt.
83
6.2. Google Earth Pro Desktop
A l’aide des indications ci-dessous, installez « Google Earth Pro » sur votre ordinateur si ce
n’est pas encore fait et utilisez cette application pour consulter les images satellites
d’archives disponibles sur la zone d’étude de « Paraiso Verde ». (~ 10 minutes)
« Google Earth Pro » permet d’afficher des images satellites d’archive, ce qui permet de se
faire une idée de la dynamique de l’occupation du sol dans une région.
Installation de « Google Earth Pro »
 ! Google Earth Pro doit être installé sur votre ordinateur pour cette section : Google
Earth Pro est disponible ici :
https://www.google.be/intl/fr_ALL/earth/versions/#earth-pro.
 Google Earth Pro nécessite une connexion à internet pour fonctionner correctement
et accéder aux images satellites d’archives notamment.
Utilisation de « Google Earth Pro » sur la zone d’étude de « Paraiso Verde »
 Double-cliquez sur le fichier KML « \3_SERIE_TEMPORELLE_APPLI_WEB\

PARAISO_VERDE.kml ». Cela ouvrira automatiquement, après quelques secondes,
Google Earth Pro sur la zone de « Paraiso Verde ».
Par défaut, Google Earth Pro présente le même fond de carte que celui utilisé via l’extension
« QuickMapServices » dans QGIS ci-dessus.
 Affichez l’outil « Afficher des images d’archive » est disponible comme illustré à la
Figure 47 :
Figure 47 : Outil « Afficher des images d’archive » de « Google Earth Pro »
Notez que les images d’archives disponibles à l’affichage varient en fonction du niveau de
zoom. A partir d’une échelle d’approximativement 1/80 000 en dé-zoomant (zoom out), des
images annuelles sans nuage sont disponibles de 1984 à 2016. Ce sont probablement
essentiellement des images LANDSAT (information non vérifiée). Sur la zone, la plus
ancienne image semble remonter à 1970. En zoomant à une échelle supérieure à 1/80 000
(zoom in), d’autres images, souvent de plus hautes résolutions spatiales, apparaissent dans
la liste des images d’archive.
84
 Passez en revue les images disponibles sur la zone d’étude afin de vous faire une idée
de la dynamique d’occupation du sol dans la région (Figure 48).
Cette évolution vous parait-elle normale ?
Réponse : attention ! Les images affichées pour 1970 et 1975 datent en fait de 2001, même
lorsque l’on zoom sur une toute petite zone ! Il semble donc y avoir une erreur dans Google
Earth à ce niveau ! Confer série d’images ci-dessous !
1970 ( ! ) 1984 2000 2001
1984 2016
Figure 48 : Images satellites d’archive sélectionnées pour quelques dates et affichées dans Google
Earth Pro sur la zone d’étude de « Paraiso Verde » dans l’Etat de Rondônia au Brésil. Les « couloirs
» de déforestation sont très visibles sous la forme de motifs linéaires gris-brun, le vert
correspondant à la forêt.
Pensez-vous pouvoir produire un média intéressant via cet outil ?
Cet outil à l’avantage de pouvoir montrer la dynamique de l’évolution de l’occupation du

sol dans la région. Une série de capture d’écran pourraient être faites puis assemblées en
une animation par exemple.
Pour information, une animation (image animée GIF) peut facilement être réalisée dans le
logiciel gratuit GIMP (https://www.gimp.org/) à partir d’une série d’images. Un exemple
d’animation a été créé avec 4 images de la zone (1984, 2001, 2008, 2016) et est disponible
dans le dossier « \3_SERIE_TEMPORELLE_APPLI_WEB\GIMP_ANIMATION_GIF\ » pour créer
ce type d’animation :
85
 Ajouter et ordonner chronologiquement les images dans GIMP (la plus récente au-
dessus)
 File > Export as > et donner un nom de fichier avec l’extension .GIF
 Export > As animation + loop forever + paramétrer le temps d’affichage d’une image
de la série (par exemple : 500 ms) > Export
 Le résultat est le fichier GIF
« \3_SERIE_TEMPORELLE_APPLI_WEB\GIMP_ANIMATION_GIF\GOOGLE EATH PRO
PARAISO VERDE 1984 2001 2008 2016.gif » qui s’ouvrira comme animation dans un
navigateur web.
86
6.3. Google EarthEngine Timelapse
A l’aide des indications ci-dessous, découvrez l’application « Google EarthEngine

Timelapse » et utilisez-la pour découvrir une animation de l’évolution de l’occupation du sol
à partir d’images satellites sur la zone d’étude de « Paraiso Verde ». (~ 10 minutes)
Découverte de “Google EarthEngine Timelapse”
“Google EarthEngine Timelapse” est une « vidéo mondiale zoomable » qui permet de
visualiser l’évolution de l’occupation du sol de la planète pendant ces 35 dernières années
(1984 - 2018) à l’aide d’une couverture mondiale annuelle sans nuage d’images satellites
(Landsat, Sentinel 2, ~15 millions d’images satellites utilisées). Cette application a été
réalisée dans le « Google Earth Engine’s cloud computing model ».
“Google EarthEngine Timelapse” est accessible à l’adresse
 https://earthengine.google.com/timelapse/
Une série d’exemples bien connus d’évolution impressionnante de l’occupation du sol sont
présentés dans le panneau latéral de gauche, dont la déforestation massive au Brésil dans
l’Etat de Rondônia où se situe Paraiso Verde.
 Explorez quelques exemples à votre guise, selon votre intérêt (déforestation, mine,
développement urbain, fonte de glacier, assèchement de la mer d’Aral, irrigation,
feux, modification du lit de fleuves, etc). Il faut parfois un peu de temps avant que les
images ne soient nettes.
En plus de ces exemples bien connus, cette vidéo est disponible pour tout endroit de la
planète.
Utilisation de “Google EarthEngine Timelapse” sur la zone d’étude de « Paraiso

Verde » (Figure 49):
 Zoomez donc sur le « Paraiso Verde », dans le Nord de l’Etat de Rondônia.

 Ou utilisez ce Le lien web qui vous amènera directement sur la zone d’étude :
o https://earthengine.google.com/timelapse#v=-8.81475,-
63.22497,7.533,latLng&t=3.43&ps=50&bt=19840101&et=20181231&startDw
ell=0&endDwell=0
Remarquez que le bouton « Share » permet d’exporter la vidéo courante dans un

format web et donc de la partager facilement.
87
Figure 49 : Aperçu de l’application “Google EarthEngine Timelapse” pour la zone d’étude de
« Paraiso Verde » dans l’Etat de Rondônia au Brésil. Les « couloirs » de déforestation sont très
visibles sous la forme de motifs linéaires gris-brun, le vert correspondant à la forêt.
Pensez-vous pouvoir produire un média intéressant via cet outil ?
Avantage de “Google EarthEngine Timelapse”:
 Facile d’utilisation, vidéos/animations prêtes à l’emploi
Désavantages de “Google EarthEngine Timelapse”:
 Limité à 2018 au moment de rédiger ces lignes

 Qualité de l’image variable (dépendante de votre ordinateur et/ou qualité de votre
connexion internet probablement)
 Pas de possibilité de superposer les limites du territoire étudié
88
6.4. Global Forest Change par « University of MARYLAND »
A l’aide des indications ci-dessous, découvrez l’application « Global Forest Change » et

utilisez-la pour découvrir l’évolution de la couverture forestière sur la zone d’étude de «
Paraiso Verde ». (~ 10 minutes)
Un autre portail notable, aussi basé sur l’outil Google Earth Engine, est le portail « Global
Forest Change » développé par la « University of MARYLAND » (Figure 50), disponible ici :
 http://earthenginepartners.appspot.com/science-2013-global-forest
Cette application résulte d’analyses de séries temporelles d’images satellites Landsat entre
2000 et 2018 et met en évidence l’étendue et les changements des forêts sur l’ensemble de
la planète.
Consultez les différentes couches d’information disponible via le menu « Data Products ».
Quelle(s) couche(s) d’information vous semblent la (les) plus pertinentes par rapport à la
problématique de cet exercice ?
Remarquez que la couche « Forest Loss Year (2018 Highlight) » permet de bien mettre en
évidence la déforestation 2018 qui semble inaugurer assez clairement un nouveau front de
déforestation dans la partie Nord de « Paraiso Verde ».
89
Figure 50 : Portail web « Global Forest Change » développé par « University of MARYLAND » pour
la zone d’étude de « Paraiso Verde » dans l’Etat de Rondônia au Brésil. Donnée affichée : « perte
en forêt » annuelle avec une mise en évidence de l’année 2018 en bleu clair.
90
6.5. EO Browser
A l’aide des indications ci-dessous, découvrez l’application « EO Browser » et utilisez-la sur

la zone d’étude de « Paraiso Verde » en tentant de reproduire les graphiques présentés ci-
dessous à l’aide des données de type NDVI de Sentinel-2. (~ 20 minutes)
EOBrowser est une application plus récente, développée par l’ESA (European Space Agency),
disponible ici (Figure 51):
 https://www.sentinel-hub.com/explore/eobrowser
Figure 51 : Interface de recherche d’images satellites dans l’application « EO Browser »
 Accédez au portail via le bouton “Start exploring” (via le bouton « sign in », vous
risquez de rencontrer un problème de connexion)
91
“EO Browser combines a complete archive of Sentinel-1, Sentinel-2, Sentinel-3, ESA’s archive
of Landsat 5, 7 and 8, global coverage of Landsat 8, Envisat Meris, Proba-V and MODIS
products in one place.”
 Enregistrez-vous pour avoir accès à toutes les fonctionnalités de cette interface (Sign
in > Sign up).
(Nouveau : free trial avec période limitée de 30 jours…)
6.5.1. Analyse sur la partie Nord du territoire étudié

Vous allez tenter de mettre en évidence la dynamique de la déforestation dans la zone
d’étude pour ces 2 dernières années, 2018 et 2019 via la réalisation de graphiques et de
timelapses (animation temporelle d’images). Concentrez-vous sur la partie Nord du territoire
étudié pour lequel l’application précédente « Global Forest Change » a mis en évidence une
déforestation importante en 2018.
!! Pour faire une recherche d’images, attention, respectez les étapes suivantes :
 Zoomez sur la zone d’intérêt.

 Onglet « Search » : choisissez le type d’images et la période à explorer + clic sur
Search
o Explorez tout à tour les 2 produits disponibles suivants :
 Sentinel 2 level 2A
 Sentinel 1 (toutes)
 (Remarquez qua Landsat est aussi disponible)
o Remarquez que pour Sentinel 2 et Landsat 8, il y a la possibilité d’appliquer un
filtre sur la couverture nuageuse
o Remarquez que pour Sentinel 1, il n’y a pas de filtre nuage. Ceci est normal
étant donné que les images RADAR ne sont pas impactées par les nuages.
Constatez-le.
 Onglet « Results » : une fois les résultats obtenus, cliquez dans l’interface
géographique à l’endroit sur lequel vous voulez faire votre recherche. Ceci permet
de ne faire apparaitre dans la fenêtre de visualisation QUE les images couvrant cet
endroit !
 « Fenêtre Pop up » : choisissez une image en particulier à afficher dans l’interface
principale
o Remarquez que la plupart des images Sentinel-2 sont fortement ennuagées
 Naviguez dans le temps à l’aide du calendrier et essayez de trouver une image
Sentinel-2 peut ennuagée.
92
 Pour une image Sentinel-2 et une image Sentinel-1, explorez rapidement les
différents modes de visualisation disponibles (indices de végétation, compositions
fausse couleur, etc) (exemple à la Figure 52).
Réalisation d’un graphique de l’évolution temporelle du signal satellite sur la zone (Figure
53 et Figure 54).
Seuls certains produits peuvent être utilisés pour la réalisation de graphique :
 Sentinel 2 : uniquement sur le NDVI, Moisture index et NDWI, AVEC possibilité de

filtre nuage dans l’application graphique !!!
 Sentinel 1 : aucun produit
 PROBAV : aucun produit
 Landsat8 (USGS) : uniquement pour le NDVI et le thermique, mais pas de filtre
nuages dans le graphique  série très bruyante !
 Landsat 7: ne semble pas y avoir d’image disponible
Pour réaliser un graphique de l’évolution temporelle d’un produit, il faut utiliser une
« ROI » (Region Of Interest), soit dessiné manuellement (bouton « Draw area of interest » à
droite de l’interface), soit importé à partir d’un fichier KML par exemple.
Après avoir obtenu les résultats de recherche pour les images de type Sentinel-2 2A et choisi
le rendu « NDVI »:
 Dessinez une ROI dans la partie impactée par la déforestation en 2018.

 Cliquez sur le bouton de réalisation d’un graphique temporel
 Dans l’interface graphique
o Choisissez d’afficher les produits remontant à 1 an, 2 ans, 5 ans
o Jouez avec le filtre de nuage et voyez l’impact sur le graphique
Timelapse
Utilisez le bouton de création de timelapse pour tenter de réaliser une animation

pertinente sur la zone d’étude mettant en évidence la dynamique de la déforestation. Une
fois enregistrée, cette animation au format « .gif » s’ouvrira par exemple dans un navigateur
internet. Un exemple de timelapse est mis à disposition dans le répertoire
« …\3_SERIE_TEMPORELLE_APPLI_WEB\EO_BROWSER\Sentinel-2_L2A-timelapse.gif »
93
Figure 52 : Aperçu de la zone d’étude avec le NDVI d’une image Sentinel-2
Figure 53 : Graphique de l’évolution temporelle (1 an) du NDVI de Sentinel-2 L2A sur la zone
d’étude, sans filtre de nuages : signal très bruyant en dents de scie.
94
Figure 54 : Graphique de l’évolution temporelle (1 an) du NDVI de Sentinel-2 L2A sur la zone
d’étude, AVEC filtre de nuages à 52 % : signal moins bruyant qu’à la figure précédente.
95
Figure 55 : Aperçu de la zone d’étude avec une image Sentinel-1
6.5.2. Analyse sur une parcelle déforestée

Après avoir étudié le nord de la zone, refaite le même type d’étude pour une petite zone
correspondant uniquement à une parcelle déforestée en 2018 ou 2019 afin que l’analyse
mette clairement en évidence l’effet de la déforestation sur le signale NDVI de Sentinel-2,
comme réalisé ci-dessous.
L’exemple repris dans les figures ci-dessous correspond aux coordonnées LAT -8.33 et LON -
62.88 entre le 15 et le 20/7/2019 avec le NDVI de Sentinel-2. Un graphique de l’évolution
temporelle du NDVI met clairement en évidence une cassure (en anglais : « break »)
correspondant à une forte diminution du signale NDVI entre ces 2 dates.
96
Figure 56 : Parcelle déforestée dans la zone d’étude telle qu’elle apparait sur des images NDVI de
Sentinel-2, avant (en haut) et après (en bas) déforestation.
97
Figure 57 : Graphique de l’évolution temporelle (6 mois) du NDVI de Sentinel-2 L2A sur la parcelle
déforestée, SANS (en haut) et AVEC (en bas) filtre de nuages: baisse soudaine du NDVI due à la
déforestation bien visible en juillet 2019.
98
6.6. Time series viewer SPOT-VGT & PROBA-V
A l’aide des indications ci-dessous, découvrez l’application « Time series viewer » et utilisez-
la sur la zone d’étude de « Paraiso Verde ». (~ 15 minutes)
Analyse d’une série temporelle d’images NDVI basse résolution via une application web
(temps : 15 minutes).
A l’aide du « Time series viewer » développé par le VITO et disponible ici (il faut copier-coller
le lien manuellement dans une page web pour accéder à l’application):
 https://proba-v-mep.esa.int/applications/time-series-viewer/app/app.html,
Produits disponibles :
 NDVI : issus des capteurs PROBAV et SPOT-VGT (S10 = synthèse décadaire (sur une
période de 10 jours) à partir d’images acquises quotidiennement)
 4 produits CGLS (Copernicus Global Land Service) : FAPAR, LAI, FCOVER, Dry Matter
Productivity
 Météo
Pour en savoir plus :
 Sur SPOT-VEGETATION : http://www.spot-vegetation.com/

 Sur PROBA-V : http://proba-v.vgt.vito.be/en
Explorez différentes régions du monde et mettez en évidence le lien entre l’évolution

temporelle des conditions de végétation (NDVI) et des précipitations.
 Pakistan (Figure 58)

o Double saison de végétation annuelle dans certaines régions
 Maroc (Figure 59)
o Nord : saison unique avec amplitude importante et année sèche visible :
irrégularité interannuelle
o Sud : faible amplitude
 Wallonie (Figure 59)
o Saisons larges et amples
o L’impact de la sécheresse 2018 est-il visible ?
 Burkina Faso (Figure 59)
o Nord : saisons amples mais étroites
o Sud : saisons amples et plus large
 Sud du Bénin (Figure 60)
o Evolution latitudinale des types de saisons de végétation
99
Remarquez la possibilité de travailler avec des masques d’occupation du sol (« landcover »).
Quelques exemples de graphiques sont repris ci-dessous.
Figure 58 : Double saison de végétation annuelle observée pour le Punjab au Pakistan sur base du
NDVI PROBA-V (courbe verte) et précipitations (bleu)
100
Figure 59 : Différents types de saisons de végétation pour quelques régions du monde sur base du
NDVI PROBA-V (courbe verte) et précipitations
101
Figure 60 : Evolution latitudinale des types de saisons de végétation (courbes vertes) pour 3
régions du Bénin (Afrique de l’Ouest), depuis une double saison sur la côte dans le Sud jusqu’à une
saison unique dans le Nord en passant par une saison de type intermédiaire (double petit pic) dans
le centre. Précipitations en bleu.
102
Remarquez que la qualité des données disponibles via ce portail ne semble pas toujours être
garantie : confer la Figure 61.
Figure 61 : Exemple d’évolution du FAPAR pour une région du Ghana : il semble y avoir une erreur
dans les données puisque la moyenne historique (Long Term Average - LTA) passe sous le
minimum.
Tentez enfin une visualisation pour la zone d’étude de « Paraiso Verde ».
 Sur l’Etat de Rondônia (Figure 62, courbe verte)

 Pour un polygone (disponible uniquement pour PROBAV 2014-2020) (Figure 62,
courbe mauve)
o Possibilité d’uploader le shapefile mis à disposition dans le répertoire
« …\3_SERIE_TEMPORELLE_APPLI_WEB\QGIS\VECTOR_DATA\Paraiso_verde.s
hp ».
 (Pour un point (via le drapeau) (disponible uniquement pour PROBAV 2014-2020) :
non réalisé dans ce manuel.
o Documentation du portail: “Custom point of interest to show a time serie
break or something like this point time series”:
 https://proba-v-mep.esa.int/documentation/manuals/time-series-
viewer#point-timeseries)
103
Figure 62 : Evolution du NDVI PROBA-V pour l’Etat de Rondônia (courbe verte) et pour la zone
d’étude Paraiso Verde (courbe mauve).
Constatez aussi à certains endroits (Figure 63):
 L’écart de NDVI entre les 2 capteurs SPOT VEGETATION et PROBA V pour 2014
 La différence d’amplitude et de bruit de NDVI entre SPOT VGT ET PROBAV
Rondônia, Brésil Région d’Ucayali (Centre-Est du Pérou)

Figure 63 : Exemples de différences (valeur absolue, amplitude, bruit) entre le « NDVI SPOT-
VEGETATION » et le « NDVI PROBA-V » pour 2 régions.
104
6.7. Terrascope
Découvrez rapidement, selon votre intérêt, l’application « Terrascope » (non disponible

pour la zone d’étude, présentée à titre d’information). (~ 10 minutes)
Terrascope est une plateforme belge disponible ici:
 Site web principal :

o https://terrascope.be/fr
 Viewer d’images satellites (Figure 64):
o https://viewer.terrascope.be/terrascope/?language=fr&bbox=-102,10,77,78
Les images et produits satellites disponibles sont : Sentinel 1, Sentinel 2, PROBA-V,

Copernicus Land Services (LAI, FAPAR). Quelques couches externes (orthophotos, parcellaire
agricole) sont également disponibles.
Cette plateforme ne couvre que la Belgique et sa proximité immédiate.
Enregistrez-vous pour avoir accès à toutes les fonctionnalités de cette interface (Register
and Log in).
Découvrez éventuellement les diverses fonctionnalités de la plateforme via le bouton « Faire

un tour ».
105
Figure 64 : Aperçu du « viewer » de la plateforme « Terrascope » avec les images Sentinel-2
disponibles pour le 28 mars 2020.
6.8. Viewer quotidien des images PROBA-V
Pour information. (~ 5 minutes)
 https://proba-v-mep.esa.int/applications/geo-viewer/app/
106
6.9. Système mondial d’information et d’alerte rapide sur
l’alimentation et l’agriculture (SMIAR)
Site web :
 http://www.fao.org/giews/earthobservation/index.jsp?lang=fr
« Le SMIAR suit l'état de développement des principales cultures vivrières à travers le

monde afin d’évaluer les perspectives de production. Pour appuyer l'analyse et compléter
les informations recueillies sur le terrain, le SMIAR utilise des données de télédétection en
vue de récolter des indications importantes sur la disponibilité en eau et la santé générale
de la végétation au cours des campagnes agricoles. Outre les estimations concernant la
pluviométrie et l'indice de végétation par différence normalisé (NDVI - Normalized
Difference Vegetation Index), le SMIAR et la Division CBC de la FAO ont mis au point l'Indice
de stress hydrique (ASI - Agricultural Stress Index), un indicateur qui permet d’identifier
rapidement des zones agricoles probablement affectées par des périodes sèches, voire des
sécheresses dans les cas extrêmes. »
Figure 65 : Carte de l’indice de santé de la végétation sur le site web du SMIAR.
107
6.10. Fonte des glaces du pôle Nord
Exemple supplémentaire de monitoring qui peut être fait à partir d’une série temporelle
d’images satellites.
 Disappearing Arctic sea ice, animation

https://www.youtube.com/watch?v=hlVXOC6a3ME
o Disparition progressive de la glace la plus ancienne/la plus épaisse
o Plus d’information: https://svs.gsfc.nasa.gov/4616
 Arctic Sea Ice Reaches 2019 Minimum Extent
https://www.youtube.com/watch?v=2XKYdSqf2ss (Figure 66)
Figure 66 : “Arctic Sea Ice Reaches 2019 Minimum Extent”. Source:

https://www.youtube.com/watch?v=2XKYdSqf2ss
108
7. Manipulations de données
hyperspectrales dans QGIS
 Mieux comprendre la notion d’image hyperspectrale

 Constater la variation des signatures spectrales pour différentes
Objectifs occupation du sol
pédagogiques  Se familiariser à l’analyse de diverses formes graphiques de
représentation de l’information spatiale (signature spectrale, nuage
de points 2D, cube hyperspectral)

dans le dossier « …\4_HYPERSPECTRAL\... » (~ 50 MB) et correspondent
à:
 Des données hyperspectrales ponctuelles de laboratoire
Données  Une image satellite hyperspectrale CHRIS-PROBA
&
Projet QGIS! Téléchargez ce dossier sur votre ordinateur en local dans votre
Projet QGIS : « HYPERSPECTRAL.qgz » situé dans ce même dossier.

Temps ~ 15-20 minutes pour les données hyperspectrales ponctuelles.

approximatif ~ 30 minutes pour l’image hyperspectrale.
Prérequis Aucun.
109
7.1. Introduction
Dans cette section vous aurez brièvement l’occasion de manipuler quelques données de
type « hyperspectral ». Un signal est dit « hyperspectral » lorsqu’il est composé de
nombreuses bandes spectrales (généralement 100 ou plus), étroites (1 à 500 nm de largeur
par exemple) et contiguës (signal continu dans la gamme spectrale considérée) (exemple à la
Figure 68).
Les données hyperspectrales peuvent se présenter de différentes façons en fonction du

capteur duquel elles sont issues (Figure 67) :
 Image hyperspectrale : il s’agit d’une image (comme une image satellite

multispectrale par exemple) avec une résolution spectrale très importante. Exemple :
le capteur “AHS-160” est disposé dans un avion et est composé de 80 bandes
spectrales, couvrant 5 parties du spectre solaire entre 0.43 – 12.7 µm
(VIS+NIR+SWIR+TIR).
 Donnée hyperspectrale ponctuelle : ces données sont enregistrées à l’aide d’un

capteur portable utilisé par un opérateur directement sur le terrain (en plein air ou
en laboratoire). Exemple : capteur de type « Analytical Spectral Device (ASD) », qui se
porte comme un sac à dos et enregistre l’information spectrale dans 2151 bandes
spectrales contigües de 1 nm de large chacune, entre 350 et 2500 nm.
Figure 67 : Différents types d’acquisitions de données hyperspectrales
110
7.2. Manipulation de données hyperspectrales ponctuelles
(ASD) dans « ViewSpecPro »
Les données que vous allez utiliser ont été acquises sur des échantillons de sol agricoles
étudiés en laboratoire pour différents niveaux de teneurs en eau et d’ombrages.
(Remarque : pour les sols ombragés, l’énergie incidente correspond à la pleine lumière et
l’énergie réfléchie correspond à la lumière réfléchie par un sol partiellement ombragé.)
Figure 68 : 4 signatures hyperspectrales de sol agricole pour différents niveaux d’ombrages et de

teneur en eau
Le logiciel à utiliser est « ViewSpecPro ». Ce logiciel gratuit peut être téléchargé à l’adresse
web suivante : https://www.malvernpanalytical.com/fr/support/product-
support/software/ViewSpecProSoftwareInstall.html après inscription sur ce site.
Les fichiers se trouvent dans le

répertoire « 4_HYPERSPECTRAL\HYPERSPECTRAL_ASD_LABO »:
 Naviguez vers ce répertoire (via Windows) et ouvrez le fichier texte

« Exemple_fichier_hyperspectral_texte.txt ». Il vous donne un aperçu de comment
peut être organisé l’information spectrale dans un fichier : une colonne pour les
longueurs d’ondes (nm) et une pour les valeurs de réflectance. Expliquez les valeurs
de ces deux colonnes.
 Démarrez le logiciel « ViewSpecPro »
111
 Cliquez sur « File > Open > » et naviguez jusqu’au répertoire contenant les données
hyperspectrales
 Sélectionnez les 4 fichiers dont le nom commence par « Ombre… ». et cliquez sur
« Ouvrir »
Les fichiers sélectionnés devraient apparaitre dans la fenêtre principale de « ViewSpecPro »
 Sélectionnez tous les fichiers et cliquez sur « View > Graph Data ».
 Modifiez éventuellement la symbologie des courbes via un double-clic gauche sur le
graphique > Style
Les spectres correspondants aux fichiers sélectionnés s’affichent à l’écran (Figure 68).
La présence d’eau et/ou l’ombrage induisent une diminution importante de la réflectance

(assombrissement du sol).
112
7.3. Manipulation de données hyperspectrales images
(CHRIS-PROBA)
7.3.1. Présentation de l’image hyperspectrale

L’image que vous allez utiliser a été acquise par le capteur CHRIS (Compact High Resolution
Imaging Spectrometer) monté sur le satellite PROBA (Project for On Board Autonomy)
(Figure 69). Il enregistre les images dans 62 bandes spectrales comprises dans l’intervalle
[400 nm - 1000 nm].
Figure 69 : Vue d’artiste du satellite PROBA (crédit image: Verhaert Space, ESA) (gauche) et
illustration d’une séquence de prises de vue multi-angulaire de PROBA-1 (crédit image : SSTL, ESA)
(droite). Source: https://directory.eoportal.org/web/eoportal/satellite-missions/p/proba-1.
Plus d’information sur le couple CHRIS-PROBA est disponible aux pages web suivantes :
 https://earth.esa.int/web/guest/missions/esa-operational-eo-missions/proba, ESA
earthnet online (ESA = European Space Agency)
 https://directory.eoportal.org/web/eoportal/satellite-missions/p/proba-1
L’image que vous allez utiliser se trouve dans le dossier
« \4_HYPERSPECTRAL\HYPERSPECTRAL_IMAGE_CHRIS_PROBA\» et est nommée «
CH100728_N.BIN ». Elle a été enregistrée le 28 juillet 2010 au-dessus d’une région agricole
au Sud-Ouest de Leipzig (Allemagne) en position « NADIR » (« N ») (capteur à la verticale du
lieu enregistré). L’extension « .BIN » signifie que l’image est codée en binaire.
Différents fichiers accompagnent ce fichier image :

113
 « QuicklookCEF4_Leipzig_2010-07-28.jpg », une illustration jpeg basse résolution de
l’image aussi appelé « Quicklook » pour avoir un aperçu rapide de l’image sans devoir
utiliser un programme spécialisé.
 « Info Chris wavelengths.xls », fichier Excel listant chacune des 62 bandes de l’image
avec les longueurs d’ondes et les couleurs visibles approximatives correspondantes
 « CH100728_N.HDR », fichier texte correspondant au fichier header (entête) créé
dans le logiciel ENVI
 « Readme.txt », fichier texte donnant quelques informations supplémentaires sur
l’image (nombre de lignes et de colonnes, système de coordonnées, format, etc)
7.3.2. Manipulations et analyses à partir de l’image hyperspectrale
7.3.2.1. Compositions colorées de l’image hyperspectrale
A l’aide des indications ci-dessous, découvrez l’image CHRIS-PROBA via son ouverture dans
QGIS et la réalisation d’une ou plusieurs compositions vraies couleurs et éventuellement
une ou plusieurs compositions fausses couleurs.
 Ouvrez le projet QGIS « HYPERSPECTRAL.qgz » préalablement créé pour vous ou

créez un nouveau projet QGIS par vous-même.
o Notez que le SCR de l’image CHRIS-PROBA est le système « EPSG:32632 -
WGS 84 / UTM zone 32N » (clic-droit sur l’image > Propriétés… > Information
> SCR) (information aussi partiellement disponible dans le fichier texte
« readme.txt »). Ce SCR a été utilisé comme SCR du projet QGIS (Projet >
Propriétés… > SCR)
 Ajoutez l’image « CH100728_N.BIN » dans votre projet QGIS si elle n’est pas encore
présente dans votre projet
 Constatez que cette image est composée de 62 bandes spectrales via :
o Clic-droit sur l’image dans le panneau « Couches » de QGIS > Propriétés… >
Symbologie > Rendu des bandes raster > Les menus déroulants des 3 canaux
RGB présentent les 62 bandes spectrales
 Réalisez une ou plusieurs compositions vraies couleurs de l’image en vous aidant de
la feuille Excel « Info Chris wavelengths.xls » ou de la Figure 70 ci-dessous pour
trouver la correspondance entre numéro de bande spectrale et les couleurs Rouge,
Vert et Bleu.
o La combinaison R = 21, G = 14, B = 5 est un bon exemple de composition
vraies couleurs (Figure 70)
114
o Remarquez que plusieurs combinaisons sont possibles étant donné que
plusieurs bandes spectrales correspondent à chacune des 3 couleurs Rouge,
Vert et Bleu (Figure 70).
 Identifiez rapidement quelques classes d’occupation du sol dont de la végétation
cultivée (champs cultivés), de la terre (champs nus), de l’eau (lac) et remarquez la
présence importante de nuages sur l’image.
Figure 70 : Exemple de composition vraies couleurs de l’image hyperspectrale CHRIS PROBA (R =

21, G = 14, B = 5) (gauche) et table décrivant les 30 premières (sur un total de 62) bandes spectrales
de l’image CHRIS PROBA avec en particulier les longueurs d’ondes et les couleurs visibles
approximatives correspondant à chacune des bandes (droite).
7.3.2.2. Affichage de la signature spectrale de différentes occupations du sol
A l’aide des indications ci-dessous, constatez la variation des signatures spectrales pour
différentes occupation du sol et pour les nuages.
Plusieurs extensions de QGIS permettent d’extraire la signature spectrale d’un pixel ou d’un
groupe de pixels (via un polygone) d’une image, de manière interactive et son affichage sous
la forme d’un graphique (Figure 71).
Afin de consulter de manière interactive la signature spectrale (composée par les 62 bandes
spectrales de l’image CHRIS-PROBA) de différentes occupations du sol présentes au sein de
l’image :
115
 Installez l’extension QGIS « Temporal/Spectral Profile Tool » qui, après installation,
est disponible sous la forme du bouton ou dans le menu « Extension > Profile
Tool > Temporal/Spectral Profile » (Menu Extension > Installer/Gérer les extensions >
Recherche et installation de l’extension)
 (Remarque : une autre extension permettant également de réaliser un graphique de
la signature spectrale est l’extension « RasterDataPlotting » . Cette extension

est utilisée dans la section suivante pour la réalisation d’un graphique de type nuage
de points)
 Utilisez l’extension QGIS « Temporal/Spectral Profile Tool » pour consulter de
manière interactive la signature spectrale de différentes occupations du sol
présentes au sein de l’image (Figure 71)
Sol nu Végétation
Eau Nuage
Figure 71 : Signatures spectrales obtenues pour 3 occupations du sol et pour les nuages à partir de
l’image hyperspectrale CHRIS-PROBA composée de 62 bandes spectrales.
116
7.3.2.3. Graphique 2D de bandes spectrales 2 à 2
A l’aide des indications ci-dessous, réalisez 2 graphiques de type « nuage de points »

comparant les valeurs des pixels de l’image hyperspectrale pour 2 bandes spectrales
proches et 2 bandes spectrales éloignées et comprenez leur interprétation.
 Installez l’extension QGIS « RasterDataPlotting » qui, après installation, est
disponible sous la forme du bouton (Menu Extension > Installer/Gérer les

extensions > Recherche et installation de l’extension)
 Utilisez cette extension pour réaliser 2 graphiques de type « nuage de points »
(anglais : « scatter plot ») comparant les valeurs des pixels (axes X et Y) de l’image
hyperspectrale pour (Figure 72):
o 2 bandes spectrales proches : bandes 1 et 2 par exemple
o 2 bandes spectrales éloignées : bandes 1 et 42 par exemple
 Il peut être opportun de réaliser un « Clic-droit > Zoomer sur la couche » à partir de
l’image hyperspectrale dans le panneau « Couches » afin d’obtenir une meilleure
représentation graphique.
 Quelles différences observez-vous entre ces 2 graphiques ? Comment les expliquez-
vous ?
Le nuage de points du graphique des bandes spectrales 1 et 2 est très « aplati » sur la
« diagonale X = Y » car les valeurs de pixels de ces 2 bandes sont extrêmement proches ou
« extrêmement corrélées » (Figure 72, gauche). 2 bandes spectrales proches sont quelque
part assez redondantes étant donné qu’elles portent une information spectrale similaire.
Le nuage de points du graphique des bandes spectrales 1 et 42 est très « éclaté » car les
valeurs de pixels de ces 2 bandes sont « très peu corrélées » (la variation des valeurs de
pixels de la bande 1 ne correspond pas à une variation similaire des valeurs de pixels de la
bande 42) (Figure 72, droite). 2 bandes spectrales distantes ne sont pas redondantes car
elles portent chacune une information spectrale différente/particulière. 2 bandes spectrales
distantes seront donc plus riche en information et donc plus intéressantes pour caractériser
une occupation du sol donnée que 2 bandes spectrales proches.
117
Figure 72 : Graphiques de type « nuage de points » (anglais : « scatter plot ») pour l’ensemble de
l’image CHRIS-PROBA pour les bandes spectrales 1 et 2 (gauche) et 1 et 42 (droite), réalisés avec
l’extension « Raster Data Plotting » de QGIS
118
7.3.2.4. Cube hyperspectral
Il n’y a pas de manipulation à réaliser. Comprenez simplement comment interpréter un

cube hyperspectral.
QGIS ne permet pas de réaliser un cube hyperspectral. Un exemple est simplement présenté
à la Figure 73.
Un cube hyperspectral peut être réalisé à partir d’images hyperspectrale aérienne ou

satellite par exemple. L’axe de la 3ème dimension correspond aux longueurs d’ondes du
spectre électromagnétique. La couleur des faces du cube de cette 3ème dimension varie en
fonction de la valeur mesurée par le capteur (par exemple: radiance, réflectance etc) pour
chaque longueur d’onde. Cette 3ème dimension permet donc de visualiser via une palette
de couleurs la variation de réflectance (ou autre paramètre) selon les longueurs d’onde pour
les occupations du sol présentes en bordure du cube.
ème
Figure 73 : Cube hyperspectral. La 3 dimension du cube (la profondeur) correspond aux longueurs d’ondes
du spectre électromagnétique. Illustration adaptée depuis : https://www.dronelogx.com/geospatial-
imagery-analysis.
119
7.3.2.5. Importance du « Fichier entête » ou « Header file »
A l’aide des indications ci-dessous, vérifiez par vous-même l’importance du « Fichier

entête » (anglais «Header file ») accompagnant l’image hyperspectrale en modifiant très
légèrement l’un de ses paramètres et en constatant les modifications d’affichage induites.
Le « Fichier entête » (anglais « Header file ») est un petit fichier texte accompagnant une
image, qui contient une série d’information décrivant l’image, et qui permet à un logiciel de
lire et d’afficher correctement cette image.
o Ouvrez le « Fichier entête » « CH100728_N.HDR » de l’image CHRIS-PROBA avec le

bloc note (fichier de type texte) et jetez-y un œil rapide (Figure 74 gauche).
Remarquez que ce fichier contient notamment les informations sur le nombre de
colonnes (« samples ») et lignes (« lines ») de pixels de l’image et sur le nombre de
bandes spectrales (« bands ») de l’image.
o Supprimez l’image CHRIS-PROBA de votre projet QGIS
o Modifiez une information du « Fichier entête », par exemple en indiquant 500 lignes
ou 601 colonnes et enregistrez cette modification.
o Ajoutez l’image CHRIS-PROBA dans votre projet QGIS
o Constatez que QGIS n’affiche plus correctement l’image CHRIS-PROBA suite à cette
modification du « Fichier entête » (Figure 74 centre et droite).
o Faites la manipulation inverse pour corriger l’erreur introduite et afficher à nouveau
correctement l’image CHRIS-PROBA dans QGIS.
Figure 74 : « Fichier entête » (anglais : « Header file ») de l’image CHRIS-PROBA contenant

notamment l’information sur le nombre de colonnes (« samples ») et lignes (« lines ») de pixels de
l’image (gauche) et affichage de l’image CHRIS-PROBA dans QGIS après modification de ce « Fichier
entête » en indiquant les informations erronées suivantes : 600 colonnes/500 lignes/ (centre) et
601 colonnes/700 lignes (droite).
120
8. Classification supervisée d’images
satellites multispectrales et analyse
diachronique : méthode simple et
méthode avancée (dans QGIS)
Maitriser la procédure complète (nombreuses étapes) de réalisation :

 d’une carte d’occupation du sol par classification supervisée d’une
Objectifs image satellite multispectrale (Landsat-5 et Sentinel-2) (avec
pédagogiques validation par matrice de confusion),
 d’une analyse diachronique à partir d’images satellites
multispectrales (avec production d’une matrice de transition).

dans le dossier
«…\5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\...» (~
455 MB).

Données répertoire de travail et décompressez-le. ATTENTION ! Voyez la section
& 1.2 page 18 pour plus d’information sur l’accès aux données.
Projet QGIS!
Ces données sont décrites dans les sections 8.4 page 134 pour les
données auxiliaires et section 8.5 page 142 pour les images satellites.
Projet QGIS : « CLASSIF_SUP_ANALYSE_DIA.qgz » situé dans ce même

dossier.

application (https://www.qgis.org/fr/site/forusers/download.html)
Temps METHODE SIMPLE ~ 4 à 6 heures

approximatif METHODE AVANCEE ~ 6 à 8 heures
Il est préférable mais non obligatoire que l’utilisateur ait déjà quelques
Prérequis
notions de base en SIG (QGIS) et télédétection.
121
8.1. INFORMATIONS PREALABLES IMPORTANTES !
8.1.1. METHODE SIMPLE & METHODE AVANCEE
Cette section numéro 8 est assez longue (~140 pages au total) et peut être parcourue
selon 2 CHEMINS METHODOLOGIQUES correspondant à une :
 METHODE SIMPLE de CLASSIFICATION SUPERVISÉE D’UNE SEULE image satellite (de
type Landsat-5) (+acquisition et prétraitement de l’image + représentation 3D +
analyse de séparabilité spectrale des classes + validation + mise en page
cartographique), SANS ANALYSE DIACHRONIQUE
o ATTENTION ! POUR LA METHODE SIMPLE :
 Les titres de sections utiles à sa réalisation sont surlignés en vert
 Les étapes méthodologiques utiles à sa réalisation sont encadrées
d’un halo vert dans le schéma méthodologique global de la Figure 75.
o Cette méthode simple est présentée sur un total approximatif de 90 pages
 METHODE AVANCEE de CLASSIFICATION SUPERVISÉE DE PLUSIEURS images
satellites (de type Landsat-5 et Sentinel-2) reprenant les étapes de la méthode
simple ET EN ADDITION la réalisation de traitements supplémentaires (masques de
nuages, construction d’une image désennuagée, reclassification conditionnelle) et la
réalisation d’une ANALYSE DIACHRONIQUE (matrice de transition, graphiques
d’évolution du paysage, etc)
o L’ensemble des sous-sections de cette section 8 sont à considérer pour mener
à bien la méthode avancée (~140 pages) à l’exception de quelques sections
qui sont données à titre purement informatif.
La METHODE AVANCEE est volontairement complexe, ceci afin de montrer une large
gamme (mais très loin d’être exhaustive) des méthodes potentiellement applicables à ce
type d’analyse. Sachez cependant que nombre de manipulations peuvent se révéler
facultatives dans certains cas et que leur utilisation devra donc être adaptée en fonction de
vos données d’entrée, des objectifs de l’étude (classes d’occupation du sol d’intérêt,
précision souhaitée), de la difficulté de la classification de la zone d’intérêt, etc. Dans
certains cas, une classification supervisée d’images satellites ainsi qu’une analyse
diachronique peuvent donc être conduites beaucoup plus directement si désiré.
122
8.1.2. Traitements déjà réalisés
Certains traitements de données ont déjà été effectués pour vous et les données résultantes
sont mises à disposition dans les sous-dossiers du répertoire
«…\5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\».
Ces étapes, reprises sous la forme d’encadrés oranges dans la Figure 75, sont clairement
renseignées tout au long de la procédure et l’utilisateur pourra décider de :
 Soit, pour gagner du temps : repartir des données « prétraitées » mises à disposition
 Soit, pour pratiquer l’ensemble de la procédure et un meilleur apprentissage :
refaire l’ensemble des étapes, indépendamment des données mises à disposition.
8.2. Introduction et objectifs
8.2.1. Objectifs
Cet exercice a pour objectif principal de donner à l’utilisateur les outils méthodologiques
nécessaires que pour réaliser correctement :
 Une carte d’occupation du sol par classification supervisée d’image satellite

multipsectrale haute résolution
 Une analyse diachronique (méthode avancée seulement) à partir de la classification
supervisée de 2 images satellites multispectrales. L’analyse diachronique proposée
permet d’identifier, de localiser et de mesurer la superficie des classes d’occupation
du sol et d’analyser leur évolution dans le temps. L’analyse ne concerne pas la
production d’indices paysagers tels que le nombre de taches, la taille des taches, etc.
Nombre de commentaires sont fournis sur les éléments auxquels il faut faire attention pour
réaliser une analyse méthodologiquement valide, sur les limitations de l’approche et sur les
pistes d’amélioration possible.
8.2.2. Etapes méthodologiques principales

Les principales étapes de la méthodologie sont reprises ci-dessous et à la Figure 75. Une
vision plus détaillée de toutes les étapes est disponible via la table des matières disponible
en début de manuel. Ces étapes comprennent en particulier et chronologiquement :
123
Etapes supplémentaires pour la METHODE
METHODE SIMPLE
AVANCEE
 Acquisition des données à analyser via  Acquisition des données à analyser via
recherche sur internet et téléchargement : recherche sur internet et téléchargement :
o 1 image satellite multispectrale o 2 images satellites multispectrales
Landsat-5 Sentinel-2
o Modèle Numérique de Terrain
(MNT) (pour la représentation 3D)
o Données auxiliaires telles que
données climatiques, shapefile et
informations contextuelles
 Prétraitements sur l’image Landsat-5  Prétraitements sur les images Sentinel-2
o Conversion en réflectance, o Conversion en réflectance,
o Sélection des bandes spectrales, sélection des bandes, découpage
o Découpage spatiale, spatiale, rééchantillonnage
 Prétraitements sur le raster d’altitude o Gestion des nuages : masque de
o Fusion, nuages, mosaïquage, etc
o Reprojection,
o Découpage spatiale,
o Rééchantillonnage
 Observation des images en 2D et en 3D et
identification des classes d’occupation du
sol
 Sélection des zones d’entrainement (ROI
de calibration)
 Classification supervisée
 Séparabilité spectrale des classes
 Amélioration de la classification par
reclassification conditionnelle en fonction
de l’altitude et de la proximité aux rivières
 Post-traitements (filtre spatiale,…)
 Réalisation d’une matrice transition
 Réalisation de graphiques (camembert et
histogramme) exprimant l’évolution de
l’occupation du sol
 Validation de la classification supervisée

par matrice de confusion
 Mise en page cartographique
124
Figure 75 : Etapes méthodologiques de la section 8 de ce manuel concernant la classification supervisée
d’images satellites multispectrales et l’analyse diachronique.
125
8.2.3. Choix du logiciel : QGIS 3.10 (ou version ultérieure)
 Le logiciel QGIS 3.10 (ou version ultérieure) a été sélectionné car il est gratuit et
permet de réaliser toutes les opérations de la méthode développée dans cette
section dans un seul environnement, ce qui est assez confortable.
 En particulier, le plugin « Semi-Automatic Classification Plugin (SCP) » de QGIS
permet de réaliser un grand nombre d’étapes clefs.
 QGIS 3.10 (et versions ultérieures) est disponible ici
https://www.qgis.org/fr/site/forusers/download.html
 A télécharger et installer si ce n’est pas encore fait sur votre ordinateur
8.2.4. Contextualisation
La zone étudiée se situe dans la région de la ville de Kasese en Ouganda (Afrique de l’Est), à
la frontière Est de la République Démocratique du Congo (RDC) et contient de nombreuses
zones protégées (Figure 76), dont le « Parc national Rwenzori Mountains » dans la partie
Nord-Ouest (Figure 76 et Figure 77).
Figure 76 : Localisation de la zone d’étude (rectangle noir) : région de la ville de Kasese en Ouganda
(Afrique de l’Est)
Un aperçu rapide de la topographie de la zone d’étude peut être obtenu facilement via
l’application « Google Earth Pro » (Figure 77) déjà présentée à la section 3 page 31
(installation et utilisation de « Google Earth Pro »).
126
Figure 77 : Aperçu de la zone d’étude dans Google Earth Pro
Une idée de l’évolution de la couverture forestière dans la zone d’étude (Figure 78) est
disponible via l’application « Global Forest Change » de la « University of Maryland »
disponible via le lien ci-dessous et déjà présentée à la section 6.4 page 89.
 https://earthenginepartners.appspot.com/science-2013-global-forest
127
Figure 78 : Aperçu de l’étendue, des pertes et des gains de la couverture forestière entre 2000 et
2018 dans la zone d’étude via l’application « Global Forest Change » de la « University of
Maryland ».
128
8.3. Préparation du projet QGIS
8.3.1. Création d’un nouveau projet QGIS ou ouverture du projet QGIS

préexistant
Attention, au démarrage de QGIS, choisissez la bonne version de QGIS selon que vous suivez
la méthode simple ou la méthode avancée (Figure 79) :
 METHODE SIMPLE : utilisez « QGIS Desktop » (remarque : « QGIS Desktop with

GRASS » fonctionnerait aussi)
 METHODE AVANCEE : utilisez « QGIS Desktop with GRASS » car une fonction
dépendante du fournisseur de traitements « GRASS » (la fonction « r.reclass ») sera
utilisée au cours de la procédure (confer section 8.6.12.2 page 199 et section 8.6.12.3
page 202).
METHOD SIMPLE QGIS Desktop METHODE AVANCEE  QGIS Desktop with GRASS
Figure 79 : Démarrage de « QGIS Desktop » ou « QGIS Desktop with GRASS » (Il est fortement
conseillé d’utiliser la dernière version de QGIS disponible et non pas la version 3.10).
Après avoir lancé la version de QGIS désirée et l’interface de QGIS ouverte, choisissez une
des 2 méthodes proposées ci-dessous:
 Soit, pour pratiquer l’ensemble de la procédure :

o Créez un nouveau projet QGIS via le menu « Projet > Nouveau »
o Définissez le système de coordonnées du projet QGIS sur base des
indications fournies à la section suivante (section 8.3.2 page 131). Dans le
cas de cet exercice (ville de Kasese, Ouganda), utilisez le SCR « EPSG32635
- WGS84 UTM Zone 35N - projeté » (Menu Projet > Propriétés… > SCR >
sélection du SCR d’intérêt)
o Ajoutez dans ce projet les données suivantes disponibles dans le dossier
« 5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\DON
NEES_AUXILIARES\ » (ces données sont décrites à la section 8.4 page 134):
 « ne_50m_admin_0_countries_EPSG32635.shp » (vecteur)
 « ZONE_ETUDE_KASESE.shp » (vecteur)
129
 « SRTM_FUSION_EPSG32635_CLIP_90m.tif » (raster)
 « RIVIERES.shp » (vecteur) (Méthode avancée seulement)
 « RIVIERES_TAMPON_60_m.shp » (vecteur) (Méthode avancée
seulement)
 « RIVIERES_TAMPON_60_m_RASTER.tif » (raster) (Méthode
avancée seulement)
o Si ce n’est pas encore fait, installez l’extension QGIS
« QuickMapServices » et ajoutez le service « Google Satellite » (fond de
carte correspondant aux images Google satellite) dans votre projet QGIS,
comme décrit à la section 0 page 81.
o Organisez les différentes données disponibles correctement dans le
panneau « Couches » et adaptez éventuellement leur symbologie (« clic-
droit sur la couche > Propriétés… > Symbologie ».
o Sauvegardez ce projet QGIS dans votre répertoire de travail via le menu
« Projet > Enregistrer sous… » et nommez ce projet (exemple :
« Classification_votre_nom.qgz ».
 Soit, pour gagner du temps :

o Ouvrez le projet QGIS « CLASSIF_SUP_ANALYSE_DIA.qgz »
préalablement préparé pour vous (Figure 80) et disponible dans le
dossier « 5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE »,
via le menu « Projet > Ouvrir… ». Ce projet contient déjà une série de
données correctement organisées et est exprimé dans le bon système de
coordonnées. Si l’extension QGIS « QuickMapServices » n’est pas encore
installée sur votre ordinateur, vous devrez l’installer, confer indications ci-
dessus.
130
Figure 80 : Aperçu du projet QGIS mis à disposition « CLASSIF_SUP_ANALYSE_DIA.qgz » mettant en
évidence la zone d’étude
8.3.2. Identification du système de coordonnées à utiliser

Attention ! En plus des consignes données à la section 1.2 page 18 (répertoire
de travail et noms de fichiers pas trop longs et sans caractère spécial (à, é, è, -,
etc) ou espace), il est nécessaire, pour le bon fonctionnement de certains outils :
 Que tous les fichiers de données géographiques (shapefile et images) et
le projet QGIS soient tous exprimés dans le même Système de
Coordonnées de Référence (SCR)
(Comme indiqué ici: https://fromgistors.blogspot.com/p/online-
help.html?spref=scp)
Attention ! Les images satellites Landsat-5 et Sentinel-2 utilisées dans le cadre de cet
exercice pour la zone d’intérêt (ville de Kasese en Ouganda) sont toutes fournies, lors du
téléchargement sur internet, dans le SCR « EPSG32635 - WGS84 UTM Zone 35N - projeté ».
Cette information est disponible (vous pourrez le vérifier une fois les images satellites
acquises, confer section 8.5 page 142):
 Soit via les fichiers de métadonnées accompagnant les images lorsqu‘elles sont
téléchargées de manière classique
131
o Par exemple, pour une image Landsat-5, on retrouve cette information dans
le fichier de type texte qui se termine par « MTL.txt » en fin de texte («
DATUM = "WGS84", ELLIPSOID = "WGS84", UTM_ZONE = 35 »).
 Soit via un clic-droit sur les bandes spectrales des images une fois celles-ci ajoutées
dans QGIS > Propriétés… > Information > SCR
Nous adopterons donc, dans ce cas-ci, le SCR mentionné ci-dessus pour l’ensemble du
projet QGIS:
 Pour le projet QGIS en tant que tel. Pour définir le SCR du projet QGIS :
o Cliquez sur le menu QGIS « Projet > Propriétés…> SCR » et choisissez le SCR
d’intérêt.
 Pour les données géographiques images et vecteurs ajoutées dans ce projet. Note :
si vous deviez changer le SCR d’une donnée géographique qui présente un autre SCR
que le SCR d’intérêt, utilisez les fonctions de Reprojection suivantes dans QGIS :
o Pour les vecteurs : menu « Vecteur > Outils de gestion de données >
Reprojeter une couche… »
o Pour les rasters (images): menu « Raster > Projections > Projection (warp)… »
8.3.3. Présentation et installation du plugin « Semi-Automatic

Classification Plugin » (SCP)
Le plugin permettant de réaliser une classification supervisée dans QGIS est le « Semi-
Automatic Classification Plugin » (SCP). Ce plugin présente un grand nombre de
fonctionnalités et sera utilisé pour la quasi-totalité des étapes de cet exercice.
La plupart des indications concernant spécifiquement l’utilisation du plugin SCP seront ici
assez sommaires, dans un but de concision. Le lecteur intéressé pourra se référer au manuel
officiel de SCP pour plus d’explications (disponible, en anglais seulement, via les liens ci-
dessous) et en particulier aux tutoriaux officiels de SCP numéro 1 et 3.
Site web officiel de SCP (en anglais)
 https://fromgistors.blogspot.com/
Manuel d’utilisateur officiel de SCP (en anglais)
 https://fromgistors.blogspot.com/p/user-manual.html?spref=scp
 Ce manuel contient notamment 3 tutoriaux dont :
o “Tutorial 1: Your First Land Cover Classification” qui explique comment
réaliser une classification supervisée d’une image satellite Landsat
o “Tutorial : Accuracy Assessment of a Land Cover Classification” qui explique
comment évaluer la précision d’une classification d’une image via la
132
production d’une matrice de confusion) (ce tutoriel n’est plus accessible
depuis la page web principale du manuel).
La page web du plugin QGIS SCP (en anglais)
 https://plugins.qgis.org/plugins/SemiAutomaticClassificationPlugin/
Pour installer le plugin SCP dans QGIS :
 Préalables : être connecté à internet et avoir ouvert un projet QGIS

 Menu QGIS « Extension > Installer/Gérer les extensions > Chercher « SCP » > Installer
« Semi-Automatic Classification Plugin » »
Après installation, les fonctionnalités du plugin sont disponibles via (Figure 81):
 Le menu principal de QGIS « SCP » qui, lors de l’utilisation d’une fonction, ouvre
automatiquement une nouvelle interface appelée « Semi-Automatic Classification
Plugin »
 2 barres d’outils : une principale et une secondaire
 Un panneau latéral appelé « Menu SCP », qui peut être ajouté comme panneau près
du panneau « Couches » de QGIS pour plus de facilité, comme illustré à la Figure 81
(déplacez le panneau jusqu’à ce qu’il vienne se coller automatiquement au panneau
« Couches »).
Figure 81 : Menu, barres d’outils, panneau latéral et fenêtre principale du plugin SCP
133
8.4. Données auxiliaires : présentation, création,
acquisition et prétraitements
8.4.1. Données auxiliaires vectorielles

Les données auxiliaires vectorielles utilisées sont :
 Shapefile « ZONE_ETUDE_KASESE.shp »
o Shapefile délimitant la zone d’étude, exprimé dans le Système de
Coordonnées de Référence (SCR) EPSG 32635
o Shapefile créé pour cet exercice
 Shapefile « ne_50m_admin_0_countries_EPSG32635.shp »
o Shapefile des limites administratives des pays du monde, utile pour faciliter la
localisation relative de la zone d’étude,
o Shapefile téléchargé via le site web « Natural Earth »
https://www.naturalearthdata.com/downloads/ > Large scale data, 1:10m
(meilleure résolution parmi les 3 disponibles sur ce site web : 1 cm = 100 km)
> Cultural > Admin 0 – Countries > Download countries. A
dézipper/décompresser après téléchargement et avant l’ajout dans QGIS (si
vous vouliez le re-télécharger par vous-même).
 Shapefile « RIVIERES.shp » (Figure 82) (méthode avancée seulement)
o Shapefile de quelques rivières principales dans la zone d’étude
o Shapefile créé par numérisation rapide dans QGIS sur base d’une photo-
interprétation du fond de carte « Google Satellite »
 Shapefile « RIVIERES_TAMPON_60_m.shp » (Figure 82) (méthode avancée
seulement)
o Shapefile d’une zone tampon de 60 mètres de part et d’autre des rivières du
fichier « RIVIERES.shp »
o Shapefile créé à l’aide de la fonction QGIS « Vecteur > Outils de géotraitement
> Tampon… »
134
Figure 82 : Aperçu des rivières numérisées et de leurs zones tampon de 60 m
8.4.2. Données auxiliaires raster
8.4.2.1. Raster d’altitude

Dans le cadre de cette étude, un Modèle Numérique de Terrain (MNT) sera utilisé.
Un MNT est un raster (image) dont la valeur des cellules ou pixels correspond à une
information sur l’altitude.
Un MNT sera utilisé dans le cadre de cet exercice afin de :
 Réaliser une représentation 3D de la zone étudiée à partir des images satellites

utilisées (confer section 8.7.5 page 216).
 Reclassifier les forêts de la zone en « Forêts de basse altitude » et « Forêts de haute
altitude » (reclassification conditionnelle effectuée pour la « méthode avancée »
seulement) (confer section 8.9.3 page 245).
Un MNT à 90 mètres de résolution spatiale découpé sur la zone d’étude et exprimé dans le
SCR EPSG32635 est disponible dans le dossier
« \5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\DONNEES_AUXILIARES
» sous le nom de
 « SRTM_FUSION_EPSG32635_CLIP_90m.tif ».
135
Vous pouvez :
 Soit, pour gagner du temps : simplement utiliser ce MNT prétraité

 Soit, pour pratiquer l’ensemble de la procédure et un meilleur apprentissage :
refaire l’ensemble des étapes ayant conduit à la production de ce MNT, comme
détaillé ci-dessous.
La procédure suivie pour obtenir ce MNT est décrite ci-dessous.
8.4.2.1.1. Téléchargement du Modèle Numérique de Terrain (MNT)
Un MNT mondial à 30 mètres (~1 arc-second) de résolution spatiale est disponible

gratuitement via le site web de référence suivant :
 https://earthexplorer.usgs.gov/ (Figure 83)

 En sélectionnant dans le menu « Data Sets » le type de donnée « Digital Elevation >
SRTM > SRTM 1 Arc-Second Global »
ATTENTION ! Des informations détaillées décrivant comment télécharger des données sur ce
site web sont données dans la section 8.5.2.3 page 150 ci-dessous, avec pour exemple le
téléchargement d’une image Landsat-5. Le principe est le même pour le téléchargement du
MNT.
Le MNT mondial (donnée très lourde) est mis à disposition au téléchargement sous la forme
de très nombreux petits morceaux de MNT d’approximativement 111 km * 111 km sur la
zone d’étude, appelés « tiles » (données plus légères de ~25 Mo chacune (Figure 85)), afin de
faciliter le téléchargement de MNT pour des régions particulières. La zone d’étude de cet
exercice-ci est couverte par 4 « tiles » comme illustré aux Figure 83 et Figure 84. La
résolution spatiale de ce MNT, c’est-à-dire la taille des pixels, est de 1 arc-seconde de côté (1
seconde d’arc = 1/36000 de degré = 0.00028 degré) ce qui correspond à ~30 mètres.
136
Figure 83 : Aperçu du positionnement des 4 « tiles » SRTM (MNT) couvrant la zone d’étude sur le
site web https://earthexplorer.usgs.gov/
Figure 84 : Aperçu des 4 « tiles » SRTM (MNT) couvrant la zone d’étude sur le site web
https://earthexplorer.usgs.gov/
137
Figure 85 : Aperçu des 4 « tiles » SRTM (MNT) couvrant la zone d’étude, dans l’explorateur
Windows après téléchargement
Après téléchargement, les opérations reprises ci-dessous peuvent être réalisées afin
d’obtenir un seul fichier raster d’altitude couvrant toute la zone d’étude et exprimé dans le
même système de coordonnées que les images satellites utilisées dans le cadre de cet
exercice-ci.
8.4.2.1.2. Ajout des 4 MNT dans QGIS
 Ajoutez les 4 « tiles » MNT dans votre projet QGIS (via le menu d’ajout d’une coucher
raster)
Vous remarquerez que le MNT au Nord-Ouest de la zone d’étude (Figure 84) semble
présenter quelques mauvaises données en montagne. En effet, au milieu du massif
montagneux du « Parc national Rwenzori Mountains » (confer section 8.2.4 page 126), qui
est identifié par des couleurs blanches (le blanc correspondant aux altitudes les plus
élevées), quelques taches noires présentant une altitude de 0 sont présentes (le noir
correspondant aux altitudes les plus faibles). Nous ignorerons ce problème potentiel dans le
cadre de cet exercice. Remarque : ce problème persiste (un peu amoindri) dans la version
« 3Arc void filled » du MNT.
8.4.2.1.3. Fusion des 4 MNT
Afin d’obtenir un seul fichier MNT plus facilement manipulable que 4 « tiles » séparées, il
faut fusionner les 4 « tiles ». Pour ce faire :
 Menu QGIS: Raster > Divers > Fusionner…

 Couches en entrée : sélectionner les 4 MNT
 Type : conserver Float32, valeur par défaut
 Fusionné : choisir l’option « Enregistrer vers un fichier… » puis le répertoire de sortie
(votre répertoire de travail) et donner un nom (par exemple : « SRTM_FUSION.tif »)
8.4.2.1.4. Reprojection du MNT fusionné dans le bon système de coordonnées
Afin d’obtenir un MNT dans le même Système de Coordonnées de Référence (SCR) que celui
qui a été choisi comme SCR à utiliser dans le cadre de cet exercice (pour rappel, c’est le SCR
138
EPSG 32635, confer section 8.3.2 page 131), il faut reprojeter le MNT fusionné car celui-ci se
trouve par défaut dans le SCR « EPSG:4326 - WGS 84 - Géographique » (pour le vérifier :
cliquez-droit sur la couche MNT fusionnée > Propriétés > Information > SCR).
Pour reprojeter le MNT fusionné dans le bon SCR :
 Menu QGIS: Raster > Projections > Projection (warp)

 Couche en entrée : le MNT unique fusionné résultat de l’étape précédente
 SCR cible : choisir le système EPSG 32635
 Reprojeté : choisir l’option « Enregistrer vers un fichier… » puis le répertoire de sortie
(votre répertoire de travail) et donner un nom (par exemple : «
SRTM_FUSION_EPSG32635.tif »)
8.4.2.1.5. Découpage du MNT sur la zone d’étude
Afin d’obtenir un MNT qui ne couvre que la zone d’étude et qui sera donc plus léger et plus
facilement manipulable qu’un MNT qui couvrirait une plus grande zone, il convient de
découper le MNT sur la zone d’étude (Figure 86). Pour ce faire :
 Menu QGIS: Raster > Extraction > Découper un raster selon une emprise…
 Couche source : le MNT reprojeté résultat de l’étape précédente
 Etendue de découpage (xmin, xmax, ymin, ymax) :
o > Utiliser l’emprise de la couche… : utilisez le shapefile identifiant la zone
d’étude « ZONE_ETUDE_KASESE.shp », exprimé lui-aussi dans le SCR EPSG
32635. Attention, il faut que ce shapefile ait une information « emprise »
dans ses métadonnées :
 Cette information sur l’emprise est disponible via un clic droit sur
cette couche dans le panneau Couches > Propriétés… > Information >
Emprise.
 Si cette information n’est pas présente, possibilité de créer cette
métadonnée via un clic droit sur cette couche dans le panneau
Couches > Propriétés… > Source > Mettre à jour l’emprise.
o Si vous n’avez pas de fichier shapefile identifiant votre zone d’étude :
 Soit créez un fichier shapefile de type polygone dans le SCR d’intérêt
et éditez ce shapefile en y ajoutant un polygone qui couvre votre zone
d’étude (méthode non détaillée dans ce manuel mais disponible dans
le manuel QGIS disponible ici :
https://orbi.uliege.be/handle/2268/190559)
 Soit spécifiez manuellement les valeurs des coordonnées
géographiques définissant l’étendue de la zone d’étude comme
indiqué : xmin, xmax, ymin, ymax où x fait référence à la longitude et y
à la latitude, coordonnées exprimées dans le SCR et ses unités de la
couche à découper, c’est-à-dire du MNT reprojeté dans ce cas-ci. Pour
139
connaitre ces coordonnées, autrement que via le calcul de l’emprise
proposé ci-dessus, positionnez le curseur de la souris aux extrémités x
et y de la zone d’étude : les coordonnées du pointeur de la souris
s’affichent en bas de l’interface QGIS dans la boite « Coordonnée ».
Ces coordonnées s’affichent dans le SCR du projet QGIS (modifiable via
le menu Projet > Propriétés… > SCR, choisir dans ce cas-ci EPSG 32635)
et dans les unités choisies via le menu QGIS « Projet > Propriétés… >
Général > Affichage des coordonnées > Afficher les coordonnées
avec » : choisir dans ce cas-ci « Unités de carte (mètres) ». De cette
manière vous obtenez les coordonnées du pointeur de la souris dans
le SCR du projet QGIS, qui est le même que le SCR du MNT reprojeté,
et dans ses unités (des mètres).
 Découpé (étendue) : choisir l’option « Enregistrer vers un fichier… » puis le répertoire
de sortie (votre répertoire de travail) et donner un nom (par exemple : «
SRTM_FUSION_EPSG32635_CLIP.tif »)
Figure 86 : 4 « tiles » SRTM (MNT) (avec symbologie « RdYlGn ») et étendue de la zone d’étude
(rectangle noir) (gauche) et MNT après fusion et découpage sur la zone d’étude (avec symbologie
« wiki-schwarzwald-cont »*) (droite)
*Remarque : la symbologie « wiki-schwarzwald-cont » est disponible via un clic-droit sur le

raster > Propriétés… > Symbologie > Rendu des bandes raster >
 > Type de rendu > Pseudo-couleur à bande unique

 > Palette de couleurs > Clic-droit sur la palette de couleur > Créer une nouvelle
palette de couleurs… > Catalogue : cpt-city > OK > Topography > wiki-schwarzwald-
cont
8.4.2.1.6. Rééchantillonner le MNT à une taille de pixel plus faible
Afin d’alléger encore plus le MNT à utiliser, et donc de le rendre encore plus
facilement/rapidement manipulable, il est possible de le rééchantillonner à une taille de
140
pixel plus faible. Dans ce cas-ci le MNT d’origine à une taille de pixel de 30 mètres de côté, ce
qui n’est pas nécessaire dans le cadre de cet exercice. Nous allons donc rééchantillonner le
MNT à une taille de pixel de 90 mètres de côté, ce qui devrait diviser par 9 le poids
numérique du MNT (il y a 9 cellules de 30*30 m dans une cellule de 90*90m). Pour ce faire :
 Menu QGIS: Raster > Conversion > Convertir…

 Couche en entrée : le raster découpé résultat de l’étape précédente
 Paramètres avancés > Paramètres additionnels de ligne de commande : -tr 90 90
(confer détails ici https://gdal.org/programs/gdal_translate.html)
 Converti : choisir l’option « Enregistrer vers un fichier… » puis le répertoire de sortie
(votre répertoire de travail) et donner un nom (par exemple : «
SRTM_FUSION_EPSG32635_CLIP_90m.tif »)
8.4.2.2. Raster de proximité aux rivières

Il peut être intéressant de distinguer, dans une carte d’occupation du sol, les « forêts
classiques » des « forêts riveraines » poussant à proximité des rivières (méthode avancée
seulement).
Pour ce faire, il faut un raster indiquant la proximité aux rivières. C’est le rôle du raster
 « RIVIERES_TAMPON_60_m_RASTER.tif »
o Ce raster prend une valeur de 1 dans les zones tampon du fichier
« RIVIERES_TAMPON_60_m.shp » (à 60m de part et d’autre des rivières
numérisées, confer section 8.4.1 page 134) et une valeur de « NoData »
ailleurs.
o Ce raster a été créé via la fonction « Raster > Conversion > Rastérisation
(vecteur vers raster)… » avec le paramétrage suivant :
 Couche en entrée : « RIVIERES_TAMPON_60_m.shp »
 Valeur fixe : 1
 Unité du raster résultat : Unités géoréférencée
 Largeur/Résolution horizontale : 30
 Hauteur/Résolution verticale : 30
 Emprise du résultat (xmin, xmax, ymin, ymax) : utiliser l’emprise de la
couche : sélectionner le shapefile délimitant la zone d’étude
 Rasterisé : choisir l’option « Enregistrer vers un fichier… » puis le
répertoire de sortie (votre répertoire de travail) et donner un nom
141
8.5. Acquisition des images satellites
8.5.1. Choix des dates des images satellites, notamment pour une analyse
diachronique
8.5.1.1. Comparabilité des images vs variations météorologiques

saisonnières et interannuelles
Lors du choix des images satellites à utiliser pour la réalisation d’une analyse diachronique
interannuelle, c’est-à-dire dont le but est de mettre en évidence les changements
d’occupation du sol se produisant sur plusieurs années, il est important de prendre en
considération les éléments suivants qui peuvent avoir un impact très important sur
l’apparence des classes d’occupation du sol et sur les classes de végétation en particulier:
 Variations saisonnières (phénologie de la végétation):

o Dans la plupart des régions du monde, les saisons auront un impact important
sur l’état de développement de la végétation (ou phénologie de la
végétation). Par exemple : les forêts décidues dont les feuilles tombent à un
certain moment, des zones agricoles dont les surfaces alternent entre un sol
nu, la croissance d’une culture puis la sénescence de cette culture, etc)
 Variations météorologiques interannuelles
o Les conditions météorologiques (précipitations, températures) peuvent varier
fortement d’une année à l’autre (année pluvieuse vs année de sécheresse) et
donc impacter temporairement mais fortement les conditions de végétation
dans une zone donnée.
Afin d’augmenter la comparabilité des images analysées, il faudra donc veiller à ce que
celles-ci aient été acquises :
 à une même période/saison de l’année et

 pour des conditions météorologiques similaires pour les mois précédent l’acquisition.
Ces considérations sont bien sûr à nuancer en fonction de vos objectifs (intéressé ou pas par
la classe végétation,…) et de la zone étudiée (impact saisonnier plus ou moins important :
régions tempérées ou régions sahéliennes vs régions tropicales).
8.5.1.2. Saison/période vs classes d’occupation du sol

Le choix d’une saison/période de l’année doit également être réfléchi en fonction des
classes d’occupation du sol à identifier. En effet, certaines occupations du sol ne seront pas
142
distinguables à certaines périodes de l’année alors qu’elles le seront parfaitement à d’autres
périodes. Par exemple :
 La culture de colza sera

o facilement identifiable au moment de sa floraison qui présente de très
nombreuses fleurs jaunes  les parcelles de colza en floraison apparaissent
en jaune sur les images satellites en composition vraies couleurs,
o beaucoup moins facilement identifiable avant (aspect similaire à d’autres
plantes vertes) ou après la floraison.
 En région sahélienne, les arbres seront beaucoup plus facilement identifiables
lorsque le couvert herbacé est mort mais que les arbres portent encore des feuilles
vertes (contraste feuillage de l’arbre/background-sol plus important).
8.5.1.3. Disponibilité des images vs couverture nuageuse

Il faudra également prendre en compte la disponibilité d’images de qualité suffisantes
conditionnée essentiellement par la couverture nuageuse qui peut être très persistante
dans certaines régions du monde à certaines périodes de l’année, voire toute l’année (non
disponibilité d’images sans nuage pendant des semaines, mois, voire des années…).
Certaines caractéristiques géographiques locales, telle la présence d’une montagne en zone
tropicale, associées à une heure précise de la journée (heure de passage du satellite),
contribueront à la non disponibilité d’image sans nuage dans certaines zones.
8.5.2. Recherche, choix et téléchargement des images satellites dans le

cadre de cet exercice
8.5.2.1. Analyse à faire avant le téléchargement des images satellites

L’objectif de l’étude est de réaliser une analyse diachronique sur l’évolution à long terme
de la région de Kasese. Il convenait dès lors d’identifier une image suffisamment ancienne et
une image récente.
Imaginons que nous voulons réaliser l’étude en comparant les périodes suivantes :
 Période « historique » : 1985-1995

 Période récente : 2015-2019
Ces périodes sont ici très larges (5-10 ans), ceci afin de faciliter notre recherche d’images
satellites de qualité (sans ou avec peu de nuages). En fonction des caractéristiques
météorologiques de votre zone d’étude, vous pourrez adapter la largeur de la fenêtre
temporelle de recherche.
143
8.5.2.1.1. Recherche et identification des capteurs satellites
Dans un premier temps il faut trouver une / des images satellites correspondant à la période
d’intérêt / à chacune des 2 périodes d’intérêt. Pour ce faire il est indiqué de se renseigner
sur :
 les capteurs satellites actifs durant ces périodes et leurs caractéristiques techniques,
 l’accessibilité des images produites : gratuité ?, prix ?, restriction d’utilisation ?.
Une recherche exhaustive ne sera pas menée ici et notre choix se portera sur 1 / 2 capteurs
multi-spectraux de haute résolution spatiale parmi les plus connus et disponibles pour la
période / chacune des 2 périodes. Nous choisirons :
 Une image Landsat-5 (satellite américain) comme image « historique ». Les images
Landsat-5 sont disponibles entre 1984 et 2013. (Méthode simple et méthode
avancée)
 Une image Sentinel-2 (satellite européen) comme image récente. Les images
Sentinel-2 sont disponibles depuis 2015 jusqu’actuellement. (Méthode avancée
uniquement)
Un aperçu des périodes couvertes par les différents satellites Landsat 1 à 9 est disponible
ici :
 https://landsat.gsfc.nasa.gov/a-landsat-timeline/
Des ressources de références concernant ces images sont :
o Landsat-5 :
o https://www.usgs.gov/land-resources/nli/landsat/landsat-5?qt-
science_support_page_related_con=0#qt-science_support_page_related_con
o Sentinel-2 :
o https://sentinels.copernicus.eu/web/sentinel/missions/sentinel-2
D’autres capteurs auraient bien sûr pu être mobilisés. Pour information, des listes de
capteurs satellites sont disponibles ici :
 https://webapps.itc.utwente.nl/sensor/default.aspx?view=allsensors
 https://www.satimagingcorp.com/satellite-sensors/
 https://www.indexdatabase.de/db/s.php
8.5.2.1.2. Analyse des conditions climatiques et météorologiques
L’analyse des conditions climatiques et météorologiques de la région pourra nous aider à

faire un choix d’images pertinent, comme déjà expliqué à la section 8.5.1 pages 142 et
suivantes.
144
Le diagramme climatique de la région de Kasese est repris à la Figure 87. Cette figure nous
apprend que la température est constante tout au long de l’année mais qu’il y a 2 saisons
de précipitations plus importantes, entre mars et mai et entre août et novembre, ce qui
peut avoir un impact sur les conditions de végétation. Une analyse diachronique
interannuelle évitera donc par exemple de se baser sur une comparaison d’une image de
janvier (saison plus sèche) avec une image d’octobre (fin de saison pluvieuse) car ce type de
comparaison serait fortement impacté par l’évolution saisonnière des conditions de
végétations elle-même liée aux conditions de précipitations.
Figure 87 : Diagramme climatique de la ville de Kasese en Ouganda, centre de la zone d’étude.

Source : https://fr.climate-data.org/
Une série temporelle multi-annuelle des précipitations pour la région de Kasese sur la
période 1981-2019 est présentée à la Figure 88 sous la forme de déviations par rapport à la
moyenne des précipitations totales annuelles. Ce graphique a été obtenu très facilement à
partir de l’application « Climate Engine » (https://clim-engine.appspot.com/climateEngine)
en utilisant les données de précipitations « CHIRPS - Pentad ». Ce graphique permet
d’identifier les années plutôt sèches, normales ou pluvieuses, ce qui peut constituer une
première observation intéressante. Notez cependant que, dans ce cas-ci, étant donné la
double saison de précipitations annuelles dans la zone d’étude, ce graphique, présentant des
totaux annuels, n’est pas extrêmement pertinent car il ne reflète en rien la possible variation
de la répartition des précipitations au cours de l’année et en particulier pendant les
quelques mois précédant l’acquisition des images satellites qui seront utilisées pour réaliser
l’analyse diachronique. Par exemple, une année pourrait être considérée comme plutôt
sèche alors que le déficit pluviométrique serait dû uniquement aux mois postérieurs à la
date d’acquisition de l’image satellite à utiliser. Remarquez que généralement les
températures conditionnent moins le développement de la végétation que les
précipitations. Notez enfin qu’il est toujours bon de questionner la qualité et la fiabilité des
données météorologiques utilisées.
145
Figure 88 : Déviations par rapport à la moyenne des précipitations totales annuelles dans la région
de Kasese, obtenues à partir de l’application « Climate Engine » utilisant les données de
précipitations « CHIRPS - Pentad » sur la période 1981-2019. Source : https://clim-
engine.appspot.com/climateEngine
Un graphique des précipitations mensuelles des mois précédant la date d’acquisition des 2
images satellites à comparer (Figure 89) est donc plus pertinent pour s’assurer que les
conditions météorologiques de ces années ne soient pas un facteur de variation trop
important de l’occupation du sol. Par exemple, dans le cas de la Figure 89-gauche, une
analyse diachronique basée sur des images satellites acquises aux alentours de la période
correspondant à la mesure 35 (confer les graphiques) pour les années 1984 et 1996 pourrait
présenter un biais de l’occupation du sol lié au fait que les semaines précédant cette période
(cercle noir sur le graphique) présente des précipitations relativement différentes entre
1984 (plus sec) et 1996 (plus humide), bien que cet exemple-ci ne soit pas un exemple très
marqué.
146
Figure 89 : Comparaisons des précipitations dans la région de Kasese pour différents couples
d’années : à gauche, 2 années relativement contrastées en termes de total de précipitations
annuels, et à droite, les 2 années considérées pour l’analyse diachronique menée dans le cadre de
cet exercice-ci. Source : données extraites de « Climate Engine »
(https://app.climateengine.org/climateEngine) et mises en graphique dans Excel.
Enfin, l’analyse d’une série temporelle d’un indice de végétation, tel quel le NDVI, le FAPAR,
etc, peut nous renseigner sur la saisonnalité des conditions de végétation, et donc, de
manière indirecte, sur les conditions météorologiques, que ce soit de manière générale
(comportement moyen) ou pour des années particulières que nous voudrions comparer. La
Figure 90 montre l’évolution de l’indice de végétation fAPAR tel que calculé à partir des
capteurs SPOT-VEGETATION et PROBA-V pour la région de Kasese entre 1999 et 2020. Cette
figure a été produite à partir de l’application web présentée à la section « 6.6 Time series
viewer SPOT-VGT & PROBA-V » page 99. Cette figure nous apprend que la région de Kasese
est caractérisée par une double saison de végétation annuelle avec la saison d’avril-mai
présentant généralement un pic de fAPAR très légèrement supérieur à celui de la saison de
septembre à novembre. Cette évolution trouve son origine dans la variation intra-annuelle
des conditions de précipitations comme discuté ci-dessus et illustré à la Figure 87. Cette
application ne permet cependant pas de remonter avant 1999, ce qui ne nous permet pas
d’évaluer la comparabilité météorologique (indirectement) d’une année dans la période
1985-1995 avec une année dans la période 2015-2019. Notez enfin les 2 limitations
suivantes à l’utilisation de ce type d’information:
 La qualité/fiabilité des données mises à disposition par ce type d’application doit

être questionnée étant donné que les valeurs de ce type d’indices, produits de cette
manière, peuvent être très fortement impactées par une couverture nuageuse
persistante.
 S’il y a eu un changement important de la nature de l’occupation du sol dans la zone
étudiée (exemple : déforestation massive, urbanisation, etc), ce changement pourra
impacter la valeur des indices de végétation et ceux-ci ne seront donc plus le reflet
des seules variations des conditions météorologiques.
147
Figure 90 : Aperçu de l’évolution de l’indice de végétation fAPAR (des capteurs SPOT-VEGETATION
et PROBA-V) pour la région de Kasese entre 1999 et 2020. Source : https://proba-v-
mep.esa.int/applications/time-series-viewer/app/app.html
L’importance (/la non-importance) de cette analyse des conditions climatiques et

météorologiques dans la procédure d’identification des images satellites est à mettre en
relation avec :
 l’impact potentiel que ces conditions peuvent avoir OU PAS sur les classes
d’occupation du sol dont vous voulez étudier l’évolution,
 la disponibilité des images satellite pour les périodes que vous désirez comparer.
Dans le cas où des images satellites correspondant à des années météorologiquement

comparables n’ont pas pu être utilisées, l’analyse de ces conditions météorologiques peut
aussi être utilisée à posteriori afin d’expliquer éventuellement certains changements
d’occupation du sol observés.
148
8.5.2.2. Remarque méthodologique sur la recherche et le téléchargement
des images satellites : site web vs plugin SCP de QGIS
Attention! Différentes méthodes sont possibles pour rechercher,

télécharger et prétraiter les images satellites!
Les images Landsat-5 et Sentinel-2 peuvent être recherchées et téléchargées de 2 manières :

 Soit via les sites web de référence pour ces 2 types d’image, (confer les 2 sections
8.5.2.3 et 8.5.2.4 ci-dessous)
 Soit directement à partir du plugin SCP dans QGIS via connexion à ces sites web
(confer section 8.5.4 ci-dessous)
Notez que pour certains prétraitements à faire sur les images avec le plugin SCP (correction
atmosphérique, création d’un jeu de bandes, sélection des bandes d’intérêt,
rééchantillonnage automatique, etc)
 Si le téléchargement est effectué via SCP dans QGIS, ces prétraitements peuvent se
faire automatiquement dans la foulée du téléchargement (confer section 8.5.4 ci-
dessous)
 Si le téléchargement est effectué indépendamment de SCP, via les sites web de
référence, ces prétraitements devront constituer une étape de traitement à part
entière (confer section 8.6 page 176).
Attention ! Dans le cadre de ce manuel, voici la méthode proposée, afin de ne pas perdre
trop de temps :
 Recherche des images Landsat-5 et Sentinel-2 d’intérêt: cette recherche se fera via
les sites web de référence qui sont plus conviviaux que le plugin SCP (confer les 2
sections 8.5.2.3 et 8.5.2.4 ci-dessous), puis pour
 Landsat-5 (méthode simple et méthode avancée): téléchargement et prétraitements
se feront via le plugin SCP dans QGIS, car, l’image n’étant pas trop lourde, cette étape
peut se faire en quelques minutes et cela permet d’explorer ces fonctionnalités de
SCP
 Sentinel-2 (méthode avancée seulement): les images déjà téléchargées et déjà
prétraitées sont directement mises à disposition des étudiants car ces étapes peuvent
prendre un certain temps (10-15 minutes par image Sentinel-2). Ces images sont
disponibles dans le dossier « …\DATA\IMAGES\SENTINEL_2\ » et commencent par le
préfixe « 30m_clip_RT… ».
o Les prétraitements préalablement faits sur les images Sentinel-2 sont:
 Téléchargement
 Correction DOS1 dans SCP
 Découpage spatial sur la zone d’étude
 Sélection des bandes 2, 3, 4, 5, 8, 11 (430 Mo pour 6 bandes)
 Rééchantillonnage des bandes à 30 m (108 Mo pour 6 bandes)
Dans les sections suivantes, des consignes reprises sous le titre « ! Méthode proposée dans le
cadre de ce manuel » vous indiqueront la marche à suivre.
Cependant, des INDICATIONS EXHAUSTIVES pour réaliser les 2 méthodes de recherche,
149
téléchargement et prétraitements des images satellites, via site web de référence OU via le
plugin SCP, sont données, à toutes fins utiles, dans les sections suivantes :
 Recherche et téléchargement des images satellites via les sites web de référence :
sections 8.5.2.3 et 8.5.2.4 pages 150 et 158 respectivement
 Téléchargement des images avec prétraitements dans la foulée via le plugin SCP
dans QGIS : section 8.5.4 page 166
 Prétraitements des images satellites non couplés au téléchargement via le plugin
SCP dans QGIS : section 8.6 page 176
8.5.2.3. Recherche et téléchargement de l’image Landsat-5 via le site web

« EarthExplorer »
! Méthode proposée dans le cadre de ce manuel :

 Ne faire que la recherche de l’image Landsat-5 sur le site web de référence, pas le
téléchargement car
 Le téléchargement de l’image Landsat-5 se fera à partir du plugin SCP dans QGIS
(confer l’encadré ci-dessus et la Figure 75)
Remarque : si vous rencontriez un problème de téléchargement de l’image Landsat-5,

sachez que celle-ci est mise à disposition en format doublement compressé dans le dossier
de formation et sous le nom
« \5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\IMAGES\LANDSAT_5\L
T05_L1TP_173060_19870807_20170211_01_T1.tar.gz ». Si vous choisissiez d’utiliser cette
image fournie plutôt que de suivre la procédure proposée dans le cadre de ce manuel,
rendez-vous à la section 8.6 page 176 pour la suite de la procédure.
8.5.2.3.1. Recherche de l’image Landsat-5 via le site web « Earth Explorer »
Le site web de référence pour rechercher et télécharger une image Landsat est le suivant :
 https://earthexplorer.usgs.gov/ (Figure 91)
150
Figure 91 : Site web https://earthexplorer.usgs.gov/ utilisé ici pour la recherche des images
Landsat
La recherche d’une image satellite sur ce site peut se faire librement, sans création de
compte.
Le téléchargement d’une image satellite à partir de ce site, que ce soit directement à partir
du site web OU via le plugin SCP, nécessite par contre que vous :
 Vous créiez un compte via le « EROS Registration System (ERS) » disponible ici :
https://ers.cr.usgs.gov/, et ensuite, que vous (Figure 92)
 Vous loguiez sur le site https://earthexplorer.usgs.gov/ à l’aide de vos identifiant et
mot de passe (Figure 91).
151
Figure 92 : Page du site web https://ers.cr.usgs.gov/ permettant de créer un compte personnel
nécessaire pour pouvoir télécharger les images satellites Landsat
Les critères à utiliser pour la recherche d’une image satellite Landsat-5 sur le site web «
Earth Explorer » sont dans ce cas-ci (Figure 93):
 Onglet « Search Criteria »

o Période : 01/01/1985 - 31/12/1995
o Mois : juin-juillet-août
o Lieu : le lieu peut être précisé de nombreuses façons, dont la plus simple est
de dessiner un carré ou un point à l’endroit de la zone d’étude de manière
interactive sur l’interface spatiale. Dans ce cas-ci cependant, il vous est
proposé d’utiliser plutôt les coordonnées de référence de la zone dans le
système de référence de Landsat-5 : confer ci-dessous « Onglet « Additional
Criteria » »
 Onglet « Data Set »:
o Landsat Collection 1 Level-1> Landsat 4-5 TM C1 Level-1
 Onglet « Additional Criteria »:
o WRS Path and Row : WRS = « Worldwide Reference System », un système de
coordonnées de référence pour les images Landsat. pour Landsat-5 le WRS-2
est à utiliser. Plus d’information sur ce système ici :
https://www.usgs.gov/faqs/what-worldwide-reference-system-wrs?qt-
news_science_products=0#qt-news_science_products et ici
https://landsat.gsfc.nasa.gov/the-worldwide-reference-system/ . Pour notre
zone d’étude, utiliser les valeurs suivantes :
 WRS_Path : 173
152
 WRS_Row : 60
o Scene Cloud cover : < 30 %. Ceci permettra de n’obtenir que les images
présentant une couverture nuageuse de moins de 30% et de cette manière ne
pas avoir trop d’images trop ennuagées, et donc inutilisables, dans les
résultats de la requête.
Figure 93 : Critères de recherches utilisés sur le site https://earthexplorer.usgs.gov/ pour trouver

l’image Landsat-5 utilisée dans le cadre de cet exercice
Ces critères de recherche résultent en 7 images Landsat-5 dont la plus intéressante est
l’image du 7 août 1987 qui présente très peu de nuage sur la zone d’étude (Figure 94). Un
aperçu géolocalisé des images est disponible via le bouton « Show Browse Overlay »
153
Figure 94 : Résultat de la recherche d’une image Landsat-5 sur la zone d’étude sur le site
https://earthexplorer.usgs.gov/
! Méthode proposée dans le cadre de ce manuel : une fois l’image d’intérêt trouvée,
prenez note de ses références (type de capteur (Landsat4-5 TM), date (7 août 1987), lieu
(Kasese)) et passez à la section 8.5.4 page 166 de ce manuel afin de faire le téléchargement
de l’image via le plugin SCP dans QGIS.
8.5.2.3.2. Téléchargement de l’image Landsat-5 via le site web « Earth Explorer »
! Méthode proposée dans le cadre de ce manuel : cette section est donnée à titre
d’information. A ne pas faire.
Le téléchargement d’une image satellite ne sera possible que si vous vous loguez sur le site
https://earthexplorer.usgs.gov/ après vous être créé un compte via le « EROS Registration
System (ERS) » disponible ici https://ers.cr.usgs.gov/, comme déjà indiqué plus haut en
début de section 8.5.2.3.1 page 150.
Une fois l’image d’intérêt trouvée, le téléchargement direct s’effectue via le bouton
« Download Options » disponible auprès de l’aperçu de chacune des images résultant

de la recherche. Dans la fenêtre « Download Options » qui apparait (Figure 95), choisissez la
dernière option (format GeoTIFF) qui permet de télécharger l’image satellite complète
(toutes les bandes) et géoréférencée (fichier le plus lourd).
154
Figure 95 : Options de téléchargement d’une image Landsat-5 sur le site web
https://earthexplorer.usgs.gov/.
Les images sont téléchargées sous la forme d’un dossier doublement compressé « .tar.gz »
(Figure 96, 2ème ligne) qu’il faudra donc décompresser 2 fois avant de pouvoir les ouvrir dans
QGIS :
 La 1ère décompression produira le dossier avec l’extension « .tar » (Figure 96, 1ère
ligne)
 La 2ème décompression rendra disponibles tous les fichiers contenus dans ce dossier,
à savoir :
o Les bandes spectrales B1 à B7
o La bande « Quality Band » « BQA » renseignant sur la qualité de chaque pixel
(confer section 8.6.12.2 page 199)
o Le fichier de métadonnées « …MTL.txt »
o Un aperçu de l’image « …VER.jpg »
155
Figure 96 : Dossier « .tar.gz » d’une image Landsat-5 tel que téléchargé (2ème ligne) ET dossier
« .tar » obtenu après la première décompression (1ère ligne) ET fichiers contenus dans ce dossier
visibles après la 2ème décompression. Parmi ces fichiers, notamment, les bandes spectrales B1 à B7,
la « Quality Band » « BQA », les métadonnées « …MTL.txt » et un aperçu de l’image « …VER.jpg »
Remarques :
 Si vous n’avez pas de logiciel de décompression, il vous est conseillé d’utiliser le

logiciel gratuit « 7-Zip » disponible ici : https://www.7-zip.org/
 Si vous ne voyez pas les extensions des fichiers dans votre explorateur Windows,
vous pouvez les faire apparaitre en modifiant les propriétés d’affichage des fichiers
dans l’explorateur Windows via les « Options des dossiers » disponibles via les
fenêtres d’exploration Windows et en décochant l’option « Cacher les extensions de
types de fichier connu » (Figure 97).
156
Figure 97 : Fenêtre « Options des dossiers » d’une fenêtre d’exploration Windows permettant de
faire apparaitre les extensions de fichiers de types connus en décochant l’option « Cacher les
extensions de types de fichier connu »
157
8.5.2.4. Recherche et téléchargement des images Sentinel-2 via le site web
« SciHub »

 Ne faire que la recherche des images Sentinel-2 (section 8.5.2.4.1), pas leur
téléchargement (section 8.5.2.4.2) car les images téléchargées et prétraitées sont
mises à votre disposition dans le dossier de formation
« 5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\IMAGES\SENTIN
EL_2\ » en format « .tif » (confer la section 8.5.2.2 page 149). Cette recherche a pour
seul but de vous familiariser avec la recherche d’une image satellite sur le site web
« SciHub ».
 Si, plutôt que de suivre la procédure proposée dans le cadre de ce manuel, vous
choisissiez de télécharger et prétraiter ces images par vous-même, rendez-vous à une
des sections suivantes, selon la procédure que vous choisirez:
o Section 8.5.2.4.2 page 163 pour un « Téléchargement des images Sentinel-2
via le site web « Scihub » »
o Section 8.5.4 page 166 pour un « Téléchargement des images avec
prétraitements dans la foulée via le plugin SCP dans QGIS »
o Section 8.6 page 176 pour un « Prétraitements des images satellites non
couplés au téléchargement via le plugin SCP dans QGIS »
8.5.2.4.1. Recherche des images Sentinel-2 via le site web « Scihub »
Le site web de référence pour rechercher et télécharger une image Sentinel-2 est le
suivant (Figure 98) :
 https://scihub.copernicus.eu/dhus/#/home
158
Figure 98 : Page d’accueil du site web « Copernicus Open Access Hub » disponible ici
https://scihub.copernicus.eu/dhus/#/home » et permettant l’accès aux images Sentinel-2
notamment.
La recherche d’une image satellite sur ce site peut se faire librement, sans création de
compte.
Le téléchargement d’une image satellite à partir de ce site, que ce soit directement à partir
du site web OU via le plugin SCP, nécessite par contre que vous :
 Vous créiez un compte via le bouton de login > Sign up, et ensuite que vous
 Vous loguiez via le bouton de login > LOGIN à l’aide de vos identifiant et mot de
passe.
Les critères à utiliser pour la recherche d’une image satellite Sentinel-2 sur le site web «
SciHub » sont dans ce cas-ci (Figure 99):
 Lieu : le lieu d’intérêt doit être identifié en se déplaçant dans l’interface via la
roulette de la souris (zoom) et le bouton , et un rectangle peut être dessiné sur
la zone d’intérêt via le bouton .
159
 La période et le type de produit (satellite) doivent être paramétrés via le panneau
latéral de gauche affichable via le bouton . Dans ce cas-ci, les critères suivants ont
été utilisés :
o Période : entre le 1er juin 2018 et le 31 août 2018
o Type de produit : Mission : Sentinel-2
Figure 99 : Site web « Copernicus Open Access Hub » paramétré pour rechercher une image
Sentinel-2 dans la zone d’étude pour la période d’intérêt. Panneau latéral de gauche = critères de
recherche d’une image (période, produit (satellite, etc), couverture nuageuse, etc)
Les résultats de la recherche d’images sont présentés comme à la Figure 100.
160
Figure 100 : Résultats de la recherche d’image Sentinel-2 dans le « Copernicus Open Access Hub »
La liste des images résultantes peut être explorée à la recherche de la meilleure image.
Des informations détaillées sur une image sont disponibles via le bouton
(Figure 101).
161
Figure 101 : Aperçu de l’image Sentinel-2 du 07 juillet 2018
Face à la difficulté de trouver des images satellites présentant une couverture nuageuse
suffisamment faible que pour permettre une analyse de qualité suffisante, il peut être
judicieux de procéder à un mosaïquage de 2 ou plusieurs images, chacune partiellement
ennuagées, et acquises dans un intervalle de temps relativement restreint (à moduler en
fonction des objectifs de l’étude) (Figure 102), afin de reconstruire une image
« désennuagée » à partir des zones non-ennuagées de chacune des images. Cette méthode
de « mosaïquage temporel » est proposée dans la section 8.6.9 page 187.
Les 2 images Sentinel-2 qui seront utilisées à cette fin dans le cadre de cet exercice (Figure
102) sont les images du :
 12 juin 2018
 07 juillet 2018
162
Image Sentinel-2 du 12 juin 2018 Image Sentinel-2 du 7 juillet 2018
Figure 102 : Aperçu des 2 images Sentinel-2, toutes 2 partiellement ennuagées, utilisées dans le
cadre de cet exercice
8.5.2.4.2. Téléchargement des images Sentinel-2 via le site web « Scihub »
Une fois identifiée, une image peut être téléchargée via le bouton .
Les images sont téléchargées sous la forme de dossiers compressés « .zip » qu’il convient de
décompresser avant l’intégration de l’image dans QGIS. Ce dossier contient un nombre
important de sous-dossiers et fichiers et il ne sera pas détaillé ici.
8.5.3. Présentation des caractéristiques techniques des images

sélectionnées
Dans le cadre de cet exercice, 3 images satellites sont retenues (Figure 103):
 1 image Landsat-5 du 7 août 1987 (méthode simple et méthode avancée)
 2 images Sentinel-2 des 12 juin et 07 juillet 2018 (méthode avancée uniquement)
163
Landsat-5, 7 août 1987 Sentinel-2, 12 juin 2018 Sentinel-2, 7 juillet 2018
Figure 103 : les 3 images satellites retenues dans le cadre de l’analyse proposée dans cet exercice.
Seule une partie de l’image Landsat-5 est montrée.
Les caractéristiques techniques les plus importantes des 3 images utilisées sont reprises
dans les Figure 104, Figure 105 et Figure 106.
Band 1 0.45-0.52 Blue 30
Band 2 0.52-0.60 Green 30
Band 3 0.63-0.69 Red 30
Band 4 0.76-0.90 Near Infrared (NIR) 30
Band 6 10.40-12.50 Thermal 120 (30)*
Figure 104 : Caractéristiques des bandes spectrales des images Landsat-5 Thematic Mapper
™. (Source : https ://www.usgs.gov/faqs/what-are-band-designations-landsat-satellites ?qt-news_science_products=0#qt-
* La bande TM 6 a été acquise avec une résolution spatiale de 120 mètres, mais elle a été
rééchantillonnée à 30 mètres de résolution spatiale.
Band 1 443 Coastal aerosol 60
Band 2 490 Blue 10
Band 3 560 Green 10
Band 4 665 Red 10
Band 5 705 Vegetation red edge 20
Band 8 842 NIR 10
Band 8A 865 Narrow NIR 20
Band 9 940 Water vapour 60
Band 10 1375 SWIR – Cirrus 60
Band 11 1610 SWIR 20
Band 12 2190 SWIR 20
Figure 105 : Caractéristiques des bandes spectrales des images Sentinel-2 (Source :
https ://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/resolutions/spatial)
164
La Figure 106 ci-dessous reprend les caractéristiques principales de 3 images satellites
utilisées dans cet exercice.
Landsat-5 (1987) Sentinel-2 (2018)

Nom du fichier téléchargé LT05_L1TP_173060_19870807_2 S2A_MSIL1C_20180612T080611_N0206_
0170211_01_T1 R078_T35NRA_20180612T102410
S2B_MSIL1C_20180707T080609_N0206_
R078_T35NRA_20180707T120150
Nom du satellite LANDSAT-5 TM Sentinel-2
Lieu dans le système WRS WRS_PATH = 173 Tile T35NRA
Landsat (Path, Row) et WRS_ROW = 60
« Tile » de Sentinel-2
Système de coordonnées EPSG 32635 EPSG 32635
WGS 84 / UTM zone 35N WGS 84 / UTM zone 35N
Etendue spatiale 170 km north-south by 183 100 km * 100 km
approximative d’une km east-west
image/tile
Date d’acquisition 7 août 1987 12 juin 2018
7 juillet 2018
Résolution spatiale 30 m 10 m – 20 m – 60 m
Nombre de bandes 7 12
spectrales
Couverture nuageuse Partielle Partielle
Format original des images .tif .jp2
lors du téléchargement
Poids numérique du dossier 138 Mo / 460 Mo 782 Mo / 782 Mo
compressé/décompressé
contenant une image
Site web de référence pour https://earthexplorer.usgs.g https://scihub.copernicus.eu/d
le téléchargement ov/ hus/#/home
Page web reprenant les https://www.usgs.gov/land- https://sentinel.esa.int/web/sentinel/user-
resources/nli/landsat/landsat-5?qt- guides/sentinel-2-msi
caractéristiques techniques science_support_page_related_con=0#qt-
des images science_support_page_related_con
Figure 106 : Caractéristiques principales des 3 images utilisées dans cet exercice
165
8.5.4. Téléchargement des images avec prétraitements dans la foulée via
le plugin SCP dans QGIS
 Landsat-5 : utilisez les indications reprises dans cette section pour télécharger et
prétraiter l’image Landsat-5 via le plugin SCP dans QGIS (relativement rapide).
 Sentinel-2 : à ne pas faire pour les images Sentinel-2 car ces images prétraitées sont
mises à votre disposition dans le dossier de formation «
5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\IMAGES\SENTINE
L_2\ » en format « .tif » (confer la section 8.5.2.2 page 149) (méthode avancée
uniquement)
Ouvrez ou reprenez votre projet QGIS tel que préparé selon les indications de la section
« 8.3 Préparation du projet QGIS » page 129.
Le téléchargement et les prétraitements des images identifiées dans la section précédente

via les sites web de référence (« SciHub » et « EarthExplorer ») peut se faire directement via
le plugin SCP de QGIS, en particulier via :
 Menu QGIS: SCP > Télécharger de produits (3 onglets) (Figure 107 à Figure 110)
Figure 107 : Interface de l’outil « Menu SCP > Télécharger de Produits », onglet « Rechercher »
Ce menu permet de ne télécharger qu’une partie des bandes spectrales des images
satellites, ce qui est bien pratique afin de ne pas télécharger de bandes inutiles. Dans le
cadre de cet exercice, seules les bandes spectrales suivantes seront téléchargées :
 Landsat-5 : 1, 2, 3, 4, 5 et 7 (pas la bande 6)
166
 Sentinel-2 : 2, 3, 4, 5, 8, 11 (pas les bandes 1, 6, 7, 8A, 9, 10, 12)
Cette sélection de bandes se justifie ici par le fait que :
 La bande 6 de Landsat (bande thermique acquise à 120 m) et les bandes 1 (Coastal

aerosol), 9 (Water vapour) et 10 (SWIR – Cirrus) de Sentinel-2 (à 60 m) ne sont pas
d’une grande utilité pour la classification des classes d’occupation du sol.
 Les bandes 6, 7, 8A, 12 de Sentinel-2 couvrent une gamme de longueur d’ondes
similaire aux autres bandes retenues.
 Cela permet de réduire la taille du jeu de données
 Cela permet d’accélérer les temps de traitements sur ces données
 Pour Landsat-5, cette sélection de bandes correspond à un paramètre de
visualisation prédéfini dans SCP (SCP > Jeu de bandes > Paramètres rapides > Landsat
4-5 TM) comme vous pourrez vous en rendre compte un peu plus loin.
Ce menu permet aussi d’appliquer dans la foulée du téléchargement certains prétraitements

(confer ci-dessous).
La procédure à suivre pour le téléchargement et le prétraitement des images via SCP dans
QGIS est reprise ci-dessous. Elle est à exécuter une fois pour l’image Landsat-5 et une fois
pour les 2 images Sentinel-2. Attention, il faut être connecté à internet !
8.5.4.1. Connexion aux sites web sources des images satellites via le plugin
SCP dans QGIS
 Menu SCP > Télécharger de Produits > Identifiants (Figure 108)

o A paramétrer comme indiqué dans la Figure 108 en utilisant vos identifiants
et mots de passe personnels. La procédure d’obtention de identifiants et
mots de passe a déjà été expliquée aux sections 8.5.2.3.1 page 150 et
8.5.2.4.1 page 158. Un bref rappel est donné ci-dessous.
o Identifiant pour télécharger l’image Landsat-5
 Se créer un compte ici https://ers.cr.usgs.gov/
 Correspond à l’« EROS Registration System (ERS) » utilisé notamment
pour accéder au site web https://earthexplorer.usgs.gov/
o Identifiant pour télécharger les images Sentinels-2
 Se créer un compte ici https://scihub.copernicus.eu/dhus/#/self-
registration
 Le « Service » à indiquer dans l’interface est
https://scihub.copernicus.eu/apihub
167
Figure 108 : Onglet « Identifiant » du « Menu SCP > Télécharger de Produits > Identifiants »
8.5.4.2. Recherche d’images via le plugin SCP dans QGIS
 Menu SCP > Télécharger de Produits > Rechercher (Figure 109)

o A paramétrer comme indiqué dans la Figure 109.
o Choisissez le bon type de « Produits » (capteur d’intérêt)
o Indiquez une gamme de dates correspondant à la fenêtre temporelle
d’intérêt, et si vous connaissez déjà la date précise de l’image à télécharger,
mentionnez 2 fois cette même date (dans les 2 menus « depuis/jusqu’à ») afin
de ne faire apparaitre dans les résultats de la recherche que l’image d’intérêt.
o Le bouton permet d’ajouter les coordonnées de la zone
d’intérêt interactivement:
 Cliquez sur ce bouton
 Cliquez ensuite dans l’interface de QGIS avec
 un clic gauche sur le coin supérieur gauche de la zone d’intérêt
et avec
 un clic droit sur le coin inférieur droit de la zone d’intérêt
 pour créer un rectangle rouge identifiant la zone de recherche
d’images. Les coordonnées géographiques correspondantes
apparaissent dans la fenêtre « Rechercher ».
o Cliquez sur le bouton de « Chercher » qui, après un certain temps de
recherche, fera apparaitre dans la fenêtre « Liste de produits », les images
correspondant aux critères de recherche (Figure 109).
o ATTENTION !! AVANT de procéder au téléchargement, il est très important de
ne laisser dans cette fenêtre « Liste de produits » QUE la ou les images que
vous voulez effectivement télécharger car TOUTES les images présentes dans
cette liste seront téléchargées. Si votre requête de recherche d’images a
résulté en une liste de plusieurs images et que vous laissez ces images dans la
liste, elles seront toutes téléchargées, ce qui risque de prendre un temps plus
168
ou moins important et de résulter en un bug de QGIS ou en une saturation de
votre disque dur, en fonction du nombre d’images concernées. Pour
supprimer de la liste les images que vous ne souhaitez pas télécharger,
sélectionnez-les dans la liste, puis cliquez sur le bouton .
o Spécificités aux images Sentinel-2
 Le filtre « T35NRA » permet de ne rechercher que les images Sentinel-
2 correspondant à cette « tile »
 Faites la recherche pour les 2 images Sentinel-2 (2 dates) l’une après
l’autre pour avoir en définitive les 2 images d’intérêt dans la liste des
produits
 ATTENTION ! EN DATE DU 31 mars 2020, il n’est plus possible de
rechercher de cette manière des images Sentinel-2 remontant à avant
décembre 2018 (archives de plus de 1 an et 4 mois) (confer
https://scihub.copernicus.eu/userguide/LongTermArchive). Vous
pouvez cependant essayer. Peut-être que la situation a changé entre-
temps. Sinon préférez la solution proposée dans la section 8.5.2.4
page 158 avec téléchargement directement depuis le site web de
référence. Vous pourrez alors faire les prétraitements comme indiqué
dans la section 8.6 page 176. Une autre option est d’utiliser des
images Sentinel-2 plus récentes.
169
Figure 109 : Menu « Rechercher » du plugin SCP dans QGIS paramétré pour la recherche des
images Landsat-5 (haut) et Sentinel-2 (bas, avec l’ancienne interface de SCP) utiles à cet exercice
avec affichage des images résultant des recherches
8.5.4.3. Options de téléchargement des images via le plugin SCP dans QGIS
 Menu SCP > Télécharger de Produits > Options de téléchargement

o Cochez uniquement les bandes d’intérêt pour cet exercice comme expliqué
ci-dessus (section 8.5.4 page 166) et indiqué dans la Figure 110, sans oublier
les données auxiliaires (qui contiennent notamment la précieuse information
sur la couverture nuageuse).
Figure 110 : Options de téléchargement du plugin SCP
 Menu SCP > Télécharger de Produits > Ligne « Télécharger » en bas de l’interface
(Figure 109)
o Décochez toujours « Seulement si les aperçus sont chargés en couche » car
cette option semble empêcher tout téléchargement,
o Cochez « Prétraitement des images » pour appliquer les prétraitements qui
seront sélectionnés dans la section suivante
170
o Cochez « Charger les bandes dans QGIS » pour charger automatiquement les
bandes dans QGIS après téléchargement et prétraitements
 ! NE PAS ENCORE LANCER LE TELECHARGEMENT ! Il faut d’abord paramétrer les
prétraitements comme indiqué dans la section suivante.
171
8.5.4.4. Prétraitement des images dans la foulée du téléchargement via le
plugin SCP dans QGIS
 Menu SCP > Prétraitement

o Ce menu permet de paramétrer les prétraitements à appliquer
automatiquement aux images téléchargées si la case « Prétraitement des
images » est cochée dans l’interface de téléchargement
o Paramétrez comme indiqué à la Figure 111
 Choisir le bon onglet en fonction du type de produit sur lequel
appliquer les prétraitements
 « Appliquer la correction atmosphérique DOS1 » : permet une
transformation des DN (Digital Number) en réflectance.
 « Créer un jeu de bandes… » permet de créer un « Jeu de bandes »
qui sera disponible dans le menu SCP > Jeu de bandes (confer section
8.6.3 page 178 pour plus d’explications sur cette notion de « Jeu de
bandes »)
 Remarque : pour Sentinel-2, l’application d’un prétraitement
rééchantillonne les bandes de 20 m à 10 m, ce qui alourdi donc l’image
prétraitée.
 Pour plus d’information sur ces prétraitements, le lecteur est renvoyé
à la documentation en ligne https://fromgistors.blogspot.com/p/user-
manual.html
Figure 111 : Paramétrisation des prétraitements à appliquer aux images Landsat-5 et Sentinel-2
172
8.5.4.5. Téléchargement des images avec prétraitement dans la foulée via le
plugin SCP dans QGIS
 Menu SCP > Télécharger de Produits >
o Lancez le téléchargement et les prétraitements via le bouton

o Sélectionnez le répertoire de sortie (un nouveau répertoire sera créé pour
chaque image).
 Landsat-5 : répertoire « …\DATA\IMAGES\LANDSAT_5\ »
 Sentinel-2 : répertoire « …\DATA\IMAGES\SENTINEL_2\ »
o Le téléchargement/prétraitement peut prendre plusieurs minutes (voir la
barre de progression du téléchargement dans l’interface principale de QGIS.
Par défaut, une petite musique accompagne le début et la fin de l’opération)
 3 minutes pour l’image Landsat-5
 10-15 minutes par image Sentinel-2
Les données téléchargée ET prétraitées devraient se charger automatiquement dans

l’interface de QGIS à la fin de l’opération (Figure 112).
 Réorganisez l’ordre des bandes téléchargées dans le panneau « Couches » de QGIS

afin de faciliter la visualisation des données dans l’interface de visualisation. Il vous
est conseillé de placer les bandes d’une image donnée dans le « groupe » de couches
préexistant dans le projet QGIS mis à votre disposition et portant le nom du type
d’image considérée, soit « LANDSAT5_19870807 » ou
« SENTINEL2 » . Remarque : un « groupe de couches » peut être
créé via la bouton disponible dans le panneau « Couches ».
Figure 112 : Interface de visualisation QGIS et panneau « Couches » contenant les 6 bandes
Landsat-5 prétraitées (préfixe « RT_ ») et réorganisées dans le « groupe » « LANDSAT5_19870807 »
Les données sont également enregistrées dans le répertoire choisi ci-dessus, sous la forme
de 2 dossiers par image (exemple à la Figure 113 pour Landsat-5):
173
 Un dossier pour l’image brute et les données auxiliaires
o Landsat-5 : 120 Mo
o Sentinel-2 : ~500 Mo
 Un dossier pour l’image prétraitée (dossier avec suffixe « _con » ou « _converted »)
o Landsat-5 : 289 Mo
o Sentinel-2 : 1.24 Go par image (bandes 2, 3, 4, 5, 8, 11, toutes les bandes
considérées ont été ré échantillonnées à 10m)
Figure 113 : Répertoire « LANDSAT_5 » dans l’explorateur Windows après téléchargement avec
prétraitement dans la foulée via le plugin SCP dans QGIS, contenant les bandes originales
décompressées (en haut) et prétraitées (en bas, dossier « converted » avec préfixe « « RT_ »)
Le nom des fichiers prétraités commencent par le préfixe « RT_ ».
Enfin, comme demandé, des « Jeu de bandes » ont été créés pour chaque image prétraitée
(Figure 114). Pour le vérifier :
 Menu SCP > Jeu de bandes (« Band set 1, Band set 2, etc)
174
Figure 114 : Divers « Jeux de bandes » (« Band set ») visibles dans le plugin SCP > menu « Jeu de
bandes » après téléchargement et prétraitements des images avec création d’un jeu de bandes,
pour Landsat-5 (en haut) et Sentinel-2 (avec ici plus de bandes que recommandé dans ce manuel)
(en bas, avec une ancienne interface du plugin SCP).
L’utilité et la gestion d’un « Jeu de bandes » sont décrites dans la section 8.6.3 page 178.
175
8.6. Prétraitements des images satellites non couplés au
téléchargement via le plugin SCP dans QGIS
Les prétraitements ont pour objet de préparer les images avant la réalisation des
traitements thématiques (classification supervisée et analyse diachronique dans ce cas-ci).
8.6.1. Décompression des dossiers téléchargés
! Méthode proposée dans le cadre de ce manuel : cette section ne doit pas être réalisée !
(confer la section 8.5.2.2 page 149)
 Ni pour Landsat-5 (car la décompression a déjà été réalisé via la section 8.5.4 page
166 et suivantes),
 Ni pour Sentinel-2 (car les images déjà décompressées et prétraitées sont mises à
disposition dans le dossier « …\DATA\IMAGES\SENTINEL_2\)
Les dossiers contenant les images Landsat-5 ou Sentinel-2 sont téléchargés à partir des sites
web de référence (confer section 8.5.2 page 143) sur le disque dur de votre ordinateur sous
format compressé.
 Décompressez les dossiers contenant les images téléchargées :

o Landsat-5 : dossier « tar.gz » à décompresser 2 fois (1 fois pour la
compression « .tar » et une fois pour la compression « .gz »)
o Sentinel-2 : dossier « zip » à décompresser une fois
 Evitez les répertoires trop longs en renommant/réorganisant éventuellement les
dossiers après décompression
 Eventuellement, pour gagner de la place sur le disque dur de votre ordinateur,
supprimez les dossiers compressés originaux après obtention des images
décompressées.
La décompression et la présentation des fichiers résultants ont déjà été expliquées et

présentées en détails aux sections 8.5.2.3.2 page 154 (Landsat-5) et 8.5.2.4.2 page 163
(Sentinel-2).
176
8.6.2. Conversion de radiance vers réflectance / correction atmosphérique
DOS1 et création d’un « Jeu de bandes »
! Méthode proposée dans le cadre de ce manuel : cette section ne doit pas être réalisée !
(confer la section 8.5.2.2 page 149)
 Ni pour Landsat-5 (car ce prétraitement a déjà été réalisé via la section 8.5.4 page
166 et suivantes),
 Ni pour Sentinel-2 (car cela prend beaucoup de temps et les images prétraitées sont
mises à disposition dans le dossier « …\DATA\IMAGES\SENTINEL_2\)
Cette section présente la procédure à suivre dans le plugin SCP pour réaliser la conversion
des valeurs de pixels depuis des valeurs de radiance vers des valeurs de réflectance /
correction atmosphérique DOS1 et la création d’un « Jeu de bandes » sur les images
Landsat-5 et Sentinel-2 dans le cas où les images ont été directement téléchargées via les
sites web source présentés dans la section 8.5.2 et non via le plugin SCP.
Voici la procédure à suivre pour appliquer ces prétraitements dans SCP.
 Menu SCP > Prétraitement > Landsat OU Sentinel-2

o Configurer l’interface comme illustrée dans la Figure 115 (ancienne interface
de SCP)
o Cliquez sur et sélectionnez le répertoire contenant les bandes Landsat ou
Sentinel-2 :
 ressemblant à ceci pour Setinel-2 :
 \S2B_MS~1\S2B_MS~1.SAF\GRANULE\L1C_T35NRA_A006968_
20180707T082024\IMG_DATA
  les bandes apparaissent dans le tableau de l’interface
o Cliquez sur pour sélectionner le fichier de métadonnées : “…MTL.txt”
pour Landsat-5 OU “MTD_MSIL1C.xml” pour Sentinel-2
o Cochez l’option “Appliquer correction atmosphérique DOS1
o Cliquer sur et sélectionnez le répertoire de sortie qui peut être le
même que celui des images en entrée
 1 min 30 pour toutes les bandes Landsat5
 6 min pour toutes les bandes d’une image Sentinel-2
o Les bandes converties sont automatiquement chargées dans QGIS (nom de
fichier commençant par RT_).
o Cette opération ne rééchantillonne pas les bandes et conserve donc les
résolutions spatiales originales des différentes bandes.
177
Figure 115 : Menu « SCP > Pré-traitement > Sentinel-2 » paramétré pour un prétraitement à
appliquer sur toutes les bandes spectrales de Sentinel-2 (dans le cadre de cet exercice, il est
conseillé de ne pas travailler avec toutes les bandes) (cette illustration correspond à l’ancienne
interface de SCP).
8.6.3. Création d’un « Jeu de bandes » et affichage des images dans QGIS
! Méthode proposée dans le cadre de ce manuel (confer la section 8.5.2.2 page 149):
 Landsat-5 : un « Jeu de bandes » a en principe déjà été créé pour l’image Landsat-5
via la section 8.5.4 page 166. Cependant si vous deviez refaire un jeu de bande, vous
trouverez les indications nécessaires ci-dessous.
 Sentinel-2 : utilisez les indications de cette section pour créer un « Jeu de bandes »
pour chaque image Sentinel-2 fournies dans le dossier
« …\DATA\IMAGES\SENTINEL_2 ».
 Visualisation des images d’un « Jeu de bandes »: une fois les « Jeux de bandes »
créés, affichez-les dans QGIS en suivant les indications ci-dessous. Par soucis de
rapidité, inutile de
o « Créer un raster virtuel de band »
o « Créer un raster assemblant les bandes »
Et optez plutôt pour la méthode de création d’un
o « Virtual band set »
Cette étape ne constitue pas à proprement parler un « prétraitement » mais est présentée
ici pour respecter la logique chronologique du chemin méthodologique proposé.
178
Une fois les images décompressées et éventuellement transformées en réflectance (sections
8.6.1 et 8.6.2) elles peuvent être affichées dans QGIS.
Le plugin SCP permet la création/utilisation de « Jeux de bandes » pour faciliter
 la visualisation des images multi-bandes et

 l’application d’un même (pré-)traitement sur l’ensemble des bandes en une seule
opération
Cette section explique comment créer un « Jeu de bandes » et comment l’utiliser pour la
visualisation des images dans QGIS.
8.6.3.1. Création d’un « Jeu de bandes »
 Menu : SCP > Jeu de bandes ou bouton

o Si les images ne sont pas encore ajoutées au projet QGIS, vous pouvez les y
ajouter
 Soit via le bouton SCP > Jeu de bandes
 (Soit via la manière traditionnelle d’ajouter des données raster dans
QGIS > Raster)
o Si elles sont déjà ajoutées au projet QGIS elles devraient apparaitre dans la
« Liste des bandes » du menu SCP > Jeu de bandes, et si ce n’est pas le cas,
rafraichissez la liste avec le bouton correspondant
o Ajouter un nouveau « Jeu de bandes » via le bouton si un jeu de bandes
vide n’existe pas encore
o Sélectionnez les bandes à considérer pour constituer un « Jeu de bandes » et
ajoutez-les au « Jeu de bandes » créé à l’étape précédente, via le bouton
 Landsat-5 : 1, 2, 3, 4, 5, 7
 Sentinel-2 : 2, 3, 4, 5, 8, 11 (pour ne pas travailler sur toutes les bandes
et par là alléger les traitements)
o Via le menu « Paramètres rapides », si votre « Jeu de bandes » correspond à
l’un des paramétrages prédéfinis (par exemple si votre jeu de bandes pour
une image Landsat-5 reprend les bandes 1, 2, 3, 4, 5, 7 (pas la bande 6)),
choisissez le paramétrage prédéfini correspondant (par exemple
) pour l’appliquer à votre « Jeu de
bandes », ce qui aura pour effet de classer les bandes dans le bon ordre et d’y
ajouter une série d’information, dont les longueurs d’ondes correspondantes
(cette information sur les longueurs d’ondes est réutilisée lors de la création
des graphiques de signature spectrale : confer section 8.8.7.1 page 238).
Remarque, pour les images Sentinel-2, le paramétrage rapide correspond aux
179
bandes 2, 3, 4, 5, 6, 7, 8, 8A, 11, 12. Sinon vous pouvez entrer ces
informations manuellement via un double-clic sur la case à éditer.
 ATTENTION ! Cet outil n’ordonne pas toujours parfaitement les
bandes! Vérifiez toujours le résultat et corrigez l’ordre des bandes le
cas échéant avec les flèches ou le bouton qui sera utile dans
certains cas mais pas dans tous
Un exemple de jeu de bandes est présenté à la Figure 114 page 175.
Cette même interface (menu SCP > Jeu de bandes) permet également de créer un raster
virtuel et/ou un raster assemblant les bandes comme détaillé ci-dessous. Ces opérations ne
sont cependant pas nécessaires et ne seront pas commentées dans le cadre de ce manuel.
 Cochez « Créer un raster virtuel de band » : crée un raster virtuel permettant de

réaliser des compositions colorées de l’image sans créer un vrai raster qui prendrait
de la place sur votre disque dur (cela crée un petit fichier se terminant par
« Bvirt_rast.vrt » qui vient aussi s’ajouter dans l’interface QGIS)
 Cochez « Créer un raster assemblant les bandes » (layerstack): crée un vrai raster
multi-bandes permettant de réaliser des compositions colorées de l’image MAIS qui
prendra de la place sur votre disque dur (cela crée un fichier image unique multi-
bandes se terminant par « Bstack_raster.tif » qui vient aussi s’ajouter dans
l’interface de QGIS)
 Lancez l’opération via le bouton

 Sélectionnez le répertoire de sortie
8.6.3.2. Affichage d’une composition colorée des images satellites

Pour visualiser une composition colorée des images satellite dans QGIS, plusieurs possibilités
existent :
Si vous avez créé un « jeu de bandes » comme indiqué à la section précédente ou qu’un
« jeu de bandes » est disponible dans le plugin SCP, vous pourrez l’utiliser pour créer un
« Jeu de bandes virtuel » ou « Virtual band set » via le plugin SCP. Ce « Virtual band set »
permettra d’alterner facilement/rapidement des compositions colorées d’un même raster et
de réaliser des améliorations de contraste. Pour ce faire :
 Menu SCP > Jeu de bandes : sélectionner l’onglet (menu « détails du jeu de bandes »
ou « Band set definition ») du « Jeu de bandes » pour lequel créer un « Virtual band
set »
 Dans l’interface principale de QGIS > Barre d’outils SCP > boutons
(ou via le menu SCP > Outils basic > Liste RGB) > inscrire
180
manuellement (ou sélectionner) la/les compositions colorées souhaitées (ex : 3-2-1
ou 5-3-2) dans le menu déroulant
 ATTENTION ! Les numéros font référence à l’ordre des bandes dans la table
du « Jeu de bandes » actif (numéros dans la marge gauche de cette table) ET
PAS AUX NUMEROS OFFICIELS DES BANDES SPECTRALES ! En conséquence, si
vous voulez visualiser une composition « vraies couleurs » ou « couleurs
naturelles » (confer section 8.7.4.1 page 213), vous devrez indiquer dans le
menu déroulant présenté ci-avant les numéros de lignes du jeu de bandes qui
correspondent aux bandes spectrales des longueurs d’onde Rouge, Verte et
Bleue, dans cet ordre.
 Après un petit délai, le « Virtual band set X » vient s’ajouter dans le panneau
« Couches » de QGIS (« X » fait référence au numéro du « Jeu de bandes »
dans le menu « Jeu de bandes »).
 Attention, si vous avez plusieurs « Virtual band set X » la modification de la
composition colorée via le menu déroulant ne s’applique QUE sur le jeu de
bandes actif/sélectionné dans le menu « Jeu de bandes » !
 permettront d’appliquer des améliorations de contrastes qui seront
calculées sur la partie de l’image actuellement visible dans l’interface de
visualisation spatiale de QGIS.
Si vous travaillez sur un des 2 type de fichiers « Bvirt_rast.vrt » ou « Bstack_raster.tif »

(confer section précédente, ce type de fichier n’est pas nécessaire et ne sera pas commenté
dans le cadre de ce manuel) notez les options de symbologie suivantes :
 Modification de la symbologie raster (choix des bandes, amélioration de contraste,

etc) via un
o clic-droit sur la couche > Propriétés… > Symbologie à adapter…
 Amélioration de contraste très utile qui adapte la symbologie automatiquement en
fonction de la zone du raster visualisée dans le menu :
o Rendu des bandes raster > Paramètres de valeurs Min/Max > Statistiques de
l’emprise > Emprise actualisée
 Application d’exactement la même symbologie à 2 images différentes et donc les
rendre comparable visuellement, il suffit de :
o Appliquer une symbologie donnée à une image
o Cliquer-droit sur cette image dans le panneau Couches de QGIS > Styles >
Copier le style
o Cliquer-droit sur l’image à laquelle appliquer le style dans le panneau Couches
de QGIS > Styles > Coller le style
181
8.6.4. Découpage spatial de l’image sur la zone d’intérêt (en anglais : «
Spatial subset », « clip », « crop »)
! Méthode proposée dans le cadre de ce manuel : (confer la section 8.5.2.2 page 149) :
 Landsat-5: effectuez un découpage spatial sur l’image Landsat-5 à l’aide de cette
section
 Sentinel-2 : à ne pas faire car les images mises à disposition dans le dossier
« …\DATA\IMAGES\SENTINEL_2\... » sont déjà découpées spatialement (car sinon
elles sont trop volumineuses)
Les images satellites téléchargées couvrent parfois une zone plus grande que la zone
d’intérêt. Dans ce cas, il convient, afin de réduire la taille des données manipulées et par là
d’accélérer la vitesse des traitements et de réduire la place que prendront les données
générées sur votre disque dur, de découper spatialement l’image pour ne conserver que la
zone d’intérêt.
Cette opération se déroule en 2 temps dans SCP :
 Définition d’un jeu de bandes à découper (si le jeu de bandes existe déjà, pas
besoin de le recréer):
o Confer section 8.6.3.1 ci-dessus
 Découpage spatial d’un « Jeu de bandes » créé préalablement (Figure 116):
o Menu : SCP > Prétraitement > Découper plusieurs rasters
 Sélectionnez le numéro du « Jeu de bandes » à découper (le numéro
du jeu est disponible via le menu « Jeu de bandes »)
 Préfixe de sortie : « clip » : le préfixe qui sera utilisé pour le nom des
bandes découpées.
 Pour définir la zone à découper:
 Utilisez, dans le cadre de cet exercice, le shapefile
« ZONE_ETUDE_KASESE.shp ». Attention le shapefile doit être
dans le même système de coordonnées que les bandes raster à
découper !
 Une autre possibilité serait de délimiter la zone de manière
interactive en cliquant sur puis, en cliquant, dans la fenêtre
de visualisation spatiale de QGIS, avec un clic-gauche sur le
coin supérieur gauche de la zone à délimiter, et avec un clic-
droit sur le coin inférieur droit de la zone à délimiter. Ou entrer
les coordonnées manuellement.
o Cliquez sur et sélectionnez le répertoire de sortie qui peut être le

même que celui des images en entrée
182
 ~ 10 secondes pour 6 bandes Landsat-5 (37 Mo)
 ~ 2min30 pour 6 bandes 2-3-4-5-8-11 Sentinel-2 en résolution
originale (10 et 20 m) (430 Mo)
 (~ 4min30 pour 10 bandes Sentinel-2 à 10 m (650 Mo))
o Les bandes converties sont automatiquement
 enregistrées dans le répertoire de sortie
 chargées dans QGIS (nom de fichier commençant par le préfixe
« clip_ »).
 Attention ! Veillez à organiser correctement vos données dans
le panneau « Couches » de QGIS, éventuellement à l’aide du
bouton « Ajouter un groupe »
 Visualisation du « Jeu de bandes » découpé spatialement
o Confer les indications de la section 8.6.3 page 178.
Figure 116 : Menu de SCP permettant de réaliser un découpage spatial sur un « Jeu de bandes »
8.6.5. Regroupement/assemblage des bandes spectrales individuelles

d’une image dans un fichier image unique multi-bandes (anglais :
layer stacking)
Ce prétraitement ne sera pas utilisé dans le cadre de cet exercice. Il est mentionné à titre
d’information.
Lorsque les différentes bandes spectrales d’une image satellite sont disponibles séparément,
sous la forme de fichiers indépendants il peut être pratique, avant de faire d’autres
traitements, de combiner les différentes bandes spectrales en une seule image unique multi-
bandes qui sera de la sorte plus facilement manipulable car l’ensemble des traitements
pourront s’appliquer simultanément sur l’ensemble des bandes spectrales regroupées.
183
Cette combinaison de bandes spectrales peut se faire via une opération
d’assemblage/regroupement/collage des bandes (anglais : « Layer stacking »).
Outils dans QGIS:
 Fonction SCP : SCP > Pré-traitement > Assembler les bandes raster
 Fonction QGIS : Raster > Divers > Fusionner… > et cocher « Placer chaque fichier en
entrée dans une bande séparée » ;
Le layerstack a pour conséquence de rééchantillonner toutes les bandes concernées à la

même résolution spatiale.
Si l’outil le permet, classez les bandes spectrales dans le bon ordre avant l’assemblage et
choisissez la résolution spatiale de l’image résultante. Il est conseillé, dans le cas des images
LANDSAT, d’utiliser 30 m de résolution spatiale, même si vous considérez dans l’assemblage
une bande de meilleure résolution spatiale (exemple : la bande 8 des images LANDSAT8 qui
est à 15m). Attribuer une plus haute résolution spatiale ne fera qu’alourdir fortement votre
image et sera probablement inutile. Vous pouvez aussi exclure la bande à 15 m.
8.6.6. Pan-sharpening
d’information.
La technique de pan-sharpening est une méthode qui permet de fusionner une bande
spectrale de plus haute résolution spatiale (par exemple, la bande panchromatique des
images LANDSAT à 15m) avec une ou plusieurs bandes spectrales de moins haute résolution
spatiale (par exemple, les autres bandes des images LANDSAT à 30m) afin d’obtenir une
image qui présente à la fois la meilleure résolution spatiale (15m) et les qualités spectrales
des bandes à 30m. L’image résultante facilite la photo-interprétation de l’image.
Menu QGIS : Traitement > Boite à outils > GDAL > Divers raster > Pansharpening
8.6.7. Rééchantillonnage des images vers une plus faible résolution

spatiale (anglais : resampling)
 Landsat-5: à ne pas faire. Un rééchantillonnage de l’image Landsat-5 n’est pas
nécessaire dans le cadre de cet exercice car les pixels ont une résolution spatiale de
30 mètres et l’image n’est pas trop lourde.
 Sentinel-2 : à ne pas faire car les images mises à disposition dans le dossier
« …\DATA\IMAGES\SENTINEL_2\... » ont déjà été rééchantillonnées à 30 mètres (car
sinon elles sont trop volumineuses). Elles ont été rééchantillonnées avec la méthode
décrite dans cette section.
184
Le rééchantillonnage consiste notamment au changement de la taille des pixels d’un raster
pour par exemple en diminuer la résolution spatiale ou pour harmoniser la taille des pixels
des différentes bandes spectrales constituant un raster unique multi-bandes.
Dans le cadre de cet exercice, il s’est avéré que les images Sentinel-2 à 10m de résolution
spatiale sont assez lourdes à traiter et que certains traitements, en particulier la
classification, prennent beaucoup trop de temps à cette résolution spatiale.
Il a donc été décidé de rééchantillonner les images Sentinel-2 à 30 m de résolution spatiale

(pour obtenir une taille de pixel similaire à celle de l’image Landsat-5).
La fonction de rééchantillonnage n’est pas directement disponible dans SCP. L’on pourra
donc utiliser une fonction de rééchantillonnage du menu principale de QGIS.
Pour rééchantillonner toutes les bandes d’une image Sentinel-2 à 30 m dans QGIS (Figure
117):
 Menu QGIS: Raster > Conversion > Convertir…

 Cliquer sur le bouton « Exécuter comme processus de lot… » en bas de l’interface de
la fonction afin de pouvoir appliquer en une seule fois le traitement sur toutes les
bandes spectrales de l’image Sentinel-2 considérée
 Cliquer sur « Basculer en mode avancé »
 Couche en entrée > … Sélectionner des fichiers > Sélectionnez toutes les bandes
spectrales sur lesquelles appliquer le rééchantillonnage
o Bandes 2, 3, 4, 5, 8, 11 (2-3-4-8 à 10 m et 5-11 à 20 m) des images Sentinel-2
découpées spatialement
 Paramètres avancés > Paramètres additionnels de ligne de commande : indiquer « -
tr 30 30 » (confer détails ici https://gdal.org/programs/gdal_translate.html), puis « Auto-
remplissage… > Remplir » pour remplir toutes les lignes avec cette même information
 Converti > … > Choisir le répertoire et donner un préfixe de nom, par exemple « 30m_ » >
Remplir avec les valeurs du paramètre > Couche en entrée : ceci aura pour effet de nommer
les bandes rééchantillonnées avec le préfixe « 30 m_ » suivi du nom de la bande en entrée.
 Vérification de la paramétrisation
 Décochez « Charger les couches »
 Exécutez (quelques secondes pour les 6 bandes Sentinel-2, 106 Mo)
 Ajoutez manuellement les bandes produites dans votre projet QGIS
185
Figure 117 : Rééchantillonnage de 6 bandes d’une image Sentinel-2 à 30 mètres (-tr 30 30) via le
traitement par lot de la fonction « Convertir… » de QGIS
8.6.8. Mosaïquage de 2 images voisines

d’information.
Lorsque la zone d’étude est couverte par plusieurs images voisines, il peut être intéressant
de les fusionner/mosaïquer afin d’obtenir une seule grande image couvrant toute la zone et
plus facilement manipulable.
 Fonction QGIS : Raster > Divers > Fusionner… >
186
8.6.9. Mosaïquage de 2 images Sentinel-2 superposées pour
réduire/supprimer la couverture nuageuse
 Landsat-5: cette image n’est pas concernée par cette section
 Sentinel-2 : suivez les indications de cette section pour mosaïquer les 2 images
Sentinel-2
8.6.9.1. Concept de reconstruction d’image dés-ennuagée

Face à la difficulté de trouver des images satellites présentant une couverture nuageuse
suffisamment faible que pour permettre une analyse de qualité suffisante, il peut être
judicieux de procéder à un mosaïquage de 2 ou plusieurs images, chacune partiellement
ennuagée sur des zones différentes, et acquises dans un intervalle de temps relativement
restreint (à moduler en fonction des objectifs de l’étude), afin de reconstruire une image à
partir des zones non-ennuagées de chacune des images.
Dans le cas de cet exercice, les 2 images Sentinel-2 les moins ennuagées identifiées pour
l’étude présentent tout de même une couverture nuageuse relativement importante et
gênante pour l’analyse diachronique. Il convient dès lors de les mosaïquer afin de produire
une image présentant une couverture nuageuse réduite.
Le mosaïquage permet de remplacer les parties d’une image sur lesquelles un masque (de
nuages par exemple) a été appliqué, par les pixels d’une autre image (idéalement, sans
nuage aux endroits masqués) pour former une image avec une couverture nuageuse
amoindrie (Figure 118).
187
Figure 118 : Principe de mosaïquage d’une image masquée (image A) avec une autre image (image
B)
Dans ce cas-ci l’image du
 20180612 sera l’image de base

 20180707 sera utilisée pour remplacer les pixels masqués de l’image 20180612
188
Sentinel-2 20180612 Sentinel-2 20180707
Figure 119 : Composition vraies couleurs des 2 images Sentinel-2 (au-dessus) avec affichage de la
couche vectorielle de masque de nuages « MSK_CLOUDS_B00.gml » fournie avec les images avec
les nuages denses (opaques) en bleu et les cirrus (voile léger) en vert (en-dessous).
Il est clairement visible que ce désennuagement ne sera pas total (partie nord-ouest de
l’image). Il peut alors être utile d’utiliser des masques de nuages améliorés (confer plus loin)!
Ce type de mosaïquage à fin de désennuagement est aussi documenté dans le « Basic

tutorial 2 » officiel de SCP, disponible ici :
 https://fromgistors.blogspot.com/p/user-manual.html?spref=scp
8.6.9.2. Les grandes étapes du mosaïquage
 Téléchargement des images (déjà fait plus haut)

 Création d’un masque de nuages pour une image
 Application du masque de nuages sur l’image (ce qui remplace les valeurs de pixels
ennuagés par « Nodata »)
 Mosaïquage de l’image masquée par la deuxième image
8.6.9.3. Création d’un masque de nuage

 Landsat-5: pas concernée par cette section
 Sentinel-2 : comme le fichier vectoriel de masque fourni avec l’image Sentinel-2 du
12 juin 2018 est très mauvais, utilisez le fichier de masque amélioré produit pour
vous et disponible dans le répertoire
« …\DATA\IMAGES\SENTINEL_2\SENTINEL_2_MASQUE_NUAGES_20180612.tif ».
Les explications concernant la méthode de création de ce masque amélioré sont
données ci-dessous pour information.
La création d’un masque de nuages peut se faire de différentes manières :
 Via l’utilisation d’une couche d’information renseignant sur la présence de nuage et

accompagnant l’image satellite (méthode la plus simple, à privilégier si l’information
est disponible et de bonne qualité)
 Via l’identification des nuages par classification supervisée : il peut être envisagé de
réaliser une « pré-classification supervisée » rapide dont le seul objectif serait
l’identification des zones ennuagées à masquer. La réflectance des nuages se
distinguant généralement assez facilement de celles des classes d’occupation du sol,
cette classification pourra probablement être rapide et précise.
 Réaliser un masque de nuage manuellement par édition d’une couche vectorielle de
polygone par exemple. Ceci peut constituer une solution pratique si les zones
ennuagées sont facilement numérisables (peu de nuages). Par contre cette solution
189
devra très vite fastidieuse avec l’augmentation du nombre et la complexité de la
forme des nuages à masquer
 Une combinaison de ces techniques
8.6.9.3.1. Création d’un masque de nuages à partir d’un fichier vectoriel de masque
existant
Les images Sentinel-2 sont toujours accompagnées d’une bande d’information appelée
« MSK_CLOUDS_B00.gml » qui est un fichier vectoriel identifiant très grossièrement les
endroits ennuagés sur l’image (Figure 119). Ce fichier est décrit ici
https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/level-1c/cloud-masks.
Nous pouvons y lire que le fichier vectoriel peut prendre 2 valeurs : dense (opaque) ou cirrus
(léger voile) (Figure 119 et Figure 120), valeurs reprises dans la table d’attributs de la couche
vectorielle.
Figure 120 : Aperçu de la table d’attributs du fichier vectoriel de masque de nuage d’une image
Sentinel-2 avec présence des 2 types de nuages : CIRRUS et OPAQUE
Remarquez à la Figure 119 que pour l’image Sentinel-2 20180707 ce masque est
particulièrement imprécis ! Cela constituerait une faiblesse/limitation de l’approche si ce
masque était utilisé. Dans une situation réelle, il est indiqué d’identifier la couverture
nuageuse de manière plus précise. Dans le cadre de cet exercice le masque de nuages
réellement utilisé sera celui créé selon la méthode de la section 8.6.9.3.2 page 192. La suite
de cette section-ci est donnée pour info.
Pour créer un masque de nuages pour l’image 20180612 à partir de la couche vectorielle de
masque fournie avec l’image:
 Chargez dans QGIS comme fichier vectoriel le fichier « MSK_CLOUDS_B00.gml »

disponible dans le dossier de téléchargement de l’image Sentinel-2 (si
téléchargement depuis le site web de référence). Ce fichier est disponible dans le
sous-dossier (par exemple)
« S2A_MS~1\S2A_MS~1.SAF\GRANULE\L1C_T35NRA_A015519_20180612T082541\
QI_DATA\ ». Ce fichier identifie une partie seulement de la couverture nuageuse de
190
l’image. Remarquez que sur la zone d’étude, il n’y a que des nuages
« opaques/denses » et pas de « cirrus ».
 L’exporter au format shapefile : clic-droit sur le fichier « MSK_CLOUDS_B00
MaskFeature » dans le panneau Couches de QGIS > Exporter > Sauvegarder les
entités sous… > Choisir le format shapefile, le répertoire de sortie et le nommer par
exemple « MASQUE_NUAGE_20180612.shp » et l’ajouter dans le projet QGIS.
 Menu SCP > Pré-traitement > Vecteur vers raster >
o (attention éviter répertoire long/ avec espace)
o Sélectionner un vecteur: cliquez sur pour rafraichir la liste de couches
disponibles et sélectionnez le masque créé à l’étape précédente «
MASQUE_NUAGE_20180612.shp »
o Cochez « Utilisez une valeur constante » et indiquez « 1 » pour que le raster
de masque produit prenne une valeur de 1 pour les nuages
o Sélectionnez le raster de référence : cliquez sur , puis sélectionnez une
bande de l’image Sentinel-2 découpée spatialement correspondant au
masque utilisé, par exemple
« clip_RT_L1C_T35NRA_A015519_20180612T082541_B02.tif » pour créer un
raster de la même taille et aligné sur le raster Sentinel-2.
o Lancez via , sélectionnez un répertoire et nommez le raster de masque,

par exemple « MASQUE_NUAGE_20180612.tif » (~10 secondes)
Le raster de masque de nuages est produit et prend une valeur de « 1 » pour les nuages et
« NoData » pour les autres zones (consultable via l’outil de QGIS).
191
8.6.9.3.2. Création d’un masque de nuages par classification des nuages dans l’image à
masquer
Méthode par classification supervisée
Un masque de nuage peut être réalisé par classification des nuages présents sur l’image à
masquer.
Cette étape de classification est décrite à la section 8.8.8 page 240 vu qu’il s’agit
essentiellement d’un processus de classification puis raffinement de la classification.
Dans le cadre du TP, vous utiliserez simplement la couche de masque résultant de cette
étape qui a déjà été faite pour vous et qui est disponible dans le répertoire
« …\DATA\IMAGES\SENTINEL_2\SENTINEL_2_MASQUE_NUAGES_20180612.tif ».
Méthode par seuillage
Une méthode de seuil aurait également pu être utilisée. Elle consiste à simplement
reclassifier les pixels d’une bande en-dessous/au-dessus d’une valeur seuil vers une
constante. Dans ce cas-ci, on pourrait par exemple reclassifier la bande bleu, celle qui
présente le plus de contraste entre sol et nuages, en identifiant la meilleure valeur seuil
permettant de faire cette distinction entre sol et nuage. Ceci peut se faire facilement via la
calculatrice raster :
 Explications disponibles ici

https://docs.qgis.org/3.4/en/docs/user_manual/working_with_raster/raster_analysi
s.html#raster-calculator
 Exemple de formule : ( "B02@1" <= 0.18 ) * "B02@1"
o où 0.18 est la valeur seuil.
o Si B2 <= 0.18 (ce qui correspond au sol), alors B2 conserve ses valeurs de pixel
o Si B2 > 0.18 (ce qui correspond aux nuages), alors B2 prend une valeur de 0
 Mais lors de tests, QGIS crash lorsque l’on travaille sur une taille de raster originale
(30 m de résolution spatiale) avec x ligne et x colonnes. Cela fonctionne avec un
nombre de cellules de raster en sortie de 500*500 (pas avec 1000*1000).
192
8.6.9.4. Appliquer le masque de nuages sur une image
! Méthode proposée dans le cadre de ce manuel : (confer la section 8.5.2.2 page 149):
 Landsat-5: pas concernée par cette section
 Sentinel-2 : image 20180612 seulement
Pour appliquer un masque de nuages, existant sous la forme d’un raster uni-bande dont
la/les valeurs de pixels correspondant aux zones à masquer sont clairement définies, sur
toutes les bandes de l’image 20180612 présentes dans le Jeu de bandes de cette image:
 Menu SCP > Jeu de bandes

o Assurez-vous d’avoir un « Jeu de bandes » qui correspond à l’image sur
laquelle appliquer le masque, sinon créez-le. Dans ce cas-ci un « Jeu de
bandes » comprenant les 6 bandes de l’image Sentinel-2 20180612
découpées spatialement et rééchantillonnées à 30 m.
 Menu SCP > Prétraitement > Masque nuage
o Jeu de bandes : mettre le numéro du Jeu de bandes sur lequel appliquer le
masque (Jeu de l’image 20180612 découpée spatialement)
o Sélectionner la classification : cliquez sur , puis sélectionnez le raster de
masque créé à la section précédente « MASQUE_NUAGE_20180612.tif »
o Valeurs de classe du masque : « 1 »
o Utiliser un buffer en taille de pixel : décochez pour accélérer le traitement
o Cliquez sur et choisissez le répertoire (~1 minute)

 Visualisez le résultat dans QGIS : les endroits masqués prennent une valeur de
« NoData » (transparent dans QGIS)
Figure 121 : Application d’un masque de nuages sur une image dans SCP. Remarque : le nom du
fichier correspondant à ce masque et fourni dans le dossier de cet exercice est en fait
« SENTINEL_2_MASQUE_NUAGES_20180612.tif » (différent de ce qui est indiqué dans cette
figure). (Ancienne interface de SCP)
193
8.6.9.5. Mosaïquer l’image masquée et la deuxième image
Pour remplacer les pixels « NoData » de l’image 20180612 masquée par les pixels de l’image
20180707 :
 Menu SCP > Jeu de bandes > Ajouter un nouveau Jeu de bandes via le bouton >
Y ajouter les bandes masquées « masque_clip_RT_... 20180612…»
 Menu SCP > Jeu de bandes > Assurez-vous d’avoir un Jeu de bandes qui correspond à
l’image qui sera utilisée pour remplacer les pixels masqués de l’image 20180612, soit
un jeu de bandes pour l’image 20180707 découpée spatialement, sinon créez-le
 Menu SCP > Prétraitement > Mosaïque de Jeu de bandes
o Entrez le numéro du Jeu de bandes contenant les bandes masquées
20180612, suivi d’une virgule, suivi par le numéro du Jeu de bandes
contenant les bandes de remplacement (20180707)
o Préfixe « mosaique » (possibilité d’utiliser plusieurs rasters).
o Cliquez sur et sélectionner le répertoire de sortie (~1 minute)
Figure 122 : Fonction de mosaïquage de l’outil SCP (ancienne interface de SCP)
Les bandes sont ajoutées automatiquement au projet QGIS.
Visualisez une composition colorée du résultat :
o Créez un nouveau « Jeu de bandes » correspondant à l’image mosaïquée

o Créez un « Virtual band set »
Et comparez l’image mosaïquée avec les images initiales (Figure 123).
194
Image Sentinel-2 20180612
A
Image Sentinel-2 20180707
Image Sentinel-2 20180612 après

application du masque de nuages vectoriel
fourni avec l’image et remplacement des
pixels de ce masque par les pixels de l’image
Sentinel-2 20180707 via la technique du
mosaïquage
C
Image Sentinel-2 20180612 après
application du masque de nuages amélioré
(masque obtenu par classification des
nuages et raffinement) et remplacement des
pixels de ce masque par les pixels de l’image
Sentinel-2 20180707 via la technique du
mosaïquage
D
Figure 123 : Comparaison des 2 images Sentinel-2 initiales avec les images résultant du
mosaïquage. Les images mosaïquées présentent une couverture nuageuse amoindrie.
L’image résultant du mosaïquage reste partiellement ennuagée, et ceci pour 2 raisons :
o Certaines parties de l’image sont ennuagées dans les 2 images initiales
195
o Le masque de nuage créé à partir du masque vectoriel fourni avec l’image 20180612
ne masque pas tous les nuages, ce qui a pour conséquence qu’une partie d’entre eux
se retrouvent dans l’image résultant du mosaïquage (C).
o Ceci constitue une grosse limitation de la méthode car ces pixels ne seront pas
masqués et produiront un biais dans la matrice de transition !
8.6.10. Création de néocanaux (indices de végétation, ACP, etc)

Cette opération ne sera pas utilisée dans le cadre de cet exercice. Elle est mentionnée à titre
d’information.
En fonction des objectifs de la classification et de la difficulté de classifier correctement les

classes d’occupation du sol d’intérêt sur base des bandes spectrales simples d’une image
satellite, il peut s’avérer utile de calculer des néocanaux.
Un néocanal est une nouvelle couche d’information (une nouvelle bande raster) calculée à
partir des bandes spectrales disponibles dans une image et qui permet, idéalement, de faire
ressortir certaines informations non directement ou moins facilement accessibles à partir
des bandes spectrales de base.
Ces néocanaux peuvent être par exemple :
 Des indices de végétations (par exemple, le NDVI, calculables avec la calculatrice

raster de QGIS)
 Les indices de « Tasseled Cap »
 Les premières composantes d’une Analyse en Composante Principale (ACP)
 …
8.6.10.1. Calcul de divers indices

d’information.
Menu SCP > Calcul de bandes
Menu QGIS Raster > Raster Calculator
8.6.10.2. Analyse en Composantes Principales (ACP)

d’information.
Menu SCP > Traitement de bande > ACP
196
8.6.11. Géoréférencement
Cette opération ne sera pas utilisée dans le cadre de cet exercice, car pas nécessaire. Elle est
mentionnée à titre d’information.
Le géoréférencement est l’opération qui permet de positionner correctement une image

dans l’espace et de lui attribuer un système de coordonnées géographiques.
Lors d’une analyse diachronique consistant en la comparaison, pixel par pixel, des
changements d’occupation du sol s’étant produit entre 2 images acquises à 2 dates
différentes, il est évidemment très important que les images à comparer soient parfaitement
géoréférencées l’une par rapport à l’autre, c’est-à-dire que les pixels de l’image initiale
superposant les pixels de l’image finale correspondent à une même zone, pixel par pixel.
Il est nécessaire de vérifier si le géoréférencement relatif des 2 images est suffisant ou pas.
Ceci peut simplement se faire via analyse visuelle dans QGIS via :
 Zoom in important (observation à grande échelle) afin de contrôler avec précision le

position relative des images
 Cocher/décocher les images pour alterner leur visibilité
 L’extension « Map Swipe Tool »
Il se peut que le géoréférencement initial des images téléchargées soit suffisant que pour
réaliser correctement une analyse diachronique.
Si le géoréférencement relatif des images n’est pas suffisant, il faudra procéder au

géoréférencement des images. Différentes techniques existent, principalement :
 Géoréférencement avec points de calage (en anglais : Ground Control Point (GCP))
 Géoréférencement « image-to-image » : géoréférencement d’une image
relativement à une autre.
La plupart du temps la précision de localisation spatiale des images LANDSAT ou Sentinel-2

est suffisante par défaut et ne requière pas de géoréférencement. Mais mieux vaut toujours
vérifier !
8.6.11.1. Géoréférencement par point de calage ou GCP

Cette technique ne sera pas expliquée dans ce manuel mais le lecteur intéressé pourra se
référer aux:
 Manuel de travaux pratiques sous QGIS disponible ici

https://orbi.uliege.be/handle/2268/190559
 Tutoriel QGIS en ligne disponible ici :
197
o https://docs.qgis.org/3.4/fr/docs/training_manual/forestry/map_georeferenc
ing.html?highlight=g%C3%A9or%C3%A9f%C3%A9rencement
8.6.11.2. Géoréférencement de type « image à image »

Non documenté dans ce manuel.
8.6.12. Masque de nuages multi-dates, applicable à chacune des 2 images

de l’analyse diachronique, Landsat-5 et Sentinel-2 mosaïquée
 Landsat-5: réalisation d’un masque de nuage à partir de la bande BQA
 Sentinel-2 : réalisation d’un masque par produit des masques améliorés individuels
 Landsat-5 et Sentinel-2 : fusion/addition des masques relatif à chaque image et
application du masque fusionné/somme sur Landsat-5 et Sentinel-2 mosaïquée
8.6.12.1. Principe de création d’un masque de nuages multi-dates

Il est parfois intéressant/nécessaire de masquer une partie des images à analyser qui
autrement gêneraient l’analyse, typiquement lorsque :
 des nuages, et parfois leurs ombres projetées au sol, sont présents sur l’image
 une partie de l’image ne doit pas être analysée (par exemple : à l’extérieur des
limites d’un parc naturel pour lequel une analyse spécifique au parc est souhaitée)
Lors d’une analyse diachronique de l’évolution de l’occupation du sol, afin que les 2 images
classifiées restent comparables, un même masque devra être appliqué sur les 2 images. Ce
masque correspondra donc à la somme des masques créés pour chacune des deux images.
Les étapes à suivre seront donc :
 Création du masque relatif à chacune des 2 images

 Fusion des 2 masques par addition des masques
 Application du masque fusionné (ou « masque somme ») à chacune des images
198
Figure 124 : Principe de la création d’un masque de nuages multi-dates
8.6.12.2. Création d’un masque de nuages pour l’image Landsat-5

L’image Landsat-5 est accompagnée d’une bande raster « BQA » (Band QUALITY)
renseignant sur la qualité de chaque pixel. Plus d’information sont disponibles ici par
exemple :
199
 https://www.usgs.gov/land-resources/nli/landsat/landsat-collection-1-level-1-
science_support_page_related_con
“The Collection 1 Level-1 QA band can be stretched to emphasize the light and dark pixels
for an immediate survey of a scene's general quality conditions.”
 Visualisez le raster avec une symbologie « Palette/valeurs uniques » et un dégradé de

couleurs
Section “Landsat 4-5 TM, Landsat 7 ETM+ Level-1 Possible Attributes, Pixel Values, and Pixel
Value Interpretations”, 2ème table:
On peut notamment résumer très grossièrement une partie de l’information contenue dans
cette table comme ceci:
 [704-764] = cloud
 [928-972] = cloud shadow
 [1696-1740] = snow
Symbologie raster “Pseudo-couleur

à bande unique”
Figure 125 : Visualisation dans QGIS de la bande BQA de l’image Landsat-5 renseignant sur la
couverture nuageuse
200
Une analyse attentive devrait être opérée afin de déterminer les pixels à conserver / à ne
pas conserver.
Dans ce cas-ci nous allons considérer que les pixels de la bande BQA ayant une valeur entre
[704 - 972] sont impactés par les nuages et sont donc à masquer.
Pour créer le masque de nuage correspondant, il suffit de reclassifier les valeurs du raster
avec:
 Utilisez la fonction « r.reclass » qui dépend de GRASS et disponible dans Traitement >
Boite à outils ». Attention ! Il faut donc que votre projet QGIS ait été ouvert avec «
QGIS avec GRASS » pour que cette fonction soit disponible.
o Documentation ici https://grass.osgeo.org/grass70/manuals/r.reclass.html
 Paramétrage comme à la Figure 126.
 Règles de reclassification à indiquer :
o 704 thru 972 = 1
o *= 2
 Nommez le masque raster reclassifié « MASQUE_NUAGE_LANDSAT5_BQA.tif » par
exemple
Le masque prend une valeur de 1 pour les nuages et 2 ailleurs.
Figure 126 : Fonction r.reclass de GRASS dans QGIS pour créer le masque de nuages de l’image
Landsat-5 à partir de son fichier BQA
Pour obtenir un masque sur la zone d’étude uniquement, le découper spatialement :
 Raster > Extraction > Découper un raster selon une emprise…

ZONE_ETUDE_KASESE.shp
 Raster en sortie : « MASQUE_NUAGE_LANDSAT5_BQA_CLIP.tif »
201
8.6.12.3. Création d’un masque de nuages pour l’image Sentinel-2 mosaïquée
Le masque de nuage à considérer pour l’image Sentinel-2 mosaïquée correspond à
l’intersection des masques de nuages améliorés des 2 images mosaïquées (20180612 et
20180707) eux-mêmes créés selon la méthode présentée à la section 8.8.8 page 240.
Figure 127 : Principe de construction d’un masque de nuages commun à 2 masques de nuages (noir
= NoData, blanc = valeur de 1)
Pour obtenir ce masque de nuages correspondant à l’image mosaïquée :
202
 Ouvrir dans QGIS les 2 rasters correspondant aux masques de nuages améliorés des 2
images Sentinel-2, dont les valeurs de pixels sont de 1 pour les nuages et 2 ailleurs.
Ces 2 masques ont déjà été produits pour vous et sont disponibles dans le répertoire
« …\ DATA\IMAGES\SENTINEL_2\ » sous les noms de :
o SENTINEL_2_MASQUE_NUAGES_20180612.tif (repris sous le nom
« MASQUE_NUAGE_20180612.tif » dans l’illustration ci-dessous)
o SENTINEL_2_MASQUE_NUAGES_20180707.tif (repris sous le nom
« MASQUE_NUAGE_20180707.tif dans l’illustration ci-dessous)
 Utiliser la calculatrice raster de QGIS pour faire le produit des 2 masques :
o Raster > Raster Calculator… >
 Appelez le raster résultant « MASQUE_NUAGE_2018_0612_0707_PRODUIT.tif » par
exemple
 Les 4 valeurs possibles sont :
o 1 * 1 = 1  Nuage * Nuage = Nuage commun aux 2 images
o 1 * 2 = 2  Nuage * Autre = Autre
o 2 * 1 = 2  Autre * Nuage = Autre
o 2 * 2 = 4  Autre * Autre = Autre
Le raster résultant prendra donc une valeur de 1 dans ce cas-ci pour les nuages commun aux
2 images Sentinel-2, et 2 ou 4 dans les autres situations.
Figure 128 : Produit des 2 masques de nuages améliorés des 2 images Sentinel-2, dans la
calculatrice raster de QGIS, pour produire le masque de nuages commun aux 2 images Sentinel-2
(remarque : le nom des masques dans cette illustration ne correspond pas aux noms des masques
mis à disposition dans le dossier de cet exercice comme indiqué plus haut)
203
 Pour faciliter la suite des opérations, ce raster peut être reclassifié selon les règles
reprises dans la figure ci-dessous afin de garder une valeur de 1 pour les nuages
communs aux 2 images et une valeur de 2 ailleurs
o Traitement > Boite à outils > r.reclass (dépend de GRASS)
o Raster en sortie =
« MASQUE_NUAGE_2018_0612_0707_PRODUIT_reclass.tif »
Figure 129 : Utilisation de la fonction GRASS « r.reclass » pour reclassifier le raster de masque de
nuages commun aux 2 images Sentinel-2
8.6.12.4. Création du « masque fusionné » ou « masque somme » de nuages

applicable aux images Landsat-5 et Sentinel-2
 Réaliser une somme des 2 masques (valeurs : 1 = nuage ; 2 = autre) produits aux
sections précédente via la calculatrice raster de QGIS (Raster > Raster Calculator…)
o « MASQUE_NUAGE_2018_0612_0707_PRODUIT_reclass.tif »
o « MASQUE_NUAGE_LANDSAT5_BQA_CLIP.tif »
 Le raster résultant prend les valeurs suivantes :
o 2 : nuages communs aux 2 images
o 3 : nuages sur une seule des 2 images
o 4 : absence de nuage sur les 2 images
 Nom du raster résultant :
o « MASQUE_NUAGE_SOMME_2_L5_S2.tif »
204
8.6.12.5. Application du « masque fusionné » ou « masque somme » à
chacune des 2 images
Le « masque somme » doit ensuite être appliqué sur chacune des 2 images à considérer pour
l’analyse diachronique, pour les rendre comparables, soit les images :
 Landsat-5 : clip_RT_LT05_L1TP_173060_19870807_20170211_01_T1_1987-08-07_...
 Sentinel-2 : mosaique_masque_30m_clip_RT_T35NRA_20180612T080611_...
 Menu SCP > Jeu de bandes
o Assurez-vous d’avoir un Jeu de bandes qui correspond à chacune des 2 images
sur lesquelles appliquer le « masque somme », sinon créez-les
 Menu SCP > Prétraitement > Masque nuage
o Jeu de bandes : mettre le numéro du Jeu de bandes sur lequel appliquer le
masque
o Sélectionner la classification: sélectionner le «
MASQUE_NUAGE_SOMME_2_L5_S2.tif »
o Valeurs de classe du masque: Attention ! Mettre 2,3 (confer section
précédente)
o Décochez buffer
o Préfixe : masque_som
o Cliquez sur , sélectionnez le répertoire
Les images masquées avec le masque somme prenne une valeur de NoData aux endroits
masqués.
Figure 130 : Application du « masque somme » sur un jeu de bandes (ancienne interface de SCP)
205
Landsat-5 avec masque somme Sentinel-2 mosaïquée avec masque somme
206
8.7. Observation des images et identification des classes
d’occupation du sol
8.7.1. De l’importance de l’observation des images

Il est très important de prendre le temps d’analyser visuellement une image avant de se
lancer dans le processus de classification en tant que tel et ceci afin de bien comprendre
l’information que l’image contient et de répondre notamment aux questions suivantes:
 Quelles sont les différentes classes d’occupation du sol présentes ?

 Sont-elles visuellement différentes les unes des autres ?
 Y a-t-il des nuages sur l’image ?
 Certains pixels correspondent-ils à des codes spécifiques ayant une signification
particulière (NoData,…) ?
Les sections suivantes discutent de ces aspects et présentent diverses méthodes facilitant
l’analyse visuelle de l’image.
8.7.2. Identification des classes d’occupation du sol

Lors de l’identification des classes d’occupation du sol, il faut identifier et faire la distinction
entre (exemple dans les Figure 131 et Figure 132) :
 Les classes objectifs ou MACRO-CLASSES : ce sont les classes d’intérêt que vous
désirez analyser et/ou faire apparaitre dans la représentation cartographique finale
et qui seront donc reprises dans la légende de la carte d’occupation du sol produite.
Ces macro-classes peuvent englober plusieurs sous-classes spectrales qui
correspondent à des signatures spectrales différentes. Ce sont ces macro-classes qui
feront l’objet de la validation par matrice de confusion et qui seront étudiées dans la
matrice de transition.
 Les sous-classes ou CLASSES SPECTRALES : ce sont les classes d’occupation du sol qui
présentent des signatures spectrales « différentes ». Ce sont les classes spectrales
qui seront utilisées pour le processus de classification par les algorithmes de
classification se basant sur la valeur des pixels. Il s’agit donc de définir autant de
classes spectrales qu’il existe de classes d’occupation du sol présentant des
signatures spectrales bien différentes. Ces « sous-classes spectrales » pourront être
fusionnées en « macro-classes » après la classification pour une meilleure
représentation cartographique (confer ci-dessous la section 8.10 page 247).
207
Figure 131 : Notions de « macro-classe » et « classes spectrale ». Source :
https://semiautomaticclassificationmanual.readthedocs.io/en/latest/remote_sensing.html#
classes-definition
Macro-classes ou Sous-classes ou classes spectrales composant les macro-classes et

Classes objectifs ou utilisée par l’algorithme de classification supervisée
Classe de la légende
de la carte finale
Forêt Forêt de feuillu (ex : vert clair)
Forêt de résineux (ex : vert foncé)
Zones agricoles Parcelles agricoles présentant un sol nu (ex : brun)
Parcelles agricoles présentant une culture x (ex : colza en fleur, jaune)
Parcelles agricoles présentant une culture y (ex : prairie, vert)
…
Zones construites Routes (ex : gris)
Toits d’ardoise (ex : noir)
Toits de tuiles (ex : rouge)
… …
Figure 132 : Exemple simplifié de relation entre les classes d’occupation du sol représentées sur
une carte et les classes spectrales correspondantes ayant été utilisées lors du processus de
classification supervisée
Lors d’une analyse diachronique, les classes d’occupation du sol rencontrées dans les
différentes images à comparer (images acquises à différentes dates), peuvent différer en
partie (voire totalement dans une situation extrême). Par exemple, la 1ère image pourrait
présenter une zone forestière unique qui aurait été transformée totalement en zone agricole
et bâtit dans la 2ème image.
208
Lors de l’identification/sélection des classes spectrales à analyser, veillez à ne pas être trop
ambitieux et à ne pas surestimer la capacité de classification/distinction précise des
différentes classes d’occupation du sol par la méthode de classification que vous allez
utiliser… et donc à ne pas vouloir distinguer l’indistinguable ! Une classification d’image a
ses limites, qui sont parfois (souvent) bien vite atteintes… Il vous faudra donc trouver le juste
compromis entre le nombre de classes à identifier et la précision de classification
atteignable pour chacune de ces classes.
En outre, si, pour une raison ou l’autre, vous ne pouvez pas attribuer avec certitude une
classe d’occupation du sol à certains pixels, cela constituera une limitation à la
méthodologie de classification. Une classification de qualité est parfois impossible et il faut
l’accepter!
Un exemple de difficultés de classification qui pourraient être rencontrés est la

difficulté/impossibilité de discerner différents types de végétation (forêt jeune vs forêt
adulte, culture de maïs ou de pomme de terre, etc) car ils présenteraient des signatures
spectrales trop similaires.
En particulier, lors de cette étape d’identification des classes d’occupation du sol, en plus
d’identifier les « macro-classes » et les « classes spectrales », veillez à créer des classes
spectrales pour :
• Les nuages, si ceux-ci ne sont pas masqués

• Les pixels sans valeurs « No data » et/ou pixels de « background » qui sont parfois
caractérisés par une valeur « code » spécifique (exemple : -9999, 255, etc)
• Les pixels non photo-interprétables : il peut être indiqué dans certains cas de créer
une/des classes spectrales «inconnu_1 », « inconnu_2 », etc, pour autant qu’elles
correspondent à une signature spectrale particulière.
Dans le cas de cet exercice, les figures ci-dessous reprennent les macro-classes et sous-
classes spectrales proposées pour chacune des 2 types d’images (Landsat-5 et Sentinel-2).
Notez que par soucis de concision, de simplicité et de rapidité ce nombre de classes a été
volontairement réduit.
8.7.3. Présentation de la description des classes d’occupation du sol

Remarquez que lors de la présentation d’une méthodologie de classification supervisée,
dans un rapport scientifique, un mémoire de fin d’étude, etc, il est bienvenu, voire
nécessaire, de définir le plus précisément possible chacune des classes d’occupation du sol
utilisée (macro-classes et sous-classes spectrales), par souci de clarté et transparence
méthodologique.
209
Cette description des classes utilisée peut se faire via un tableau comme celui repris à la
Figure 133 (bien que les définitions soient ici assez sommaires). Remarquez cependant que
les couleurs des différentes classes apparaissant à l’écran peuvent fortement changer en
fonction de l’amélioration de contraste appliquée. Idéalement, il faudrait donc renseigner les
paramètres de l’amélioration de contraste utilisée, ce qui ne sera pas fait ici.
Macro-classe Sous-classe Définition de la Aspect typique de la Aspect typique de la Aspect typique de la

spectrale classe en classe en classe en classe en
composition composition vraies composition fausses composition vraies
vraies couleurs couleurs Rouge-Vert- couleurs Proche couleurs d’une
Bleu de l’image infrarouge-Rouge- image très haute
Landsat-5 Vert de l’image résolution (Google
Landsat-5 Earth Pro par
exemple)
Forêt dense, vert

Forêt dense Forêt dense
foncé
Forêt peu dense,

Forêt peu Forêt peu
vert
dense dense
intermédiaire
Couvert
Couvert Couvert végétal
végétal
végétal faible faible, vert clair
faible
Eau bleue Eau bleue
Eau
Eau verte Eau verte
Roche, présente
Roche Roche
en montagne
Sol nu beige Sol nu beige
Sol nu
Sol nu brûlé Sol nu brûlé

/
mauve clair mauve clair
210
Sol nu brûlé
Sol nu brûlé
mauve
mauve foncé
foncé
Ville Ville et bâtit Ville et bâtit
Figure 133 : Exemple de description des « macro-classes » et « classes spectrales » des classes
d’occupation du sol pouvant être utilisées lors de la classification supervisée de l’image Landsat-5
utilisée dans le cadre de cet exercice.
Une autre manière de présenter les classes d’occupation du sol étudiée, peut-être plus
représentative et informative, est de présenter quelques extraits/morceaux de l’image
satellite à classifier, en composition vraies couleurs, à grande échelle (zoom in) et annotée
de numéros renvoyant à une légende identifiant les classes (Figure 134).
211
Figure 134 : Exemple de présentation des macro-classes d’occupation du sol utilisées lors d’une
classification supervisée d’une partie de l’île de Negros aux philippines. Source :
https://orbi.uliege.be/handle/2268/33068, page 61.
212
8.7.4. Observation des images en 2D
Voici ci-dessous une liste non exhaustive de techniques de visualisation d’image permettant
d’en améliorer l’analyse visuelle.
8.7.4.1. Visualiser l’image en composition vraies et fausses couleurs

Les notions de composition « vraies couleurs » et composition « fausses couleurs » ont
déjà été présentée à la section « 4.8.1 Composition « vraies couleurs » et composition
« fausses couleurs » » page 45 et suivantes.
La méthode de création et d’affichage d’une composition vraies ou fausses couleurs via le

plugin SCP dans QGIS a déjà été présentée à la section 8.6.3 page 178, et en particulier à la
section « 8.6.3.2 Affichage d’une composition colorée des images satellites » page 180.
 Visualiser l’image en « composition vraies couleurs » ou « couleurs naturelles »

(Figure 135-gauche) lorsque cela est possible, c’est-à-dire lorsque les 3 bandes
spectrales correspondant aux longueurs d’onde du Rouge, du Vert et de Bleu (RGB,
Red Green Blue) sont disponibles. Ce type de composition permet d’établir
facilement, intuitivement, une correspondance entre les couleurs apparaissant sur
l’image et les couleurs des classes d’occupations du sol telles qu’elles nous
apparaissent dans le monde réel. Ce type de composition facilitera la reconnaissance
des classes d’occupation du sol en particulier pour une personne qui ne serait pas
habituée à l’interprétation de diverses compositions fausses couleurs.
 Visualiser l’image en « composition fausses couleurs » (Figure 135-droite), c’est-à-
dire dans une composition colorée différente de la composition vraies couleurs. Les
bandes spectrales en dehors du spectre du visible, essentiellement dans l’infrarouge,
permettent parfois de distinguer d’avantages de classes spectrales que les seules
bandes du visible en apportant des informations spectrales supplémentaires. Par
exemple, la Figure 136 montre qu’une composition fausses couleurs utilisant de
l’infrarouge peut faciliter la distinction entre 2 types de forêt (feuillue vs résineuse)
qui en composition vraies couleurs sont assez similaires (sur base d’une méthode de
visualisation par défaut sans amélioration de contraste).
213
Vraies couleurs RGB = B3-B2-B1 Fausses couleurs RGB = B4-B7-B3
Figure 135 : Image Landsat-5 TM en composition « vraies couleurs » (à gauche) et en composition
« fausses couleurs » (un exemple parmi les nombreuses possibles) (à droite), toutes deux avec
amélioration de contraste.
Figure 136 : Exemple de visualisation d’une zone forestière présentant 2 types de forêts, forêt
feuillue au Nord-Ouest, et forêt résineuse (conifères) au Sud-Est, pendant la saison de végétation,
en composition vraies couleurs (gauche) et fausses couleurs (Infrarouge-Rouge-Vert) (droite).
Source : Image sentinel-2 d’une région au Sud de la ville de Namur en Belgique en juillet 2019
affichée dans le viewer « TERRASCOPE » https://viewer.terrascope.be/terrascope/.
214
8.7.4.2. Amélioration de contraste
L’amélioration de contraste consiste en une transformation virtuelle des données afin
d’utiliser toute la gamme d’intensité de couleur disponible pour visualiser les données à
l’écran. Cette amélioration ne modifie donc pas vos données sources (la valeur des pixels).
Elle ne fait qu’attribuer différemment la palette de couleurs disponibles à votre image afin
de faire ressortir certains éléments plus clairement.
La notion d’amélioration de contraste a déjà été présentée en détails à la section 4.8.2.1

page 48 et à la Figure 18 page 48.
L’exemple de la Figure 137 montre l’utilité d’améliorations de contraste calculées à partir de

différentes zones de l’image :
 l’image de gauche permet la distinction claire de différentes classes d’occupation du

sol dans la zone montagneuse du Nord-Ouest (classes de forêt et de roche) mais est
assez « surexposée » ailleurs.
 l’image de droite permet la distinction claire de différentes classes d’occupation du
sol dans la zone de plaine du centre (végétation, sol nu, eau) mais est très « sous-
exposée » dans la partie Nord-Ouest en montagne.
Figure 137 : Comparaison de 2 améliorations de contraste de l’image Landsat-5 en « composition

vraies couleurs Rouge-Vert-Bleu » sur la zone d’étude et focalisant l’amélioration sur la zone
montagneuse du Nord-Ouest (image de gauche) ou sur la zone de plaine du centre (image de
droite).
215
8.7.5. Observation multi-temporelle
L’analyse de la dynamique/variation saisonnière (ou simplement temporelle) des classes
d’occupation du sol à l’aide de plusieurs images acquises à différentes période de l’année
(ou à différents moments) peut également aider à l’identification précise de certaines classes
d’occupation du sol, comme illustré à la Figure 138 qui montre :
 une variation importante de la réflectance pour une forêt décidue (à feuilles

caduques) entre l’été (forêt verte) et l’hiver (forêt brune)
 une constance de la réflectance pour une forêt à feuilles persistantes, verte en été
et en hiver
Remarque : certaines techniques de classification de l’occupation du sol se basent

spécifiquement sur le comportement spectro-temporel de ces classes pour mieux les
identifier (utilisation de plusieurs images acquises à différents moments de l’année).
Ce type d’observation et d’analyse ne seront pas réalisés dans le cadre de ce manuel.
Eté, forêt à feuilles persistantes verte et forêt Hiver, forêt à feuilles persistantes verte et forêt
décidue verte décidue brune
Figure 138 : Exemple de visualisation en composition vraies couleurs d’une zone forestière
présentant 2 types de forêts, forêt feuillue décidue (feuilles caduques) au Nord-Ouest, et forêt
résineuse à feuilles persistantes (conifères) au Sud-Est, pendant la saison de végétation en été (à
gauche) et en hiver (à droite). Source : Images sentinel-2 d’une région au Sud de la ville de Namur
en Belgique affichées dans le viewer « TERRASCOPE » https://viewer.terrascope.be/terrascope/.
216
8.7.6. Observation des images en 3D via une représentation du relief
naturel
Une représentation 3D du relief naturel du paysage à classifier (Figure 140) peut aider
l’opérateur à mieux comprendre l’organisation de ce paysage et par là l’aider dans sa tâche
de photo-interprétation ayant pour but final l’identification des différentes classes
d’occupation du sol.
Pour visualiser une couche d’information sous la forme d’une représentation 3D du relief
naturel, il est nécessaire d’avoir à disposition une couche d’information correspondant à ce
relief naturel, souvent appelée Modèle Numérique de Terrain (MNT) (en anglais : Digital
Elevation Model (DEM)).
Dans le cadre de cet exercice le MNT utilisé est celui présenté à la section 8.4.2.1 page 135
ci-dessus.
QGIS propose 2 outils pour la visualisation 3D :
 Menu : Vue > Nouvelle Vue Cartographique 3D (Figure 139)

o Terrain >
 Type : choisir « DEM (Raster layer) » (MNT)
 Elevation : choisir un MNT de la zone, dans ce cas-ci, comme indiqué
dans la figure ci-dessous
 Echelle verticale : facteur multiplicateur de l’altitude pour faire
ressortir le relief
 Faire pivoter la vue dans le plan horizontal grâce à la flèche bleu

 S’assurer que l’image à visualiser en 3D soit l’image visible (cochée) la
plus supérieure dans le panneau « Couches » de QGIS.
217
Figure 139 : Interface de construction d’une vue 3D avec la « Vue Cartographique 3D » de QGIS
 L’extension (à installer) QGIS2threejs, qui après installation (via le menu Extension >
Installer/Gérer les Extensions), est disponible dans le menu « Internet > QGIS2threejs
> QGIS2threejs Exporter ». Cette extension, en plus de permettre une représentation
3D, permet également d’exporter cette représentation sous la forme de webmap
(carte au format web, interactive (zoomable et orientable en 3D))
218
Figure 140 : Représentation 3D en vraies couleurs de la zone d’étude pour l’image Landsat-5 (au-
dessus) et Sentinel-2 mosaïquée (en-dessous) produites avec la Vue Cartographique 3D de QGIS
219
8.7.7. Utilisation de données complémentaires pour la photo-
interprétation d’une image
La photo-interprétation (reconnaissance des différentes occupations du sol par analyse
visuelle) d’une image est parfois difficile :
 Soit parce que l’image ne présente pas une qualité suffisante (résolution spatiale et
spectrale adéquate),
 Soit à cause d’un manque d’expérience du photo-interpréteur ou d’un manque de
connaissance de la zone.
La photo-interprétation peut être facilitée grâce à l’utilisation de données complémentaires

sur la zone étudiée. MAIS ATTENTION ! Il faut que ces données complémentaires soient
pertinentes pour décrire la zone A LA DATE CORRESPONDANT A LA DATE D’ACQUISITION
DE L’IMAGE SATELLITE. Par exemple, il sera probablement inutile d’utiliser une donnée
complémentaire décrivant l’occupation du sol en 2020 si l’image satellite à photo-interpréter
date de 1980 (40 ans d’écart) et que l’occupation du sol a subi beaucoup de modifications
entre-temps.
Voici quelques exemples de données complémentaires :
 Images satellites de « Google Earth Pro » (exemple sur la zone d’étude à la Figure 77
page 127). « Google Earth Pro » dispose d’images satellites à très haute résolution
spatiale pour une partie sans cesse grandissante de la planète et permet d’accéder
assez facilement à des images satellites d’archive en composition vraies couleurs via
l’outil « Images d’archive » (confer section 3 page 31 pour une présentation détaillée
de « Google Earth Pro »). La très haute résolution spatiale permettra parfois de
mettre un nom précis sur des classes d’occupation du sol qui, à plus faible résolution
spatiale (exemple : sur une image Landsat à 30 m ou une image Sentinel-2 à 10 m), se
distinguent spectralement (couleurs différentes) mais sont difficilement
reconnaissables (Figure 141 ci-dessous).
 Cartes topographiques
 Une enquête de terrain avec relevé GPS
 Divers documents donnant des informations sur l’occupation du sol de la zone.
220
Très haute résolution spatiale : ~20 cm Haute résolution spatiale : 10 m
Forêts feuillue et résineuse reconnaissables Forêts feuillue et résineuse non reconnaissables
Figure 141 : Exemple de visualisation d’une zone forestière présentant 2 types de forêts, forêt
feuillue au Sud-Est (cimes rondes), et forêt résineuse (conifères) au Nord-Ouest (cimes pointues),
pendant la saison de végétation, en composition vraies couleurs, en très haute résolutions spatiale
(~20 cm) (à gauche, dans Google Earth Pro) et à 10 m de résolution spatiale (à droite, Sentinel-2
dans le viewer TERRASCOPE) (Sud de la ville de Namur en Belgique).
221
8.8. Classification supervisée par maximum de
vraisemblance
8.8.1. La classification supervisée par maximum de vraisemblance, une

méthode de classification parmi d’autres
Dans le cadre de cet exercice, la méthode de classification supervisée par maximum de
vraisemblance (méthode de classification par pixel) sera utilisée.
Sachez cependant qu’il existe un grand nombre d’autres techniques de classification

d’images, par exemple :
 Classification supervisée versus classification non supervisée

o Classification supervisée
 L’opérateur supervise le processus de classification : en particulier il
définit lui-même les classes
 Exemples : maximum de vraisemblance, distance minimum, Support
Vector Machine (SVM), neural network, etc
o Classification non supervisée :
 Les classes sont définies automatiquement par l’algorithme de
classification et une signification leur est attribuée à posteriori
 Exemples : K-mean, ISODATA
 Classification par pixel versus classification par objet
o Classification par pixel : chaque pixel de l’image est classifié sur base de ses
valeurs (dans les différentes bandes spectrales), indépendamment des autres
pixels de l’image
o Classification par objet : dans un premier temps, l’image est segmentée,
c’est-à-dire qu’elle est découpée en « objets » ou groupe de pixels contigus
spectralement homogènes (groupe de pixels voisins présentant des valeurs
similaires) (Figure 142). Dans un 2ème temps ces « objets spectraux » sont
classifiés sur base de leurs propriétés qui sont à la fois spectrales (valeurs des
pixels) mais aussi de forme (compacte, allongé, etc), de taille (superficie), de
relation entre différents niveaux de segmentation (un grand objet peut en
contenir plusieurs petits), de relation entre objets voisins, etc.
222
Figure 142 : image aérienne d’un verger (arbres = boules vertes, sol = pixels gris) : image originale
(à gauche) et image après segmentation (à droite).
 Les arbres de décisions : classification via un ensemble de règles successives souvent

binaires qui se ramifient tel un arbre (Figure 143)
 …
Figure 143 : Principe de l’arbre de décision pour classifier une image satellite multispectrale
Notez également qu’une classification d’image peut utiliser des indices dérivés des bandes
spectrales de l’image à classifier (NDVI, fAPAR, etc) et faire intervenir une série de données
auxiliaires autres que l’image à classifier comme l’altitude, l’exposition, la pente et toute
autre information spatiale (Figure 143).
223
8.8.2. La classification supervisée : un processus itératif
La mise au point d’une méthode de classification supervisée pour un cas particulier
nécessitera en général de réaliser une série de tests et de corriger itérativement la méthode
en fonction de la qualité des résultats obtenus. Cette méthode par essais-erreurs peut être
dirigée essentiellement par :
 Les résultats de la matrice de confusion obtenue lors de la validation: si la matrice de

confusion présente une confusion (erreurs de classification) trop importante entre 2
classes,
 L’analyse de la séparabilité spectrale des classes spectrales : si, à travers cette
analyse, l’opérateur se rend compte de l’impossibilité de distinguer avec
suffisamment de précision 2 classes spectrales,
Dans ces cas, une amélioration de la classification pourrait provenir de :
 La fusion des classes spectrales qui ne sont pas suffisamment séparables

 La subdivision de classes spectrales en classes spectrales plus spécifiques, dans le cas
où la classe spectrale initiale est trop large
 Le développement d’une stratégie complémentaire/alternative de
classification faisant appel par exemple à:
o des données auxiliaires (autres images satellites ou autres données) ou
o une autre méthode de classification (arbre de décision, autre algorithme de
classification, etc)
 La vérification et la correction éventuelle des ROI (« Region Of Interest ») de
calibration et de validation pour s’assurer que ceux-ci correspondent bien
uniquement aux classes spectrales qu’ils sont censés représenter.
8.8.3. Sélection des « ROI – Region Of Interest » de calibration ou aires

d’entrainement pour chaque classe : bonnes pratiques
La sélection des aires d’entrainement ou, en anglais, « ROI - Region Of Interest », de
CALIBRATION consiste en l’identification de pixels spectralement représentatifs de chaque
classe spectrale identifiée précédemment (confer section 8.7 page 207). Ces aires
d’entrainement permettront de « calibrer » votre classification. Les ROI sont généralement
sélectionnés à l’écran par, le plus souvent, la création d’un ou plusieurs « polygones » pour
chaque classe spectrale. Cependant des outils de dessins de type « ligne » ou « point »
peuvent également être utilisés si nécessaire. Les ROI peuvent également être directement
importés si par exemple ils ont été créés préalablement en format compatible avec un SIG
(shapefile, etc) lors d’une enquête de terrain avec relevé GPS. Les ROI de calibration seront
utilisés pour calculer une série de statistiques (variables selon l’algorithme de classification
224
choisi) caractérisant chaque classe spectrale, typiquement la moyenne, l’écart-type, les
minimum et maximum et de la sorte obtenir la « signature spectrale » de chaque classe
spectrale à partir des différentes bandes spectrales de l’image considérée.
Les aires d’entrainement doivent être représentatives de chaque classe spectrale

considérée. Voici quelques conseils pour la sélection des aires d’entrainement :
 Les ROI décrivant une classe spectrale donnée doivent être spectralement
(relativement) homogènes : ils ne peuvent pas s’étendre sur plusieurs classes
différentes (Figure 144-gauche et centre) et ne peuvent pas inclure de
« mixels » (pixel mixte couvrant plusieurs classes d’occupation du sol). Typiquement
les pixels se trouvant à l’interface de 2 classes d’occupation du sol sont à éviter. Par
exemple, lors de la sélection des ROI sur un fleuve, ne pas considérer des pixels à
cheval ou se trouvant top proche de la berge car leur réflectance sera/risque d’être
influencée par la berge (Figure 144-droite).
Figure 144 : Exemples de mauvaises zones d’entrainement ou ROI couvrant plusieurs classes
d’occupation du sol différentes ou incluant des « mixels » ou « pixels mixtes ».
 Il est souvent préférable que ces aires d’entrainement soient bien réparties sur toute
l’image. En effet, ceci permettra de prendre en compte :
o Les éventuels légers gradients de luminosité entre les différentes zones de

l’image (conditions atmosphériques, relief/exposition,…)
o Une légère différence spectrale entre une même classe d’occupation du sol
dans des régions différentes (gradient ou classes pédologiques, variation des
espèces végétales ou de leur état de développement, etc).
o …
225
 Il faut sélectionner un nombre suffisant de pixels dans les ROI d’une classe spectrale
donnée pour qu’ils soient REPRESENTATIFS de la classe spectrale considérée. Le
nombre de pixels nécessaire dépendra donc de la complexité spectrale de chaque
classe et de la complexité de l’image. Par exemple :
o Cas simple : une image ne comprenant comme occupation du sol que 2

classes spectralement contrastées, par exemple le désert et la mer, sera
extrêmement facile à classifier et cela pourra se faire avec peu de pixels (une
seule petite ROI par clase, contenant peu de pixels, suffira probablement vu la
différence spectrale très prononcée entre ces 2 classes d’occupation du sol).
o Cas complexe : à l’inverse une image présentant un mélange de végétation

naturelle et cultivée de différent types et à différents stades de
développement sera plus difficile à classifier car les classes d’occupation du
sol sont plus nombreuses, elles se ressemblent plus entre-elles et elles
présentent peut-être chacune une plus grande hétérogénéité spectrale. Dans
ce cas il sera nécessaire d’utiliser plus de pixels par classe afin que ces pixels
soient bien représentatifs de toutes les légères variations d’une classe
spectrale donnée et permettent de différencier au mieux les classes les unes
des autres.
 Le nombre de pixels de calibration pour une classe spectrale devrait idéalement

respecter la règle suivante :
o Un nombre de pixel supérieur à 10 * n où n est le nombre de bandes

spectrales considérées (Source : Cindy Schmidt, ARSET Applied Remote
Sensing Training, Land Cover Classification from Satellite Imagery,
http://arset.gsfc.nasa.gov). Le nombre optimal de pixels pour chaque classe
est compris entre 10n et 100n selon l’aide en ligne d’ArcGIS (Source :
https://desktop.arcgis.com/fr/arcmap/latest/extensions/spatial-
analyst/image-classification/image-classification-using-spatial-analyst.htm).
 La courbe de la distribution du nombre de pixels en fonction de leur réflectance

(pour une bande spectrale donnée) pour une classe spectrale (Figure 145) doit être
uni-modale (ou s’en rapprocher). Si elle est multimodale, ceci constitue une
indication que les pixels utilisés correspondent à plusieurs classes spectralement
distinguables avec autant de classes qu’il n’y a de modes dans la courbe. Un mode ou
une bosse dans la courbe identifie un sous-groupe de pixels qui présentent des
valeurs de réflectance similaires entre eux mais différentes des autres
modes/bosses/groupes de la courbe (dans la longueur d’onde considérée). Il est en
226
général préférable de créer une classe spectrale par mode/bosse/groupe de la
courbe (mais ceci pourrait être nuancé en fonction des « classes objectif » de la
classification).
Figure 145 : Courbes de la distribution de la fréquence des valeurs de pixels unimodale (vert) et tri-
modale (bleue). Axe X = valeurs des pixels, par exemple proportionnelles à de la réflectance. Axe y
= Nombre de pixels.
 S’il y a des nuages et qu’il n’ont pas fait l’objet d’un masquage préalable, faites une
classe spectrale « Nuages ».
8.8.4. Création des ROI de calibration dans SCP
8.8.4.1. Préalables à la création de ROI
8.8.4.1.1. Définir le « Jeu de bandes » à considérer pour la création des ROI
ATTENTION ! Avant de créer des ROI, il faut créer un « Jeu de bandes » et que ce jeu soit
repris dans l’onglet actif du menu « SCP > Jeu de bandes » : de cette manière, les
« signatures spectrales » seront calculées sur ce « Jeu de bandes ».
Si ce n’est pas encore fait, créez le « Jeu de bandes » se rapportant à l’image à classifier
via le menu QGIS :
 SCP > Jeu de bande
Ce « Jeu de bandes » doit inclure toutes les bandes spectrales utiles à la classification de
l’image.
La création d’un « Jeu de bandes » a déjà été expliquée en détails à la section 8.6.3 page
178.
 Cliquez sur l’onglet de ce « Jeu de bandes » pour l’activer via le menu « SCP > Jeu de
bandes »
227
Facultatif :
 Classez les bandes du « Jeu de bandes » par ordre croissant via le bouton
 Dans le menu « Paramètres rapides », si votre « jeu de bandes » correspond au type

d’image, au nombre et aux numéros de bandes et à l’ordre des bandes tels que défini
dans les valeurs prédéfinies du ce menu, vous pouvez éventuellement sélectionner le
paramétrage rapide correspondant à l’image sur laquelle vous travaillez. Ceci
permettra d’ajouter automatiquement au jeu de bandes les informations sur les
longueurs d’onde centrales (et ses unités) de chaque bande spectrale. Ces
informations seront utilisées ultérieurement lors de la réalisation des graphiques des
signatures spectrales (section 8.8.7 page 237). Vérifiez après-coup que les longueurs
d’ondes ajoutées sont bien correctes, et le cas échéant, corrigé, éventuellement
manuellement.
Une fois le « jeu de bandes » créé, affichez une composition colorée de l’image satellite à
classifier dans QGIS comme indiqué à la section 8.6.3.2 page 180.
8.8.4.1.2. Paramétrage des préférences SCR de QGIS
ATTENTION ! Avant de créer des ROI, il faut paramétrer les « Préférences » du projet QGIS
pour définir le Système de Coordonnées de Référence (SCR) qui sera attribué par défaut
aux fichiers vectoriels nouvellement créés.
Lors de la création d’un fichier de ROI dans SCP, qui est un fichier vectoriel, le système de
coordonnées de ce fichier sera automatiquement défini sur base des « Préférences »
paramétrées de votre projet QGIS.
Pour éviter un bug lors de la création des ROI dans SCP, il faut que le fichier vectoriel de ROI
automatiquement créé par SCP soit exprimé dans le même SCR que l’image à classifier et
que le projet QGIS lui-même (confer à ce propos la remarque importante de la section 8.3.2
page 131).
Paramétrez les préférences de votre projet QGIS comme souhaité via le menu QGIS
« Préférences » (Figure 146) :
 Préférences > Options > SCR > SCR pour les couches > SCR par défaut pour les
couches : indiquer : « SCR du projet : EPSG : 32635… » (l’EPSG 32635 est valable
pour l’exemple du manuel. A adapter si vous travaillez sur une autre zone d’étude
utilisant un autre SCR).
 Préférences > Options > SCR > SCR pour les couches > Quand une nouvelle couche
est créée ou… : indiquer « Utiliser le SCR du projet ».
228
Figure 146 : Paramétrage du menu QGIS « Préférences > Options > SCR > SCR pour les couches »
avant la création de ROI avec le plugin SCP.
8.8.4.2. Création d’un fichier de ROI dans SCP

ATTENTION ! Voir aussi les étapes préalables à la création de ROI à la section précédente :
section 8.8.4.1 page 227.
Pour rappel, en cas de nécessité consultez l’aide en ligne, notamment la page dédié à la
description du panneau « Menu CP » disponible ici :
Pour créer un fichier de ROI avec le plugin SCP de QGIS :
 Allez dans le panneau « Menu SCP > Entrée données entrainement > Créez une
nouvelle donnée d’entrainement via le bouton > Enregistrez dans votre
répertoire de travail et donnez un nom, par exemple
« ROI_LANDSAT_5_CALIBRATION.scp » (Figure 147).
Une couche vectorielle temporaire de polygones portant le nom attribué s’ajoute

automatiquement dans le panneau « Couches » de QGIS.
Attention, pour éviter toute perte de données, il ne faut pas éditer cette couche avec les
fonctions traditionnelles d’édition de QGIS mais uniquement via les outils du plugin SCP.
229
Figure 147 : Panneau « Menu SCP » du plugin SCP avec une série de ROI créés en vue de la
classification de l’image Landsat-5 (remarque : une classe spectrale « Nuages » aurait dû être
ajoutée à la liste des classes spectrales)
Pour dessiner une première ROI :
 Affichez une composition colorée de l’image à classifier dans l’interface de

visualisation spatiale de QGIS. Cette composition colorée doit provenir du « Jeu de
bandes » repris dans l’onglet actuellement actif dans le menu « SCP > Jeu de bandes
»
 Zoomez sur la zone d’intérêt où une ROI doit être créée
La création des ROI peut se faire via 2 outils de dessin:
 En dessinant manuellement un polygone via le bouton

o Clics gauche pour dessiner le polygone et clic droit pour terminer le polygone.
Pour créer un ROI multipart, c’est-à-dire composé de plusieurs polygones,
cliquez sur la touche « CTRL » du clavier avant chaque nouveau polygone.
« CTRL Z » pour supprimer le dernier polygone créé.
 En utilisant l’outil « Automatic region growing algorithm »
dont la description des différents
boutons apparait à leur survol
Ces boutons créent une « ROI temporaire » qu’il faudra ensuite sauvegarder.
Pour attribuer une classe à une ROI temporaire :
230
 Fenêtre « Menu SCP » > Entrée données entrainement > ROI & Liste des signatures >
et compléter « MC ID » et « Nom de MC », « C ID » et « Nom de C ».
 MC = « Macro Classe »
o MC ID : un numéro unique pour chaque macro classe. Plusieurs ROI peuvent
avoir le même MC ID.
o Nom de MC : nom de la MC
 C = « Classe spectrale »
o C ID : un numéro unique pour chaque classe spectrale. Plusieurs ROI peuvent
avoir le même C ID (auquel cas ils seront tous considérés pour définir la
signature spectrale de la classe « C ID »)
o Nom de C : nom de la classe spectrale
 Cette attribution peut se faire également après la sauvegarde de la ROI temporaire
en cliquant-gauche 2 fois espacées sur la case à modifier dans le tableau des ROI.
Remarque : les lettres reprises dans la colonne « Type » dans le panneau des ROI signifie :
 R = seulement un ROI polygone, sans signature spectrale calculée

 S = seulement une Signature spectrale, sans polygone
 R&S = ROI polygone et Signature spectrale
Pour sauvegarder une ROI temporaire :
 Clic sur (à cliquer après chaque dessin de ROI pour la sauvegarder et pouvoir
passer à la ROI suivante).
Pour supprimer une ROI :
 La sélectionner dans la table des ROI puis clic sur
Pour fusionner des ROI :
 Les sélectionner dans la table des ROI puis clic sur . Cette fonction n’est
probablement pas utile pour la classification en tant que telle mais se révèle
intéressante si vous désirez réaliser un graphique des signatures spectrales avec une
seule signature par classe spectrale (confer section 8.8.7 page 237).
Pour définir les couleurs des macro-classes et classes spectrales :
 Double-clic sur la couleur et ensuite choix de la couleur.
Conseils pour faciliter la création des ROI :
 Changer de compositions colorées et appliquer des améliorations de contraste afin

de de mieux distinguer les classes d’occupation du sol différentes (confer section
8.7.4 page 213)
231
 L’utilisation de données auxiliaires dont un fond de carte d’images satellites à très
haute résolution spatiale comme celles fournies par le service « Google Satellite » via
le plugin « QuickMapServices » (confer section 6.1 page 82) peut se révéler utile
pour faciliter la photo-interprétation de l’image satellite. Attention toutefois au
décalage temporel entre la date de l’image satellite à analyser et celle des images du
service « Google Satellite » (confer section 8.7.7 page 220).
En cas d’erreur ou de bug du plugin SCP pendant la création de ROI :
 Si un message d’erreur apparait lors de la création ou sauvegarde d’une ROI et que

vous ne comprenez pas ce qui pose problème, une solution radicale est de supprimer
le fichier de ROI en cours de création, dans l’interface QGIS et dans l’explorateur
Windows, et de recommencer la procédure en créant un nouveau fichier de ROI
portant un autre nom, avec éventuellement fermeture/réouverture du projet QGIS
entre-temps si nécessaire.
8.8.4.3. Sauvegarde / rappel de ROI

Les ROI créées pour un « Jeu de bandes » peuvent être sauvegardées et rappelées
ultérieurement dans le même projet QGIS ou un autre projet QGIS, sur le même « jeu de
bandes », ou sur un autre « Jeu de bandes » qui aurait les mêmes caractéristiques
spectrales, la même étendue et le même système de coordonnées de référence (SCR).
Pour sauvegarder des ROI :
 Lorsque « Sauvegarde auto » est coché

o Les ROI supplémentaires qui sont créés et enregistrés via le bouton sont
automatiquement sauvegardés dans le fichier de ROI « .scp » en cours
d’utilisation
o ATTENTION ! Mais il vaut mieux également sauver le projet QGIS pour que
les modifications apportées à la liste des signatures des ROI soient 100%
enregistrées dans le fichier de ROI « .scp » (extrait du manuel de SCP :
« Changes in the ROI Signature list are applied to the file Training input only
when the QGIS project is saved. »).
o Attention ! Si vous effacez les ROI de la table de ROI, cela les effacera
automatiquement du fichier de ROI courant et ils ne seront pas récupérables
 Le bouton « Créer une nouvelle donnée d’entrainement via le bouton >
Enregistrer dans votre répertoire de travail et donnez un nom »
o Permet d’enregistrer le fichier de ROI « .scp » en cours d’utilisation
 sous le nom courant,
 ce qui est inutile si « Sauvegarde auto » est coché,
 mais sera utile si « Sauvegarde auto » n’est pas coché
232
 sous un autre nom
o ATTENTION ! L’utilisation de cet outil semble parfois déboucher sur un
message d’erreur « Warning [22]: The coordinate system of training input is
different from the input image. Please create a new training input”. Ce
message apparait lorsque, après avoir créé un nouveau ROI1.scp via le bouton
ET avoir créé un ou plusieurs polygones ROI dans ce fichier ROI1.scp, l’on
tente de soit créer un autre ROI2.scp avec ou d’ouvrir un ROI3.scp
préexistant avec le bouton . Une solution est de fermer le projet QGIS et de
le ré-ouvrir : vous pourrez alors ré-ouvrir des ROI.scp préexistant sans
problème ou en créer un nouveau.
Pour rappeler des ROI créés et sauvegardés précédemment ou changer de jeu de ROI
lorsque plusieurs jeux de ROI sont disponibles :
 Utilisez le bouton « Ouvrir un fichier de données d’apprentissage »
8.8.5. Prévisualisation de la classification

Une prévisualisation de la classification peut être réalisée pour une petite zone de l’image
afin d’avoir un aperçu très rapide de la qualité de la classification pour une zone donnée
avant de lancer la classification sur l’ensemble de l’image (étape qui peut prendre plus de
temps) (Figure 148).
Remarque : les signatures spectrales des classes spectrales doivent avoir été calculées
(confer section 8.8.4.2 page 229).
Pour obtenir une prévisualisation de la classification :
 Menu SCP > Traitement de bande > Classification > (Figure 148)
o Sélectionner le numéro du jeu de bandes sur lequel s’applique la classification
o Choisir MC ID ou C ID en fonction du type de classe à utiliser pour la
prévisualisation
o Choisir l’algorithme de classification
 Dans le menu « Classification preview » de la barre d’outils SCP
o Cliquez sur puis sur l’endroit de l’image pour lequel vous voulez pré-
visualiser la classification et la prévisualisation apparait (Figure 148)
o Découvrez éventuellement l’utilité des autres boutons de prévisualisation en
les testant
o A tester avec MC ID puis C ID coché
233
Figure 148 : Aperçu de la classification pour une partie de l’image grâce à l‘outil de prévisualisation
de la classification du plugin SCP.
8.8.6. Application de la classification

Vient enfin l’étape tant attendue… l’application de la classification sur l’ensemble de l’image.
Pour ce faire :
 Menu SCP > Traitement de bande > Classification > interface à paramétrer comme
désiré, et dans le cadre de cet exercice (Figure 149) :
o Sélectionner le numéro du jeu de bandes sur lequel s’applique la classification
o Cochez « MC ID » pour que la classification représente les MC et pas les
classes spectrales.
o Choisir la méthode par « Maximum de vraisemblance » (à vous de tester les
autres méthodes et de comparer la qualité des résultats : il semblerait que la
méthode « Plus proche voisin » donne souvent de meilleurs résultats)
o Laissez les autres paramètres par défaut.
o Cliquez sur
o Choisir le répertoire et donner un nom à l’image en sortie
234
Figure 149 : Menu SCP > Traitement de bande > Classification
La classification se réalise.
 Landsat-5 : ~4 minutes
Attention ! L’algorithme de « maximum de vraisemblance » peut ne pas fonctionner pour les

classes dont les ROI présentent une variance spectrale de 0.
L’algorithme de classification selon le maximum de vraisemblance (« Maximum Likelihood »)

est appliqué à tous les pixels de l’image sur base des paramètres statistiques décrivant
chaque signature spectrale obtenue. La comparaison entre les valeurs de chaque pixel et les
signatures spectrales des différentes classes déterminera la probabilité d’appartenance du
pixel à chacune des classes. La classe présentant la probabilité maximum sera attribuée au
pixel considéré.
 Visualisez l’image classifiée, automatiquement ajoutée dans QGIS (Figure 150 et

Figure 151)
 Comparez visuellement l’image classifiée avec l’image de base pour évaluer la qualité
de la classification et identifier les erreurs éventuelles de votre classification, ce qui
vous permettra de l’améliorer éventuellement. L’extension QGIS (à installer) «
MapSwipe Tool » (confer section 5.2 page 63) peut éventuellement faciliter cette
comparaison visuelle.
235
Figure 150 : Premier essai de classification (de mauvaise qualité) de l’image Landsat-5
Figure 151 : Premier essai de classification (de mauvaise qualité) de l’image Sentinel-2 mosaïquée
236
8.8.7. Etude de la séparabilité spectrale des classes spectrales
La séparabilité spectrale des différentes classes spectrales peut être analysée afin de
quantifier/d’objectiver le caractère séparable ou non séparable de ces classes. 2 méthodes
sont disponibles dans QGIS :
 L’examen graphique des signatures spectrales de chaque classe spectrale

 Une série d’indices de séparabilité spectrale
Documentation officielle disponible ici :
237
8.8.7.1. Graphique des signatures spectrales
Un graphique des signatures spectrales peut se réaliser en
 Sélectionnant les ROI d’intérêt dans l’onglet « Entrée données d’entrainement »du
panneau « Menu SCP »
 Puis en cliquant sur le bouton « Ajouter les signatures spectrales surlignées au
graphique » pour créer les graphiques des signatures spectrales
Une fenêtre « SCP : Graphique signature spectrale » s’ouvre et son onglet « Graphique »
présente les signatures spectrales (Figure 152). Le bouton permet d’ajuster le graphique
correctement.
Si plusieurs ROI appartiennent à la même classe spectrale, leurs signatures spectrales

peuvent être fusionnées via le bouton du panneau « Menu SCP » et les ROI d’origine
décochés dans la table des ROI. Un ROI « merged… » apparaîtra pour les remplacer (Figure
152). Lors de l’examen des signatures spectrales et de l’analyse des indices de séparabilité
spectrale, veiller à décocher/ne pas considérer les ROI non pertinents si certains sont
remplaçables par leur signature spectrale fusionnée.
Figure 152 : Signatures spectrales de différentes classes d’occupation du sol dans le plugin SCP de
QGIS (après fusion des ROI correspondant à une même classe spectrale)
238
8.8.7.2. Indices de séparabilité spectrale
4 méthodes de mesures de la séparabilité spectrale sont proposées dans le plugin SCP :
Pour calculer la séparabilité spectrale :
 Dans la fenêtre « SCP : Graphique signature spectrale », cliquez sur le bouton

« Distance spectrale » pour obtenir une table avec les indices exprimant la
séparabilité spectrale des classes (Figure 153).
Figure 153 : Indices de séparabilité spectrale des classes 2 à 2
239
8.8.8. Classification rapide des nuages en vue de la réalisation d’un
masque de nuages amélioré
 Landsat-5 : à ne pas faire
 Sentinel-2 : la méthode décrite dans cette section a été utilisée pour créer les 2
masques de nuages améliorés pour les 2 images Sentinel-2. Ces masques sont
disponibles dans le dossier « …\DATA\IMAGES\SENTINEL_2\ » et s’appellent
SENTINEL_2_MASQUE_NUAGES_20180612.tif et
SENTINEL_2_MASQUE_NUAGES_20180707.tif et prennent pour valeurs 1 pour les
nuages et 2 pour le reste.
Comme mentionné à la section 8.6.9.3 page 189, un masque de nuages peut être réalisé par
classification de l’image présentant les nuages et devant être masquée.
Voici, pour information, la procédure qui a été suivie pour réaliser les masques de nuages
améliorés des images Sentinel-2.
Classification des nuages :
 Pour une question de rapidité d’exécution de la classification et d’efficacité, seule la

bande présentant le contraste le plus marqué entre le sol et les nuages sur les images
concernées, soit la bande 2 de Sentinel-2 (la bande du bleu) est utilisée.
 La bande 2 de réflectance, découpées spatialement et rééchantillonnées à 30 m est
utilisée
 Attention ! Il faut créer un jeu de bandes avec la bande 2 et que ce jeu soit l’onglet
actif dans le menu Jeu de bandes de SCP : de cette manière, les « signatures
spectrales » seront calculées sur ce Jeu de bandes
 Avant la création des ROI, il peut être utile de réaliser une amélioration de contraste
qui permette de distinguer les différentes occupations du sol
 2 Macro-classes sont créées : NUAGE et AUTRES
 Quelques ROI sont créés pour la macro-classe (MC ID) nuage avec l’outil « growing
region » afin de bien couvrir l’ensemble des nuages y compris les bords de nuages,
avec le même identifiant de classe spectrale (C ID) (Figure 154)
 Un grand ROI est créé rapidement pour chacune des autres classes avec comme MC
ID « AUTRE » et un C ID différent pour chaque classe spectrale différente (lac, forêt,
champs, ville) (Figure 154)
 La méthode de classification utilisant MC ID (NUAGE/AUTRE) avec l’algorithme du
« Plus proche voisin » est utilisée
240
 Un aperçu de la classification peut être utilisé pour vérifier la qualité obtenue. L’outil
« Map swipe tool » (plugin de QGIS) peut être utile pour comparer la
classification avec l’image de départ
 La classification est ensuite produite et sa qualité vérifiée visuellement (~1 minute)
Figure 154 : Création des ROI de calibration pour la classification des nuages (ancienne interface de
SCP)
La classification, si réussie, permet d’identifier les nuages beaucoup mieux que le masque de
nuages fourni avec les images Sentinel-2 1C. Cette classification ne sera cependant
certainement pas parfaite. Il convient dès lors de la raffiner, en fonction des défauts qu’elle
présente (trop ou trop peu de pixels classifiés comme nuage).
Pour raffiner cette classification, les techniques suivantes ont été utilisées (à adapter selon
la qualité de classification obtenue):
 Menu QGIS Raster > Analyse > Tamiser… (Figure 155)

o A utiliser lorsque des pixels isolés sont à faire changer de classe : certains
pixels clairs (villes, lit de rivière) et souvent isolés sont parfois identifiés
comme nuages.
o Cet outil permet de faire disparaitre les petites tâches de pixels (trop petites
que pour être un nuage) d’une classe dans une autre classe voisine (très
rapide) (valeur seuil de 8 et connectivité de 8)  les pixels isolés classifiés
comme NUAGE deviennent AUTRE.
o (la fonction similaire de SCP (cribler/sieve) prend trop de temps à s’exécuter)
241
Figure 155 : Outils de tamisage de QGIS (pour fusionner les petits groupes de pixels isolés avec la
classe voisine majoritaire)
 Menu SCP > Post-traitement > Dilater la classification (Figure 156)

o permet de faire « gonfler » une classe. A utiliser par exemple si les bords de
nuages ne sont pas bien identifiés mais les centres de nuages oui.
o paramétrage : taille de pixel = 5 et nombre de pixels voisins = 8. Dans le raster
résultant : 1 = masque, 2 = pas masque. Ce raster peut être appliqué comme
masque sur les bandes spectrales d’une image, comme indiqué à la section
8.6.9.4 page 193.
Figure 156 : Outil de dilation de classification utilisé pour dilater la classe nuage (ancienne interface
de SCP)
242
L’image résultante est inspectée visuellement pour estimer la qualité d’identification des
nuages.
Faire des tests en modifiant le paramétrage si le résultat n’est pas satisfaisant.
L’identification des nuages est de loin meilleure à celle fournie dans le fichier vectoriel initial
(Figure 157).
Image Sentinel-2 20180707 bande bleue Image Sentinel-2 20180707 bande bleue
avec masque de nuages vectoriel fourni
avec l’image
Classification de l’image Sentinel-2 Dilatation de la classification de l’image

20180707 bande bleue en NUAGE / AUTRE Sentinel-2 20180707 bande bleue en NUAGE
/ AUTRE
Figure 157 : Elaboration du masque de nuages améliorés pour l’image Sentinel-2 20180612
Sentinel-2 20180612 Sentinel-2 20180707
Figure 158 : Masques de nuages améliorés résultant de la classification et raffinement pour les 2
images Sentinel-2
243
8.9. Amélioration de la classification par reclassification
conditionnelle et données auxiliaires
8.9.1. Introduction
Une classification existante peut être modifiée/améliorée par reclassification de certains
pixels sur base d’une comparaison avec les valeurs de pixels d’autres rasters.
Dans le cadre de cet exercice, nous appliquerons 2 reclassifications conditionnelles (Figure

159):
 Reclassification de « forêt normale » en « forêt d’altitude »

o Les pixels classifiés comme « forêt » seront reclassifiés en « forêt d’altitude »
si les pixels correspondant du raster d’altitude ont une valeur > 2400 m
o Un raster d’altitude sera utilisé (MNT SRTM)
 Reclassification de « forêt normale » en « forêt riveraine »
o Les pixels classifiés comme « forêt » seront reclassifiés en « forêt riveraine »
(proche des cours d’eau) si les pixels correspondant du raster de proximité
aux rivières = 1, ce qui signifie que ces pixels sont à ≤ 60 m d’une rivière
o Un raster exprimant la proximité aux rivières (zone tampon de 60 m) sera
utilisé
Reclassification conditionnelle multi-temporelle (non effectuée dans le cadre de cet

exercice) :
Il peut être intéressant dans certains cas de reclassifier une classification sur base d’une
autre classification de la même zone mais d’une autre date. Par exemple la classe « forêt »
de la classification correspondant au temps 2 pourrait être reclassifiée en :
 « forêt ancienne » si une forêt existait déjà au temps 1 (40 ans plus tôt par exemple)
 « forêt jeune » s’il n’y avait pas de forêt au temps 1
8.9.2. Préparation des données auxiliaires contenant les paramètres utiles

à la reclassification conditionnelle
Dans le cadre de cet exercice, ces données auxiliaires ont déjà été préparées et sont
présentées aux sections suivantes :
 Section 8.4.2.1 Raster d’altitude, page 135

 Section 8.4.2.2 Raster de proximité aux rivières, page 141
244
8.9.3. Reclassifications conditionnelles en pratique
Pour reclassifier des pixels d’une classification en fonction des valeurs que prennent un ou
plusieurs autres rasters, utilisez le :
 Menu QGIS SCP > Calcul de bande > Règles de décision (Figure 159)
Il faut que les rasters contenant les paramètres utiles à la reclassification conditionnelle
soient présents dans le projet QGIS et donc visible dans la « Liste de bandes » de cette
fenêtre.
La colonne « Valeur » contient la nouvelle valeur à appliquer au raster reclassifié si la

condition reprise dans la colonne « Règle » et basée sur d’autres rasters est vérifiée.
La reclassification est en générale très rapide et un raster reclassifié est créé.
 Adaptez la symbologie du raster reclassifié en attribuant une couleur pertinente aux

éventuelles classes nouvellement créées (confer section 4.8.2.1 page 48) en utilisant
une symbologie de type « Palette/Valeurs uniques »
(Figure 160).
Figure 159 : Reclassification conditionnelle d’une classification avec l’outil « Règles de décision » de
SCP (raster19 = la classification, raster59 = MNT et raster29 = raster de proximité aux rivières (zone
tampon de 60 m) (ancienne interface de SCP)
245
Figure 160 : Classification avant (gauche) et après (droite) reclassification conditionnelle faisant
apparaitre les forêts d’altitude (vert clair en montagne) et les forêts riveraines (encadré)
Figure 161 : 1ère classification de l’image Sentinel-2 mosaïquée avec reclassification conditionnelle
pour les forêts d’altitude et riveraines
246
8.10. Post-traitements d’une image classifiée pour en
améliorer le rendu visuel ou la raffiner
Plusieurs opérations de post-traitement peuvent être appliquées sur une image classifiée en
vue d’en améliorer le rendu visuel, de corriger certaines erreurs ou de parfaire la
classification, par exemple :
 Pour changer les couleurs de certaines classes

o Clic droit sur la classification dans le panneau « Couches » de QGIS >
Propriétés… > Symbologie
o Choisissez des couleurs intuitives pour chacune des classes (par exemple :
vert foncé pour la classe « forêt », bleu pour la classe « eau », etc.)
 Pour fusionner différentes classes
o SCP > Post-traitement > Reclassification
 Pour éditer un raster
o SCP > Post-traitements > Editer raster
 Pour diminuer l’effet poivre et sel typique d’une classification par pixel* (Figure
162)
o SCP > Post-traitements >
 Cribler la classification : pour fusionner les pixels isolés avec la classe
majoritaire environnante
o Menu QGIS Raster > Analyse > Tamiser…
 Pour éroder ou dilater frontières de groupes de pixels d’une classe*
o SCP > Post-traitements >
 Eroder la classification : pour éroder/réduire les frontières de groupes
de pixels d’une classe
 Dilater la classification : pour dilater les frontières de groupes de pixels
d’une classe
*Attention, l’application de ce type de filtre modifie la classe attribuée à certains pixels et

donc mène à une classification en définitive moins en phase avec l’appartenance spectrale
de ces pixels aux classes spectrales telle que définie par l’algorithme de classification utilisé
(par exemple : l’algorithme de classification par maximum de vraisemblance). Ce type de
filtre peut être utile si l’opérateur désire « lisser visuellement » la classification ou
« raffiner » la classification si le filtre est considéré comme une règle de classification à part
entière.
247
Figure 162 : Exemple de l’effet de l’application d’un filtre majoritaire ou tamisage sur une
classification: à gauche : classification originale avec petits groupes de pixels isolés (=effet
ressemblant à un mélange de grains de poivre et de sel); à droite : classification filtrée (filtre
majoritaire) ou tamisée avec les petits groupes de pixels isolés qui ont été fusionnés dans la classe
majoritaire voisine (outils utilisé : « Tamiser » de QGIS avec un seuil de 4).
248
8.11. Evaluation de la précision de la classification par
« matrice de confusion » ou « table de contingence »
8.11.1. Considérations générales sur l’évaluation de la qualité d’une

classification
8.11.1.1. Evaluation de la qualité d’une classification et notions de calibration

vs validation
La qualité d’une classification peut être évaluée par 2 méthodes principales (Figure 163):
 Une comparaison visuelle entre la classification et une donnée de référence qui peut
être l’image ayant servi à la classification, une autre classification, une autre données
qui contient une information sur l’occupation du sol.
o Avantage : rapide, peut donner un rapide aperçu général de la qualité de la
classification
o Désavantage : peut être assez subjective et difficile à mener en détails si la
zone à observer est grande et les classes nombreuses et présentant une
configuration spatiale complexe, par exemple via l’enchevêtrement de
nombreuses petites classes sous forme de zones irrégulières (versus
répartition claire de peu de classes sous forme de grandes zones régulières)
 L’utilisation d’une « matrice de confusion » ou « table de contingence »
o Avantage : est plus objective car elle permet de quantifier la précision
obtenue à travers une série d’indicateurs chiffrés (précision globale, précision
classe par classe, etc) (confer plus loin). A la condition que l’échantillonnage
soit correctement réalisé, la matrice de confusion permettra une estimation
de la qualité réelle de la classification (pas de sous-/sur-estimation de la
qualité)
o Désavantage : prend plus de temps à réaliser car il faut créer/échantillonner
les zones de validation et leur attribuer une classe
Lors de la réalisation d’une classification supervisée avec estimation de la qualité de la

classification par matrice de confusion, 2 types de ROI (Region Of Interest) sont créés, ce qui
entraine généralement une certaine confusion dans la compréhension des apprenants. Il est
important de bien comprendre la distinction entre (Figure 163):
 Les ROI de CALIBRATION : elles sont utilisées pour CALIBRER la classification, c’est-à-
dire pour calculer les signatures spectrales de chaque classe spectrale qui seront
ensuite utilisées pour attribuer une classe à chacun des pixels de l’image au moment
de la classification
249
 Les ROI de VALIDATION : elles sont utilisées pour VALIDER/ESTIMER LA QUALITE de
la classification, via la production d’une matrice de confusion, et par COMPARAISON
(au sein des ROI de validation) entre:
o l’occupation du sol « classifiée » ou « prédite » de la CLASSIFICATION et
o l’occupation du sol associée aux zones de validation lors de la création des
ROI de VALIDATION
La matrice de confusion est donc calculée UNIQUEMENT sur base des zones de l’image
classifiée identifiées dans les ROI de VALIDATION, d’où l’importance que celles-ci soient
suffisamment nombreuses que pour être représentatives de la qualité de l’ensemble de la
classification.
250
Figure 163 : Principes de calibration et validation d’une classification supervisée
251
8.11.1.2. Stratégies d’échantillonnage des zones de validation (ROI de
validation)
Stratégies d’échantillonnage
Diverses stratégies de sélection (échantillonnage) des zones de validation existent :
 Echantillonnage dirigé : les points sont positionnés à des endroits choisis par
l’opérateur. Cette méthode n’est pas idéale car l’opérateur aura naturellement
tendance à choisir pour la validation des zones qu’il peut facilement photo-
interpréter et qui sont probablement plus facilement classifiables que d’autres. Ceci
aura pour conséquence de fausser les résultats de la validation en présentant une
précision de classification surestimée. Il est préférable que les points soient
positionnés aléatoirement.
 Echantillonnage aléatoire simple : les points sont positionnés aléatoirement dans
l’espace
 Echantillonnage aléatoire stratifié (méthode utilisée dans le cadre de cet exercice) :
un certain nombre de points, en partie proportionnel à la superficie de chaque classe,
est positionné aléatoirement au sein de chaque classe
 Echantillonnage régulier ou systématique sous forme de grille régulière ou de
transects : les points sont positionnés selon une grille ou un transect (ligne)
 Echantillonnage spatialement conditionné par l’accessibilité des zones sur le
terrain : par exemple, positionnement des points le long de/à proximité des voies de
communication (route, chemin, rivière) ou en évitant des zones d’insécurité, ou trop
difficilement accessibles.
Le choix de la méthode d’échantillonnage sera notamment dépend de la possibilité/facilité

de photo-interpréter l’image et de faire des relevés de terrain. Si la photo-interprétation
n’est pas possible/suffisante, une enquête de terrain peut être effectuée. Des considérations
d’ordre logistiques peuvent alors rentrer en ligne de compte : nombre de jours, budget,
hommes, équipement disponibles, etc.
Représentativité des zones de validation
Il faut veiller à ce que les zones de validation soient suffisamment nombreuses et réparties
de manière homogène sur la carte AFIN QUE CELLES-CI PERMETTENT DE CALCULER UNE
MATRICE DE CONFUSION QUI SOIT BIEN REPRESENTATIVE DE LA PRECISION DE
CLASSIFICATION DE L’ENSEMBLE DE L’IMAGE. Par exemple, si vous utilisez une seule petite
zone de validation pour une classe donnée et que par chance tous les pixels de cette zone
sont bien classés, la précision de classification obtenue pour cette classe par la matrice de
confusion sera de 100% alors qu’il est probable que d’autres pixels appartenant à cette
classe à d’autres endroits de l’image soient eux mal classifiés. Dans ce cas votre zone de
252
validation ne sera pas représentative de l’ensemble de la classe d’occupation du sol et
l’estimation de la précision de classification de cette classe sera donc faussée.
Classe inconnue ?
S’il existe des zones de validation pour lesquelles la classe d’occupation du sol réelle n’est
pas connue (photo-interprétation trop difficile, pas d’information venant du terrain, etc) il
devient impossible d’en réaliser la validation. A l’opérateur alors d’estimer si ces zones sont
négligeables (par exemple parce qu’elles couvrent un très faible pourcentage de la surface
de l’image), ou pas, et de documenter les limitations de la méthode de validation utilisée.
Outils d’échantillonnage dans QGIS
 Outils de base de QGIS : plusieurs fonctions de QGIS permettent de générer des

points positionnés aléatoirement « Points aléatoires… » ou selon une grille « Points
réguliers » (voir le menu « Traitement > Boite à outils > Création de vecteurs »).
 Plugin SCP : la fonction « Création de ROI multiples » du plugin SCP permet de
générer un certain nombre de points positionnés aléatoirement au sein d’une classe
d’occupation du sol d’un raster (confer section 8.11.2).
8.11.1.3. De la qualité d’une classification

Il n’y a pas vraiment de règle absolue définissant une valeur seuil à atteindre qui
caractériserait une bonne/mauvaise classification.
La qualité de la classification devra être appréciée au cas par cas en fonction :
 Des objectifs de la classification

o Toutes les classes sont-elles réellement d’intérêt ou d’égale importance?
o Quel niveau de précision souhaitez-vous atteindre ? Globalement et classe
par classe.
o Parfois il est important qu’une classe donnée ne contienne aucun intrus,
c’est-à-dire que l’on soit certain que tous les pixels classifiés dans cette classe
appartiennent effectivement (dans la réalité) à cette classe (0% d’erreur de
commission), mais il peut être toléré que certains pixels appartenant
effectivement (dans la réalité) à cette classe soient classés dans une autre
classe (erreur d’omission), et inversement.
 De la difficulté de la classification
o Une classification plus ambitieuse tentant d’identifier des classes plus
précises (par exemple, différencier différents types de végétation verte :
bananier, palmier, couvert herbacé, autres cultures) sera plus difficile à
réaliser, et obtiendra donc une précision de classification moindre, qu’une
253
classification simpliste ne considérant que quelques classes fortement
contrastées (par exemple, les classes sol nu, végétation, eau)
 Du nombre de classes considérées
o Une précision globale de 50% pour une classification ne considérant que 2
classes, équivaut à une classification aléatoire des pixels (1 chance sur 2
d’être correctement classifié)
o Une précision globale de 50% pour une classification considérant 10 classes,
représente déjà un certain niveau de qualité de classification
 De la surface relative des différentes classes
o Par exemple, une petite imprécision sur une classe couvrant 90% de la zone
étudiée aura peut-être plus d’importance qu’une grande imprécision sur une
classe ne couvrant que 5% de la zone.
8.11.2. Validation par échantillonnage stratifié aléatoire
8.11.2.1. Ressources complémentaires

Pour un tutoriel plus complet et plus détaillé sur la validation par échantillonnage stratifié
aléatoire avec le plugin SCP de QGIS, le lecteur est renvoyé au tutoriel officiel du plugin
SCP « Tutorial : Accuracy Assessment of a Land Cover Classification » disponible ici :
 https://fromgistors.blogspot.com/2019/09/Accuracy-Assessment-of-Land-Cover-
Classification.html
8.11.2.2. Les grandes étapes
 Calcul du nombre de ROI de validation par classe (en partie proportionnel à la

superficie des classes)
 Création des ROI de validation aléatoirement positionné au sein de chaque classe
 Attribution des classes à ces ROI de validation par photo-interprétation (ou autre
méthode)
 Calcul de la matrice de confusion et autres statistiques
 Interprétation de la matrice de confusion et autres statistiques
8.11.2.3. Calcul du nombre de points de validation par classe

Une méthode pour calculer le nombre de points de validation total à considérer ainsi que
leur répartition par classe est proposée dans le tutoriel qui est disponible ici :
 https://fromgistors.blogspot.com/2019/09/Accuracy-Assessment-of-Land-Cover-
Classification.html
254
Dans le cadre de cet exercice, par soucis de simplification et de rapidité, une approche
simplifiée est proposée.
Le nombre de point total à utiliser pour la validation (N) sera arbitrairement fixé à 100 (ce
qui peut être considéré comme très peu). Dans une situation réelle il faudra suivre les
recommandations du tutoriel de SCP pour calculer le nombre de points total (N) !
La répartition de ces 100 points au sein des différentes macro-classes que l’on veut valider
se fera selon la règle proposée dans le tutoriel de SCP, à savoir :
𝑁
+ 𝑁 ∗ 𝑊𝑖
𝑁𝑖 = ( 𝑐 )
2
Où :
 Ni est le nombre de point de validation d’une classe i donnée

 N est le nombre de points de validation total
 c le nombre de macro-classes à valider
 Wi le pourcentage surfacique de chaque classe dans l’image classifiée
Ni correspond à la valeur moyenne entre une distribution égale du nombre de points entre
chaque classe (N/c) et une distribution directement proportionnelle à la superficie de
chaque classe (N*Wi).
Par exemple, pour l’image Landsat-5 :
 N = 100
 c = nombre de MC = 8 (ne pas considérer la classe « 0 - Unclassified »)
 Wi peut être obtenu via le
o Menu SCP > Post-traitement > Rapport de classification
 Sélectionner la classification à valider
 Lancer le calcul et choisir le répertoire de sortie + donner un nom au
fichier texte csv produit, par exemple
« Rapport_de_classification_Landsat5.csv »
 Wi correspond à la colonne « Percentage % » du fichier csv produit.
 Le nombre de pixels par classe (Ni) peut ensuite être facilement calculé selon la
formule reprise ci-dessus et implémentée dans la feuille Excel « Calcul
échantillonnage stratifié pour validation.xlsx » disponible dans le dossier « DATA »
de cet exercice (Figure 164). Vous adapterez cette feuille Excel en fonction du
nombre de classes considérées, de leur Wi et éventuellement du N que vous avez
choisi ou calculé.
255
Figure 164 : Calcul du nombre de points de validation par classe directement en partie
proportionnel à la superficie de chaque classe (échantillonnage stratifié) dans la feuille Excel «
Calcul échantillonnage stratifié pour validation.xlsx »
8.11.2.4. Création des points de validation
 Créez un nouveau « Jeu de bandes » qui contient l’image classifiée à valider

o Menu : SCP > Jeu de bandes (confer indications à la section 8.6.3 page 178)
o Remarque : en général, une image classifiée est un raster contenant une seule
bande
 Créez un nouveau fichier de ROI qui recevra les ROI de validation
o Fenêtre « Menu SCP » > Entrée données entrainement > > choisir le
répertoire et donner un nom, par exemple
« ROI_LANDSAT_5_VALIDATION.scp »
 Créez les points de ROI localisés aléatoirement au sein de chacune des classes
o Barre outils SCP : mettre « Min » et « Max » à 1 : cette valeur, définissant la
taille min et max des ROI de validation à créer, sera automatiquement
considérée lors de la création des ROI par l’outil de « création de ROI
multiples » (confer ci-dessous). Dans ce cas-ci nous voulons générer des ROI
de taille = 1 pixel.
o Fenêtre « Menu SCP » > Entrée données d’entrainement > ROI & Liste des
signatures : renseigner “MC ID” = 0, “Nom de MC” vide, “C ID” = 0, et “Nom
256
de C” vide. Ces valeurs seront automatiquement reprises pour tous les ROI de
validation générés dans l’étape suivante. Ces valeurs devront être ensuite
éditées via photo-interprétation. Indiquer une valeur de 0 ou vide permettra
de distinguer plus facilement les ROI déjà édités de ceux non encore édités.
o SCP > Outils basic > Création de ROI multiples (Figure 165)
 Paramétrez la fenêtre comme désiré pour la création des ROI de
validation d’une classe donnée. Un exemple est donné dans la Figure
165 et sa légende.
 « Nombre de points » correspond au Ni calculé précédemment.
 Cliquez sur ce qui créé les points et les affiche dans la
table
 Répéter l’opération pour toutes les macro-classes en adaptant à
chaque fois le nombre de points à créer et la valeur du raster de
classification qui désigne la classe concernée (Figure 164)
 Décocher « Calculer les signatures » (car pas besoin)
 Lancer la création
 (Attention ! Il faut que la classification et le projet QGIS soient dans le
même SCR !, Confer section 8.3.2 page 131)
 Les points créés viennent s’ajouter dans la Fenêtre « Menu SCP » >
Entrée données d’entrainement > ROI & Liste des signatures avec dans
la colonne « Type » : ROI ( = sans signature spectrale calculée) (Figure
166) mais avec un « MC ID » et « C ID » = 0 et sans « Nom ».
257
Figure 165 : Fenêtre « SCP > Outils basic > Création de ROI multiples ». La paramétrisation de cet
exemple a créé 14 points dans la classe correspondant à une valeur de pixel de 6 dans le raster de
la classification qui est repris dans le « Jeu de bandes » numéro 3.
8.11.2.5. Attribution des classes aux ROI de validation via photo-

interprétation (ou autre technique)
 Affichez dans QGIS une composition colorée de l’image utilisée pour produire la
classification à valider ou une autre source d’information qui pourrait être utilisée
pour attribuer les classes aux ROI de validation
 Fenêtre « Menu SCP » > Entrée données d’entrainement > ROI & Liste des
signatures (Figure 166)
o Double-cliquez sur une ligne de la table des ROI de validation pour zoomer
automatiquement sur ce ROI
o Dé-zoomez ensuite jusqu’à être capable d’identifier par photo-interprétation
la classe correspondante à ce pixel
o Entrez les « MC ID » (et « C ID » éventuellement, ce qui n’est pas nécessaire si
vous faites une validation sur les MC uniquement) dans la table des ROI pour
le ROI considéré en cliquant UNE FOIS de plus sur la cellule à éditer
o Répétez l’opération pour tous les ROI de validation
o Si un pixel est un mixel (pixel composé de plusieurs occupations du sol) une
solution approximative est de considérer la classe la plus importante en
surface dans le pixel
o Si la photo-interprétation n’est pas possible, soit attribuez la classe la plus
probable, soit attribuez un nouveau code MC ID qui identifiera les pixels non
photo-interprétables (méthode non encore testée).
258
o Le fichier de ROI est sauvegardé automatiquement si la case correspondante
est cochée.
Figure 166 : Attribution des identifiants des macro-classes (« MC ID ») aux points de validation
(générés de manière aléatoire stratifiée) par photo-interprétation. Les points de validation
correspondent aux pixels noirs dans l’interface de visualisation spatiale de QGIS. Dans cette
illustration, seuls 2 ROI de validation ont déjà reçu un MC ID (de 3 et 5).
8.11.2.6. Création de la matrice de confusion (avant et après regroupement

des classes et/ou post-traitements)
Pour créer la matrice de confusion
 SCP > Post-traitement > Précision

o Paramétrer comme dans la Figure 167
 Vecteur de référence = le nom du fichier de ROI de validation
o Lancez et choisir le répertoire de sortie et donner un nom, par exemple
« Validation_Précision_Landsat5 » qui sera utilisé pour produire :
 Un fichier CSV contenant la matrice de confusion et les statistiques
dérivées (Figure 168): à interpréter ! Confer sections suivantes.
 (Une image d’erreur dont la valeur des pixels correspond à un code
d’erreur « ErrorMatrixCode » tel qu’identifié dans le fichier CSV.)
o Les résultats de l’analyse de précision apparaissent aussi dans la partie
« Sortie » de l’interface du menu « Precision » (Figure 168).
259
Figure 167 : Paramétrage de la création de la matrice de confusion
Figure 168 : Matrice de confusion produite et les statistiques dérivées. (Remarque : cette matrice
de confusion n’a pas été créée avec un N (nombre de points de validation théorique total (confer
section 8.11.2.3)) = 100 mais avec un N = 50 lors d’un essai préalable. Normalement un N = 100
aurait dû être utilisé pour cette illustration pour être raccord avec le reste des explications).
(Ancienne interface de SCP)
La matrice exprimée en « pixel count », c’est-à-dire en nombre pixels, est plus facilement
interprétable pour une première approche.
La matrice « area based error matrix » est exprimée en pourcentage de la surface totale de
l’image classifiée et c’est cette matrice qui est utilisée pour dériver les paramètres
d’évaluation de la précision de la classification dans SCP. Quelques informations sont
disponibles à ce propos dans la documentation officielle en ligne.
260
La manière d’interpréter une matrice de confusion est présentée en détails dans la section
suivante 8.11.2.7 page 262.
261
8.11.2.7. Matrice de confusion : construction et interprétation, un exemple
illustré
Considérons une image satellite couvrant une zone d’étude caractérisée par 3 types d’occupation
du sol à identifier par classification:
 Eau (rivière, étang)
 Prairie

Matrice de confusion : construction et interprétation (1/4)
Forêt
L’image est classifiée et des zones de validation (ou « Ground truth Region Of Interest ») sont
créées pour chacune des classes d’occupation du sol (Figure 169). Ces zones correspondent à des
régions pour lesquelles l’occupation du sol est connue avec certitude, soit via photo-
interprétation, soit via enquête de terrain avec relevés GPS par exemple. La précision de la
classification de l’ensemble de l’image est ensuite évaluée en comparant, dans ces zones de
validation, l’occupation du sol réelle (définie par l’opérateur) avec celle identifiée par le processus
de classification.
Figure 169 : Image classifiée de la zone d’étude. Les encadrés noirs correspondent aux zones de
validation ou « Ground truth Region Of Interest ». Les classes auxquelles sont assignées chacune de ces
zones de validation sont mentionnées au-dessus des encadrés.
262
La matrice de confusion (ou « table de contingence ») (Figure 170) permet d’évaluer la précision
de la classification (de manière globale et pour chacune des classes). Elle est calculée à partir des
pixels correctement/incorrectement classifiés dans les zones de validation mais est sensée être
représentative de la précision de la classification de l’ensemble de l’image. D’où l’importance de
créer suffisamment de zones de validation, correctement réparties sur l’ensemble de l’image, et
reprenant l’ensemble des réalités spectrales de chacune des classes de l’image (exemple : créer
des zones de validation de la classe forêt dans les différents massifs forestiers de l’image qui
présentent probablement de petites nuances spectrales (variation de l’exposition, des essences,
de l’ensoleillement, etc).
Les zones utilisées pour la validation sont :

 2 zones de validation pour la classe « Eau », composées de 17 pixels au total
 4 zones de validation pour la classe « Prairie », composées de 33 pixels au total
 4 zones de validation pour la classe « Forêt », composées de 30 pixels au total
La matrice de confusion associée à cette classification est reprise à la Figure 170.
Zones de validation
Erreurs de Précision
Eau Prairie Forêt Total
commission d’utilisation
Eau 17 0 1 18 1/18 (6%) 17/18 (94%)
Classification
Prairie 0 27 3 30 3/30 (10%) 27/30 (90%)

Forêt 0 6 26 32 6/32 (19%) 26/32 (81%)
Total 17 33 30 80
Erreurs 0/17 6/33 4/30 Erreur globale :
d’omission (0%) (18%) (13%) 10/80 (12,5%)
Précision de 17/17 27/33 26/30 Précision globale :
production (100%) (82%) (87%) 70/80 (87,5%)
Figure 170 : Matrice de confusion associée à la classification de la Figure 169.
La structure (dans cet exemple-ci) de la matrice de confusion est la suivante :

 Une colonne de la matrice fait référence aux zones de validation de la classe identifiée par
cette colonne et permet de calculer l’erreur d’omission de cette classe
 Une ligne de la matrice fait référence aux pixels classifiés dans la classe identifiée par cette
ligne (dans les zones de validation de l’ensemble des classes) et permet de calculer l’erreur
de commission de cette classe
 La diagonale de la matrice de confusion représente tous les pixels correctement classifiés :
pixels déclarés (par la création des zones de validation) comme appartenant à une classe
et classifiés par le logiciel dans cette classe
 La somme des totaux par lignes ou par colonnes correspondent à la somme des pixels de
l’ensemble des zones de validation de l’ensemble des classes.
263
Les erreurs d’omission :
L’erreur d’omission d’une classe donnée est calculée en divisant le nombre total de pixels
incorrectement classifiés dans les zones de validation de cette classe (« omis » de la classe
étudiée) par le nombre total de pixels des zones de validation de cette classe. Dans la matrice de
confusion, ce calcul s’effectue sur base de la colonne correspondant à la classe étudiée.
 « Eau » : 0 pixel n’ont été mal classifiés sur les 17 pixels des zones de validation de la classe
« Eau », soit 0/17 = 0% d’erreur d’omission (0% des pixels des zones de validation de la
classe « Eau » n’ont été omis de la classe « Eau »)
 « Prairie » : 6 pixel ont été mal classifiés (dans la classe « Forêt ») sur les 33 pixels des
zones de validation de la classe « Prairie », soit 6/33 = 18% d’erreur d’omission (18% des
pixels des zones de validation de la classe « Prairie » ont été omis de la classe « Prairie »
(et classifié dans la classe « Forêt ») alors qu’ils auraient du être classifiés dans la classe
« Prairie »)
 « Forêt » : 4 pixel ont été mal classifiés (dans les classes « Eau » et « Prairie») sur les 30
pixels des zones de validation de la classe « Forêt », soit 4/30 = 13% d’erreur d’omission
(13% des pixels des zones de validation de la classe « Forêt » ont été omis de la classe
« Forêt » (et classifié dans les classes « Eau » et « Prairie») alors qu’ils auraient du être
classifiés dans la classe « Forêt »)
Les précisions de production :
La précision de production d’une classe donnée est calculée en divisant le nombre total de pixels
correctement classifiés dans les zones de validation de cette classe par le nombre total de pixels
des zones de validation de cette classe. Elle est égale à (1-l’erreur d’omission).
La précision de production mesure la probabilité que le processus de classification ait classifié un

pixel se trouvant dans une zone de validation d’une certaine classe dans cette classe.
Autrement dit :
Probabilité qu’un pixel qui appartient réellement (dans le monde réel) à une classe « a » ait été
classifié dans cette classe « a ».
Autrement dit :
« En tant que producteur d’une classification (celui qui réalise la classification), je me demande,
pour un pixel appartenant réellement à la classe « a » (dans le monde réel), quelle est la
probabilité qu’il ait été classifié dans la classe « a » ? »
Les erreurs de commission :
L’erreur de commission d’une classe donnée est calculée en divisant le nombre total de pixels
incorrectement classifiés dans cette classe dans les zones de validation des autres classes (erreur
« commise dans les autres classes ») par le nombre total de pixels classifiés dans cette classe sur
l’ensemble des zones de validation de l’ensemble des classes. Dans la matrice de confusion, ce
calcul s’effectue sur base de la ligne correspondant à la classe étudiée.
 « Eau » : 1 pixel a été mal classifié (en tant que « Eau ») alors qu’il appartient (d’après les
zones de validation) à d’autres classes (ici, la classe « Forêt »), sur un total de 18 pixels
classifiés dans la classe « Eau » dans l’ensemble des zones de validation de l’ensemble des
classes, soit 1/18 = 6% d’erreur de commission (6% des pixels classifiés dans la classe
« Eau » appartiennent en réalité à d’autres classes (ici la classe « Forêt»)
264
 « Prairie » : 3 pixels ont été mal classifiés (en tant que « Prairie ») alors qu’ils
appartiennent (d’après les zones de validation) à d’autres classes (ici, la classe « Forêt »),
sur un total de 30 pixels classifiés dans la classe « Prairie » dans l’ensemble des zones de
validation de l’ensemble des classes, soit 3/30 = 10% d’erreur de commission (10% des
pixels classifiés dans la classe « Prairie » appartiennent en réalité à d’autres classes (ici la
classe « Forêt»)
 « Forêt » : 6 pixels ont été mal classifiés (en tant que « Forêt ») alors qu’il appartiennent
(d’après les zones de validation) à d’autres classes (ici, la classe « Prairie »), sur un total de
32 pixels classifiés dans la classe « Forêt » dans l’ensemble des zones de validation de
l’ensemble des classes, soit 6/32 = 19% d’erreur de commission (19% des pixels classifiés
dans la classe « Forêt » appartiennent en réalité à d’autres classes (ici la classe « Prairie»)
Les précisions d’utilisation :
La précision d’utilisation d’une classe donnée est calculée en divisant le nombre total de pixels
correctement classifiés dans cette classe dans l’ensemble des zones de validation de cette classe
par le nombre total de pixels classifiés dans cette classe dans l’ensemble des zones de validation
de l’ensemble des classes. Elle est égale à (1-l’erreur de commission).
La précision d’utilisation mesure la probabilité qu’un pixel appartienne réellement à une certaine
classe lorsque le processus de classification a classifié ce pixel dans cette classe.
Autrement dit :
Probabilité qu’un pixel qui a été classifié dans une classe « a » appartienne réellement (dans le
monde réel) à cette classe « a ».
Autrement dit :
« En tant qu’utilisateur d’une classification (celui qui lit/utilise la classification), je me demande,
pour un pixel classifié dans une classe « a », quelle est la probabilité qu‘il appartienne réellement
(dans le monde réel) à la classe « a ». »
Erreur globale de la classification :
L’erreur globale de la classification est calculée en divisant le nombre de pixels mal classifiés dans
l’ensemble des zones de validations de l’ensemble des classes par le nombre de pixels de
l’ensemble des zones de validation de l’ensemble des classes. L’erreur globale = (1-la précision
globale).
 Erreur globale : 10 pixels mal classifiés dans l’ensemble des zones de validation de
l’ensemble des classes divisé par les 80 pixels de l’ensemble des zones de validation de
l’ensemble des classes = 12.5 % d’erreur globale.
Précision globale de la classification :
La précision globale de la classification est calculée en divisant le nombre de pixels correctement
classifiés dans l’ensemble des zones de validation de l’ensemble des classes par l’ensemble des
pixels de l’ensemble des zones de validation de l’ensemble des classes.
 Précision globale : 70 pixels correctement classifiés dans l’ensemble des zones de
validations de l’ensemble des classes divisé par les 80 pixels de l’ensemble des zones de
validation de l’ensemble des classes = 87.5 % de précision globale. La précision globale =
(1- l’erreur globale)
Plus d’infos sur les matrices de confusion : Centre Canadien de télédétection
http://cct.rncan.gc.ca/glossary/index_f.php?id=3124
265
8.12. Matrice de transition
8.12.1. Définition de la matrice de transition

Une matrice de transition permet de mettre en évidence quantitativement, en termes de
superficies, l’évolution de l’occupation du sol à partir de 2 images classifiées pour chaque
combinaison possible de 2 classes.
8.12.2. Création de la matrice de transition
 SCP > Post-traitement > Classification croisée
(Remarque : le menu SCP > Post-traitement > Changement d’occupation des sols produit les
mêmes résultats mais moins bien présentés, sans matrice)
Les sorties sont :
 Une matrice de transition

 Une image de changement dont les valeurs de pixels correspondent à un code
identifiant une des combinaisons possibles de changement d’une classe à l’autre
266
Figure 171 : Matrice de transition entre les images Landsat-5 et Sentinel-2 (ancienne interface de
SCP)
8.12.3. Interprétation de la matrice de transition

Il est également important de noter que sur une période aussi longue que sur la période
considérée dans cet exercice, soit +/- 20 ans, il y a certainement eu des changements
d’occupation du sol importants intermédiaires qui ne seront évidemment pas mis en
évidence par l’analyse diachronique basée sur 2 dates seulement. Il faut donc être conscient
que la représentation de la dynamique de l’occupation du sol dans la région étudiée est
représentée de manière limitée, limitée aux 2 images utilisées. En 20 ans on pourrait très
bien imaginer qu’une forêt adulte ait été mise à blanc juste après l’acquisition de la première
image et qu’une jeune forêt ait eu le temps de repousser suffisamment que pour que cette
jeune forêt ne soit pas spectralement distinguable d’une forêt adulte. Dès lors, la matrice de
transition ne pourra pas mettre en évidence cette dynamique « cachée ».
8.12.4. Mise en relation des précisions de classification et de l’ampleur des

changements détectés
Il peut être intéressant de nuancer l’ampleur des changements/évolutions détectés pour
chacune des classes en fonction de leur précision de classification dans chacune des 2
images comparées. Par exemple, comment interpréter une faible variation de superficie
d’une classe pour laquelle une imprécision de classification relativement importante est
observée. Le changement observé est-il réellement significatif ou bien est-il du uniquement
ou en grande partie à une imprécision de classification dans l’une ou les deux images ?
267
8.13. Graphiques exprimant l’évolution de l’occupation du
sol
2 types de graphiques sont typiquement utilisés pour représenter les résultats issus d’une
analyse diachronique de l’occupation du sol d’une région.
Ces graphiques peuvent facilement être réalisés à partir des résultats du menu :
 SCP > Post-traitement > Rapport de classification
Les fichiers CSV pourront être éventuellement édité/remanié et les graphiques réalisés :
 Dans QGIS : avec le plugin Dataplotly (un peu limité)

 Dans MS-Excel ou OpenOffice-Calc (https://www.openoffice.org/fr/Produits/) (plus
de possibilités)
La feuille Excel utilisée pour produire les graphiques ci-dessous est fournie dans le répertoire
« …\5_CLASSIFICATION_SUPERVISEE_ANALYSE_DIACHRONIQUE\DATA\GRAPHIQUES DE
TRANSITION.xlsx »
268
8.13.1. Histogramme par classe
Double bâtonnet pour chaque classe.
Idéalement une barre d’erreur devrait accompagner chaque bâtonnet.
Figure 172 : Graphique de type histogramme qui permet de comparer l’évolution des pourcentages
de la superficie totale de la zone d’étude des différentes classes d’occupation du sol entre 2 dates.
8.13.2. Camembert par classe

Idéalement une information sur l’erreur devrait accompagner chaque valeur.
Figure 173 : Graphique de type camembert qui permet de comparer l’évolution des pourcentages
de la superficie totale de la zone d’étude des différentes classes d’occupation du sol entre 2 dates.
269
8.14. Réalisation de cartes d’occupation du sol - Mise en
page cartographique
Les images classifiées, ayant subi éventuellement l’un ou l’autre post-traitement, pourront
ensuite faire l’objet d’une mise en page cartographique si celles-ci doivent être présentées
dans un rapport par exemple.
La mise en page cartographique consiste en l’habillage des images classifiées à l’aide d’une
série d’éléments tels légende, barre d’échelle, flèche du Nord, graticule de
géoréférencement, carte de localisation ou rectangle d’emprise et éléments textuels tels
titre, auteur, date de création de la carte, système de coordonnées, source et date des
données, etc
L’interface de mise en page cartographique d’un projet QGIS est accessible via le menu :
 Projet > Nouvelle mise en page… > Créer un titre de mise en page
Pour plus d’information et indications sur la mise en page cartographique, le lecteur est
invité à consulter
 la section « Edition cartographique » du manuel de travaux pratiques dans QGIS

disponible ici https://orbi.uliege.be/handle/2268/190559.
Lors de l’insertion des cartes issues de l’analyse diachronique dans un rapport, veiller à ce
que:
 Vos cartes soient de bonne résolution et parfaitement lisibles (qualité de l’image)

 Vos cartes soient suffisamment grandes : n’hésitez pas à utiliser une page entière
par carte
 Vos cartes soient facilement comparables visuellement en vous assurant, dans le cas
où une carte est représentée par page, qu’elles apparaitront sur 2 pages en vis-à-vis
dans votre document.
270
8.15. Discussion et limitations de l’approche
Quelques éléments importants sont brièvement repris ci-dessous :
 Les difficultés de photo-interprétation peuvent déboucher sur des erreurs de

classification et de validation. En particulier, certains pixels mixtes ou « mixel »
peuvent être difficilement photo-interprétables et constituer de facto une limitation
dans la possibilité de classification
 Gardez à l’esprit qu’il est très important que les zones de validation soient
représentatives de chacune des classes d’occupation du sol afin que la matrice de
confusion soit effectivement représentative de la précision de classification
réellement obtenue sur l’ensemble de l’image classifiée.
 Les masques de nuages ne sont pas toujours évidents à réaliser (bordures de nuages,
petits nuages, voiles nuageux, etc) ce qui peut induire des erreurs de classification
271
9. Analyse de données SAR SENTINEL-1
(télédétection active) pour la
cartographie d’inondation dans SNAP (en
anglais)
 Se familiariser à l’utilisation du logiciel SNAP, logiciel de référence

de l’Agence Spatiale Européenne (ESA - European Space Agency)
pour le traitement des données issues de la constellation de
Objectifs satellites « Sentinel »
pédagogiques  Découvrir quelques traitements spécifiques aux données de type
RADAR
 Utiliser des données RADAR (télédétection active) multi-dates pour
cartographier une inondation
Les données nécessaires consistent simplement en 2 images Sentinel-1

(~ 1.09 GB). Pour vous les procurer :
 Soit téléchargez ces 2 images directement à partir du site web de

référence comme indiqué dans la section « 9.4 Download of the 2
Sentinel-1 images (not in the video) » page 275 de ce manuel
(conseillé)
 Soit, si cela ne fonctionne pas, téléchargez ces 2 images à partir
Données d’ORBI (https://orbi.uliege.be/handle/2268/240835) en
sélectionnant le dossier «
\6_SAR_INONDATIONS\MYANMAR_SENTINEL1_SNAP\...»
Placez les images téléchargées ou le dossier

« 6_SAR_INONDATIONS.zip » dans votre répertoire de travail, et
décompressez ce dossier si vous l’avez téléchargé. ATTENTION ! Voyez la
section 1.2 page 18 pour plus d’information sur l’accès aux données.
SNAP ( https://step.esa.int/main/download/snap-download/)
ATTENTION ! Le logiciel SNAP de l’ESA, gratuit, nécessite pour certaines
Logiciel ou
opérations une certaine « puissance » de l’ordinateur que nombres «
application
d’ordinateurs étudiants » n’ont pas, ce qui résulte parfois en des temps
de traitements à rallonge, voire des bugs.
Temps
~ 1h30 à 2h00
approximatif
272
Aucun. Cependant, certaines connaissances théoriques préalables sur la
Prérequis télédétection RADAR permettront à l’apprenant de mieux comprendre
les manipulations réalisées.
# Télédétection active, RADAR, SAR, Sentinel 1, SNAP
9.1. Tutoriel source: “ESA Echoes in Space - Hazard: Flood

mapping with Sentinel-1 (ESA EO College)”
Cette section se base sur le tutoriel vidéo (chaine YouTube “EO College”) intitulé « ESA
Echoes in Space - Hazard: Flood mapping with Sentinel-1 (ESA EO College)” du 5 novembre
2017 dans lequel Dr. Chris Stewart explique comment dériver une carte d’inondation (flood
map) à partir de 2 images Sentinel-1 en utilisant le logiciel gratuit de l’ESA « SNAP ». Ce
tutoriel vidéo est disponible ici :
 https://www.youtube.com/watch?v=derOXkPCH80
Cette section propose une transcription adaptée de la vidéo, augmentée de quelques

commentaires et illustrations supplémentaires (aussi disponible ici :
https://orbi.uliege.be/handle/2268/240620)
9.2. Objective (video timing: 0 min 00 sec)

 To map flooded area with Sentinel-1 data by a simple technique: using an image
before the flood (called the “Archive image”) and an image during the flood (called
the “Crisis image”) to distinguish between:
o Flooded area
o Permanent water bodies
9.3. Technical description of the 2 Sentinel-1 images used

 2 Sentinel-1 images over a part of Myanmar, with the following technical features:
o Remarque
 The filename conventions of Sentinel products are available here :
https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-
sar/naming-conventions
o Pass ascending
 Part of the satellite orbit trajectory going from South to North poles,
information available in the Metadata, confer Figure 179 page 280
273
o Mode VV
 Polarization mode of the SAR signal: Vertical emitted by the sensor
and Vertically received by the sensor
o Sensor mode IW
 Interferometric Wide acquisition mode (Figure 174): confer here for
more information: https://sentinel.esa.int/web/sentinel/user-
guides/sentinel-1-sar/acquisition-modes
o Product type GRD
 Ground Range Detected
 More information here:
https://sentinel.esa.int/web/sentinel/missions/sentinel-1/data-
products
 Remarque: in GRDH (confer image filename), the H stands for the
resolution class, which is High (H) in this case)
Figure 174 : Sentinel-1 Product Modes (Source : https://sentinel.esa.int/web/sentinel/user-

guides/sentinel-1-sar/acquisition-modes)
274
9.4. Download of the 2 Sentinel-1 images (not in the video)
 Go to the “Copernicus Open Access Hub” https://scihub.copernicus.eu/dhus/#/home
 Create an account and then log in
 Search and download the 2 images
o You can use the image name (confer below) without “.zip” extension in the
search menu to easily find the images, one by one (Figure 175)
o The 2 images used are (table below):
Image timing Date Image filename

Archive image before the 2015 03 S1A_IW_GRDH_1SSV_20150320T114745_201
flood 20 50320T114810_005115_0066FA_82D7.zip
Crisis image during the flood 2015 09 S1A_IW_GRDH_1SSV_20150904T114747_201
04 50904T114812_007565_00A772_B9FD.zip
Figure 175 : Copernicus Open Access Hub with one of the 2 Sentinel-1 images identified over
Myanmar
275
9.5. SNAP software - Download and installation (not in the
video)
 You can download the free SNAP software here:
o https://step.esa.int/main/download/snap-download/
o Choose the « Sentinel Toolboxes » or “All Toolboxes” in the table and the
download adapted to your operating system
 Install SNAP on your computer and make the updates after installation
Figure 176 : Outlook of the SNAP (STEP) software download web page
276
9.6. Opening of the 2 Sentinel-1 images in SNAP (video
timing: 0 min 30 sec)
 Simply drag and drop the zip images to the “Product Explorer” tab of SNAP (there is
no need to unzip the images!)
 In the “World View” tab, you can see that the images are over a part of Myanmar
 In the “Product Explorer” tab, expand for each image the sub-folder “Bands >
Amplitude_VV” and double-clic on “Amplitude_VV” which will open the images in
the viewer
o Open first the Archive image  in viewer 1
o Open then the Crisis image  in viewer 2
 Remarque: notice that there are 2 bands per image, Amplitude and Intensity.
Definition:
o Amplitude_VV image
 “A SAR signal contains amplitude and phase information. Amplitude is
the strength of the radar response” (source:
https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-
sar/product-overview/interferometry).
 “Measure of the strength of a signal, and in particular the strength or
height of an electromagnetic wave (units of voltage).” (source:
https://earth.esa.int/handbooks/asar/CNTR5-2.html)
o Intensity_VV image
 Intensity = Amplitude_VV * Amplitude_VV
 Observe the images (Figure 178):
o You can zoom or move into the images by using the mouse wheel or the
panning tool
o In the crisis image:
 Flooded area: appears darker because of a low backscatter due to
specular reflection over the smooth water surfaces: the signal get
reflected away from the sensor.
 The surrounding areas: are much rougher and look brighter.
 Images distortion is visible in the mountain areas of the image due to
the layover and foreshortening effects (Figure 177)
Foreshortening Layover
277
Figure 177 : Illustration of the Foreshortening and Layover effects: geometric distortions in
mountainous regions (Source: https://earth.esa.int/web/guest/missions/esa-operational-eo-
missions/ers/instruments/sar/applications/radar-courses/content-2/-
/asset_publisher/qIBc6NYRXfnG/content/radar-course-2-slant-range-ground-range#sixteen)
9.7. Main steps of the workflow described in this section

(video timing: 2 min 18 sec)
 Make a spatial subset of the images around the river over the flooded areas
 Apply a “multilooking” in order to reduce the speckle, and this also reduces the
dimension of the images and speed up the processing time
 Apply a calibration which is essential to compare 2 images: to go from Digital
Numbers (DN) to a physical quantity which is in this case “sigma0 backscatter”
 Apply a terrain correction to project the images onto a map system and also to
correct for the distortions due to the terrain
 Combine the 2 images in a RGB composite in order to distinguish between flooded
areas and permanent water bodies
278
9.8. Visual analysis of the 2 images side by side (video
 Menu: Window > Tile evenly
 You should synchronize the 2 windows (and optionally the mouse pointer) by using,
in the “Navigation” tab of the bottom left panel, the 2 related tools button
Figure 178 : The archive/normal situation (left) and crisis/flood (right) Sentinel-1 images over
Myanmar displayed evenly in SNAP interface
279
9.9. Analysis of images Metadata (video timing: 3 min 15
sec)
 In the “Product Explorer” tab, open the subfolders “Metadata > Abstracted
Metadata” and double-click on it to open it (Figure 179). You can see that:
o Both images were acquired in the same geometry which is essential for flood
mapping:
 PASS = ASCENDING: satellite ascending
 incidence_near (30.9°) & incidence _far (46.1°): same incidence angle
o PRODUCT_TYPE = GRD
o ACQUISITION_MODE = IW
o mds1_tx_rx_polar = VV (and no info for mds2…, mds3…, mds4…)
o etc
 There is a shift in Azimuth (in the North-South direction, the 2 images do not
perfectly cover the same area) but this is not a problem
 To know what image is open in what tab: look at the number between [] both in the
“Product Explorer” tab and in the visualization windows
Figure 179 : Outlook of some Abstracted Metadata of one Sentinel-1 image. The […] means that
some metadata are skipped from this illustration
280
9.10. Spatial subset of the images, on an area common to
the 2 images, where the main floods occur (video
 Identify in the navigation tab an area which is common to both images: zoom and
pan in order to display that common area in the viewers (Figure 178)
 Click, in the geographical interface, on the image you want to process in order to
select/active it, in order to use this image current extent for the spatial subset
 Menu: Raster > Subset (video timing: 4 min 03 sec)
o The subset corresponds to the extent of the viewer. You can visually check
that in the tool interface
o Click OK
o Repeat the operation for both images
Figure 180 : Spatial subset of Sentinel-1 image
 The outputs appear automatically in the “Product Explorer” as virtual files/image.

 They then have to be saved to real file (real image) with either
o Select the file in the “Product Explorer” tab, then File > Save Product >
o or Right click on the file in the “Product Explorer” tab, then > Save Product
 Say Yes to BEAM-DIMAP format
 Give a Shorter filename than the original long filename:
281
o Keep the most important information: date product, processing level etc
o Remove the automatically created prefix (“subset_0_of_”)
o And give also a suffix “crop” (or “subset”) in order to easily identify the
output image as the subset image
o Select your working directory where to store the output images
o The output filenames of the 2 images are, in the video:
 S1A_IW_GRDH_1SSV_20150320T114745_crop.zip
 S1A_IW_GRDH_1SSV_20150904T114747_crop.zip
o Click on Save
 The 2 subseted images are now present in you working directory
9.11. Intermediate steps: closing/opening images (video

 Close all images in the “Product explorer” tab
o Right click in the left panel > Close All Products
 Open only the 2 subset images in SNAP
o Drag and drop them to the “Product explorer” tab from your working
directory
282
9.12. Multilooking (video timing: 6 min 30 sec)
 Purpose: to reduce the speckle and reduce the dimension of the image to speed up
the processing time. This will also result in a loss of accuracy (spatial resolution) but
this is not a problem in this particular case because the flooded area is large and we
are not particularly interested in having a high resolution flood map.
 Menu: Radar > SAR Utilities > Multilooking (this directory is a bit different than in
the tutorial video due to different SNAP software versions) (Figure 181)
o In the “I/O Parameters” window
 Keep default added suffix “ML” in the output filename
 Select your working directory as output directory
o In the “Processing Parameters” window
 Set the Number of Range/Azimuth Looks to 3 by 3
o Click on Run
o Repeat the process for the other image
Figure 181 : Parametrization of the Multilooking tool of SNAP
 (Remarque: after this operation, the subseted images cannot be synchronized well
with the original images because a size reduction has been applied, reason why all
products were closed in the previous “intermediate steps”)
283
9.13. Radiometric Calibration (video timing: 7 min 35 sec)
 Calibration is essential to enable the comparison of the 2 images
 Calibration transforms Digital Numbers (DN) to a physical quantity which is in this
case “sigma0 backscatter”
 Definition:
o “Backscatter: […] The normalised measure of the radar return from a
distributed target is called the backscatter coefficient, or sigma nought , and
is defined as per unit area on the ground.”
o “Sigma Nought: Scattering coefficient, or the conventional measure of the
strength of radar signals reflected by a distributed scatterer, usually
expressed in dB. It is a normalised dimensionless number, comparing the
strength observed to that expected from an area of one square meter.”
o (Source: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-
sar/definitions)
 Menu: Radar > Radiometric > Calibrate (Figure 182)
 Select the “ML” images as input
 Keep default added suffix “Cal” in the output filename
 Check “Output sigma0 band” (= ratio instant/receive backscatter per
unit area in ground range)
o Click on Run
Figure 182 : Parametrization of the Radar Radiometric Calibration tool of SNAP
284
9.14. Intermediate steps: visualization (video timing: 8 min
22 sec)
 Visualize the 2 sigma0 images in the viewer
o Double-click on each calibrated images in the “Product Explorer” window to
open them in the SNAP viewer (“Sigma0_VV” is the name of the calibrated
images)
o Menu: Window > Tile Evenly to display the images side by side
Figure 183 : Subseted, Multilooked and Radiometrically Calibrated (Sigma0_VV) Sentinel-1 images
displayed side by side
 Many pixels are quite dark

 Select the flood image in the viewer
 Go to the Colour Manipulation window (bottom left panel):
o Most of the pixels have low backscatter value
o Few pixels have very high value
 Convert values from linear scale to non-linear logarithmic scale decibel (dB) to get a
better visualization and an histogram easier to manipulate
285
o Right click on the band to convert (Sigma0_VV) > Linear to/from dB > Yes to
create a new virtual band
o Repeat that for the other image
 Open the 2 converted images in dB by double-clicking on them
 Menu: Window > Tile evenly (you can rearrange the windows if you want) (Figure
184)
 In dB, there is a much better distinction between land and water pixels
 We can see 2 peaks in the dB images histograms:
o 1 small low values peak for pixels over water
o 1 big high values peak for land pixel
 Close all images from the viewer but keep the images in the “Product Explorer” tab
Figure 184 : Comparison of the Sigma0_VV Sentinel-1 images before (above) and after (below) the
“Linear to/from dB” image histogram conversion for the archive (left) and flood (right) images
286
9.15. Terrain Correction (video timing: 10 min 22 sec)
 Purpose:
o To project the image into a coordinates system, and
o To correct for distortion due to the mountainous terrain
 Menu: Radar > Geometric > Terrain correction > Range-Doppler Terrain Correction
> all parameters by default > Run (default suffix = TC) (Figure 185)
 Select the “ML_cal” images as input
 Keep default added suffix “TC” in the output filename
 Keep all default parameters (WGS84 map projection)
o Click on Run
Figure 185 : Parametrization of the Range Doppler Terrain Correction tool of SNAP
287
9.16. Visualization of the terrain corrected images (video
 Convert the “TC” bands to dB (confer method explained above)
 Convert the virtual created dB bands to real file
o Right click on the dB band > convert band
 Save to dB band to file
o Select the dB band > Main menu File > Save Product: this saves the dB band
to the image
 Visualize the dB terrain corrected bands
o The image has been projected into a coordinate system: the TC image
orientation has changed! (Figure 186)
o In order to be able to compare the non TC an TC images visually, you have to
unsynchronize the views with the dedicated button in the “Navigation” tab
(bottom left panel), and then open each image in a window that you can
display side by side. You will maybe have to unzoom a lot from one of the two
images to adjust the visualization.
o There is no more distortion in the mountain area (Figure 187)
o (You could also do a contrast stretch with the “Color Manipulation” tab
(bottom left panel) to highlight only the pixels over the land)
288
Figure 186 : Comparison of the archive Sentinel-1 images before (left) and after (right) the Terrain
Correction: change of the image orientation due to the projection into a coordinate system
Figure 187 : Comparison of the archive Sentinel-1 images before (left) and after (right) the Terrain
Correction for a mountainous area: the geometric distortion have been corrected
289
9.17. Combination of the Archive and Crisis images to
produce a RGB composite of the flooded area,
preliminary step: images stack (video timing: 13 min
25 sec)
 Purpose of the RGB composite: to enable the distinction of permanent water bodies
and flooded areas.
 Remarque: The RGB composite is effectively produced in the section 9.19 page 293.
 Application of a stack by simply using the products geolocation
o Menu: Radar > Coregistraction > Stack Tools > Crate Stack tabs
o In window “1-ProductSet-Reader”
 Click on the “Add opened” button > and keep only the TC file by
removing unwanted files or open only the 2 images of interest with
the Add button
o In window “2-CreateStack”
 Choose “Product Geolocation” for “Initial offset method”
 ([…Remarque: for interferometry, a much more precise geolocalization
method should be used…])
o In window “3-Write”
 Remove part of the filename which is not common to both images: the
acquisition dates
o Select Run
o Close window
290
Figure 188 : Parametrization of the « Create Stack » tool of SNAP
291
9.18. Overlay of the stacked images for visual comparison of
the 2 images (optional)
 (This step is not really necessary in the general workflow) (video timing: 15 min 33
sec)
o We get the stack image file which is one single image file that contains 4
layers coming from the 2 archive and crisis images in the “Bands” subfolder
o Open the 2 images in dB
o Apply a contrast stretch with the histogram focused on the higher pixel
values peak
o To overlay the 2 images in the same viewer:
 Click on the Archive image in the viewer to select it
 Go to “Layer manager” (right panel) > + icon >Image of Band / Tie-
point Grid > Next > overlay the 2nd image in dB (Crisis image) on the
first one > Finish
o You can then compare both images by checking unchecking one image in the
right panel “Layer manager” or by playing with the transparency slider at the
bottom of the “Layer manager”
Figure 189 : Overlay of the 2 TC dB images in 1 viewer and use of the « Layer Manager » panel
allowing to check/uncheck one of the 2 overlaid layers as well as applying a transparency in order
to compare the 2 images
292
9.19. RGB composite image (video timing: 16 min 50 sec)
 Purpose: to distinguish between flooded area and permanent water bodies
 Select the name of the stack file in the “Product Explorer” window
 Menu: Window > Open RGB window
o Red band: select Archive image
o Green and Blue bands: select Crisis image
o Click OK
o View the flood map (Figure 190)
Figure 190 : RGB composite using, in the Red band, the Archive image, and in the Green and Blue
bands, the Crisis image
293
9.20. Interpretation of the RGB composite image (video
 The RGB composite image is presented in Figure 190.
 Flooded areas
o Appears in red because, given the selected RGB composite above, where
floods occur,
 the Archive image (in the red channel) has higher backscatter (no
flood) than
 the Crisis image (in the green and blue channel) (low backscatter for
flooded areas)
o So for flooded areas, there is a high value in the red channel and low value in
the green and blue channels.
 Non-flooded land
o Appears in tones of gray as there is approximately the same backscatter for
the 2 images (no difference), and that that “same” information is associated
to all 3 channels
 Permanent water bodies
o Appears as uniform dark areas as there is a low backscatter values for both
Archive and Crisis images, both associated to the 3 RGB channels
 Some part of the land are cyan
o This translates a higher response in the green and blue channels
corresponding to the crisis image, than in the Archive image. This may be due
to particular ground cover which is not related to flood.
294
9.21. Exportation of the RGB composite of the flood map in
another format and visualization of the result in
GOOGLE EARTH PRO (video timing: 19 min 22 sec)
 (Menu: File > Export > Geotiff). This step is not done in the video. This is just an
example.
 The visualization of the RGB composite of the flood map in GOOGLE EARTH PRO is
presented in (Figure 191).
 Right click on the view > Export View as Google Earth KMZ
o Record the output in your working directory and call it for example “Flood”
o Browse to you working directory where the file “Flood.kmz” has been saved
o If you have Google Earth Pro installed on your computer, you can simply
double-click on this file and it will automatically open in Google Earth at the
right position.
o (If you do not have Google Earth Pro installed on your computer, you can get
it here for example: https://www.google.com/intl/fr_ALL/earth/versions/
(bottom of page))
o You can then compare the flood map with Google Earth Pro imagery and
also check the registration (georeferencing) of the flood map, which is good
in this case (by deselecting the layer or playing with the layer transparency).
In Google Earth Pro you can also apply an oblique view and ask for a 3D
rendering of the natural relief (that can be exaggerated: menu Tools >
Options > 3D View > Relief > and set the elevation factor to 3).
295
Figure 191 : Outlook of the RGB composite flood map overlaid in Google Earth Pro with an oblique
3D view
296
9.22. Autre tutoriel: Satellite Remote Sensing of Flood
Monitoring and Management (NASA ARSET)
Ce tutoriel en anglais présente différentes méthodes d’identification des zones inondées à
parti d’images SAR Sentinel-1 dans le logiciel SNAP et Google Earth Engine. Les méthodes
proposées sont :
 Composition RGB multi-temporelle dans SNAP (même méthode que dans la section 9
de ce manuel).
 Classification par seuillage simple dans SNAP
 Classification supervisée par « random forest » dans SNAP
 Classification par seuillage simple dans Google Earth Engine
La page principale du workshop de 2 jours est :
 https://arset.gsfc.nasa.gov/water/workshops/india2018
Documents particulièrement intéressants :
 SAR Applications for Flood Mapping / SAR Application for Mapping the Kerala Floods,
tutoriel SNAP + Sentinel-1, PDF :
https://arset.gsfc.nasa.gov/sites/default/files/disasters/IndiaFlood18/sar_hands_on_
india-final.pdf
 Rappel théorique utile sur le SAR :
https://arset.gsfc.nasa.gov/sites/default/files/disasters/IndiaFlood18/D2P2-
Overview-SAR-final.pdf
297
10. SPIRITS : Analyse d’une série temporelle
d’images NDVI basse résolution dans
SPIRITS
Vous initier à l’utilisation et aux concepts d’un logiciel de référence

(SPIRITS) pour le traitement des séries temporelles d’images satellites
basse résolution. En particulier
 Télécharger et prétraiter une série temporelle d’images
Objectifs (décompression, renommage, importation, etc)
pédagogiques  Réaliser des traitements en lot/en série (dont production de
cartes, extraction de statistiques par zone, etc)
 Lissage temporel des images (filtre temporel)
 Calcul d’images d’anomalie des conditions de végétation
 Calcul d’images de paramètres phénologiques
Les données nécessaires à la réalisation de cet exercice ET les données

résultant des opérations à faire dans cet exercice sont toutes disponibles
dans le dossier «…\7_SERIE_TEMPORELLE_SPIRITS\
TIME_SERIES_ANALYSIS\...» (~ 1.2 GB).

Données 1.2 page 18 pour plus d’information sur l’accès aux données.
ATTENTION ! Pour le bon fonctionnement de l’ensemble des outils pré-

paramétrés mis à votre disposition dans ce dossier, il est IMPORTANT
que vous placiez le dossier « TIME_SERIES_ANALYSIS » à la racine du
disque C de votre ordinateur pour obtenir le répertoire
« C:\TIME_SERIES_ANALYSIS\... ».
SPIRITS (https://mars.jrc.ec.europa.eu/asap/download.php)
ATTENTION ! Ce logiciel est déjà inclus dans le dossier mis à disposition
Logiciel ou « TIME_SERIES_ANALYSIS\SPIRITS\SpiritsExtract_152\ ». Pas besoin de
application le re-télécharger donc ! De plus il n’y a pas de procédure d’installation. Il
doit simplement être disponible dans le répertoire dans lequel il se
trouve actuellement.
298
Temps
~ 4 à 6 heures
approximatif
Prérequis Aucun
# série temporelle, basse résolution spatiale, indice de végétation
10.1. Contenu du dossier de l’exercice

Le contenu du dossier « 7_SERIE_TEMPORELLE_SPIRITS » utilisé dans le cadre de cet
exercice est présenté à la Figure 192.
Figure 192 : Présentation du contenu du dossier nécessaire à cet exercice
ATTENTION ! Pour le bon fonctionnement de l’ensemble des outils pré-paramétrés mis à

votre disposition dans ce dossier, il est IMPORTANT que vous placiez le dossier
« TIME_SERIES_ANALYSIS » à la racine du disque C de votre ordinateur pour obtenir le
répertoire « C:\TIME_SERIES_ANALYSIS\... ».
ATTENTION ! Le dossier « SENEGAL » contient déjà une série de données et de fichiers de

paramétrage qui seront produits au cours de l’exercice. Même si ces données sont mises à
votre disposition, il vous est conseillé, pour un bon apprentissage, de refaire toutes les
étapes de l’exercice par vous-même comme indiqué dans les sections suivantes. Considérez
donc ces données comme l’exemple auquel il faut arriver. Libre à vous d’utiliser directement
les fichiers de paramétrages mis à disposition si vous estimez avoir compris comment les
paramétrer et si vous voulez aller plus vite.
299
10.2. Introduction et motivation
Contextualisation :
Le monitoring mondial des conditions de végétation à l’aide de séries temporelles d’images

satellites basse résolution permet de mettre en place un système d’avertissement précoce
par rapport aux « hotspots » mondiaux d’anomalies de productions agricole.
Pour en savoir plus, jetez un œil rapide au site web suivant (Figure 193):
o https://mars.jrc.ec.europa.eu/asap/
o https://mars.jrc.ec.europa.eu/asap/about.php
o ASAP is an online decision support system for early warning about hotspots
of agricultural production anomaly (crop and rangeland), developed by the
JRC for food security crises prevention and response planning anticipation.
Figure 193 : Page d’accueil du site web https://mars.jrc.ec.europa.eu/asap/.
En particulier pour le Sénégal :
o https://mars.jrc.ec.europa.eu/asap/country.php?cntry=217
Notez aussi le « Warning explorer » disponible ici :
o https://mars.jrc.ec.europa.eu/asap/wexplorer/
300
o A explorer en quelques minutes
A travers cet exercice vous mènerez une analyse qui vous permettra notamment de :
 Produire des cartes d’anomalie des conditions de végétation sur le Sénégal pour
l’année 2002 : ce type d’analyse, si menée en temps réel lors d’une période de
sécheresse par exemple, pourrait permettre d’objectiver, de quantifier et de
cartographier le mauvais état relatif des conditions de végétation en tout lieu du
Sénégal et par là contribuer au déclanchement d’un éventuel processus d’aide
alimentaire d’urgence et/ou permettre l’activation d’indemnisation des agriculteurs
impactés, via un système d’assurances agricoles.
 Produire des images de paramètres phénologiques de la végétation (dates de
début/fin de la saison de végétation, valeur maximum du NDVI, etc). Ce type
d’images permet de caractériser les conditions de végétation au cours d’une saison
et peuvent être utilisées par exemple dans un modèle de prévision des rendements
agricoles.
10.3. Grandes étapes

 Télécharger les images
 Importer les images dans SPIRITS
 Visualiser les images + production de cartes en série
 Extraction de statistiques par zone + visualisation
 Lissage temporel des images + visualisation
 Calcul d’anomalie de végétation + visualisation
 Calcul des paramètres phénologiques + visualisation
10.4. Téléchargement des données
10.4.1. Commande des images NDVI via le « Copernicus Global Land

Service »
Série d’images NDVI à 1 km de résolution spatiale issue de 2 capteurs :
 SPOT-VEGETATION : 1/4/1998 jusque 2014

 PROBA-V : 2014 jusque maintenant
https://land.copernicus.eu/global/
301
 Choisir « Vegetation » : https://land.copernicus.eu/global/themes/vegetation
 Choisir « NDVI » : https://land.copernicus.eu/global/products/ndvi
Jeter un œil à :
 Définition du NDVI
 Section « NDVI characteristics » pour le NDVI 1km
o Access
o Algorithm
302
o Technical
Dans l’onglet « Access » cliquer sur « Near-real time products »
Arriver sur
https://land.copernicus.vgt.vito.be/PDF/portal/Application.html#Browse;Root=513186;Colle
ction=1000085;Time=NORMAL,NORMAL,-1,,,-1,,
303
 S’enregistrer via « Register »
o Bien noter son « user name » et « password »
o Finaliser la procédure d’enregistrement
304
 Une fois inscrit, se loguer : bouton « Login » en haut à droite
 Définir les critères de recherche d’images :
o Taper « Senegal » + Go dans le menu de recherche géographique pour définir
le ROI du Sénégal
 (ou une zone un peu plus large pour avoir une marge autour du
Sénégal, pour un meilleur style des cartes ?)
o Collection : « NDVI 1km V2.2 Global »
o Date : depuis le 01/04/1998 jusque maintenant
 Cliquer sur « Search »
 Arriver sur la page présentant les images correspondant aux critères de recherche
o 774 produits disponibles le 5/10/2019
o Nombre d’images en détail :
 1998 : à partir de 19980401 = 9 * 3 = 27 images
 1999-2018 = 20 * 36 = 720 images
 2019 : jusque 20190921 = 9*3 = 27 images
 TOTAL : 774 images
ATTENTION ! CONVENTION POUR LES NOMS DES IMAGES NDVI !
Remarquez que le nom des fichiers d’images NDVI contient l’information sur la période
correspondante à l’enregistrement des valeurs présentes dans l’image (une décade, 10
305
jours). Cette information est encodée comme suit :
 YYYYMMDD,
 par exemple 19980401,
 où les 4 premiers chiffres correspondent à l’année, les 2 suivants au mois et les 2
derniers à la décade 1, 2 ou 3 du mois sous le format 01, 11, 21 respectivement.
Cette convention reste valide pour l’ensemble de l’exercice, y compris dans le logiciel
SPIRITS.
 Cliquer sur « Select all xxx products » pour sélectionner toutes les images (774
produits disponibles le 5/10/2019) (si tel est votre but)
 Cliquer sur « Prepare custom order… »

 Paramétrer la fenêtre qui s’ouvre “Order item details” comme ci-dessous :
o Description : comme vous voulez
o Format : GeoTIFF
o Coordinates = celles du Sénégal (automatique)
o Bands : seulement « NDVI »
306
 Cliquer sur “Order now”
 Arriver à
 Choisir “FTP (PULL)”

 Cliquer sur “Submit” et arriver au tableau présentant le résumé des commandes
effectuées avec la colonne “status” :
o In production = votre commande est en préparation (il a fallu +/- 1h40 pour
préparer une commande de 774 images NDVI 1km sur le Sénégal (sans time
grid).
o Completed = votre commande est prête pour être téléchargée
307
Une fois votre commande prête, vous recevrez un email avec les instructions à suivre pour
le téléchargement.
10.4.2. Téléchargement via « FileZilla Client » des images NDVI commandée

Lorsque votre commande est prête, les images peuvent être téléchargées via le logiciel
« FileZilla Client ».
 Installer le logiciel « FileZilla Client », disponible ici https://filezilla-project.org/

 Ouvrir FileZilla Client et se connecter en indiquant comme:
o HOST : ftp.copernicus.vgt.vito.be
o Username : votre nom d’utilisateur créé dans le portail du « Copernicus
Global Land Service »
o Password : votre mot de passe créé dans le portail du « Copernicus Global
Land Service »
 Télécharger les 774 images

o depuis le serveur de données, à droite dans l’interface de Filezilla :
 ouvrir le répertoire qui correspond au nom de votre commande que
vous voulez télécharger et sélectionner, dans la partie inférieure
droite de l’interface, tous les dossiers à télécharger
o vers votre ordinateur, à gauche dans l’interface de Filezilla
 ouvrir le répertoire dans lequel télécharger les images :
 « C:\TIME_SERIES_ANALYSIS\DOWNLOADED_NDVI_IMAGES\ZI
PPED\”
 y faire glisser les images à télécharger : ceci lance le téléchargement
o La longueur du téléchargement dépendra de la qualité de votre connexion
internet : entre 2-3 minutes à plusieurs heures
308
Les images téléchargées sont présentes dans le dossier
« C:\TIME_SERIES_ANALYSIS\DOWNLOADED_NDVI_IMAGES\ZIPPED » :
 774 dossiers contenant les images NDVI

 allant de 19980401 à 20190921
 164 Mo
10.4.3. Dé-compression des images téléchargées

Les images téléchargées s’organisent comme dans la figure ci-dessous : 1 dossier par image,
contenant lui-même un dossier compressé (zip), contenant lui-même un dossier nommé sur
base de la date de l’image, contenant lui-même enfin l’image NDVI.tiff.
309
Pour pouvoir utiliser ces images, il faut les décompresser ou dézipper. Cela pourra se faire
manuellement pour chaque image, mais cela prendrait beaucoup de temps.
Un fichier de commande DOS a été créé pour dé-zipper toutes les images en un seul clic. Ce
fichier est dans le répertoire « C:\TIME_SERIES_ANALYSIS\DOWNLOADED_NDVI_IMAGES\ »
et s’appelle « UNZIP_NDVI_IMAGES.bat ». Un fichier de commande est un simple fichier
texte mais avec l’extension « .bat » ou « .cmd ». Il permet notamment d’exécuter des
logiciels par ligne de commande.
 Ouvrir ce fichier avec un éditeur de texte :

o clic droit > ouvrir avec > votre éditeur de texte, ou
o clic droit > edit with Notepad++ (si Notepad++ n’est pas installé sur votre
ordinateur, il est recommandé de l’installer : c’est un éditeur de texte
pratique et performant. Disponible gratuitement ici : https://notepad-plus-
plus.org/downloads/ )
 Lire et comprendre le code.

 Modifier éventuellement le code de ce fichier de commande pour le faire
correspondre à l’organisation de vos données dans vos répertoires sur votre
ordinateur
 Ce fichier de commande utilise la version pour ligne de commande du logiciel de (dé-)
compression de fichiers 7-zip. Celui-ci peut être téléchargé ici :
o https://www.7-zip.fr/download.html
 télécharger la version « 7-Zip en ligne de commandes »
310
 description des commandes (pour information) ici :
https://sevenzip.osdn.jp/chm/cmdline/commands/extract.htm
 une fois téléchargé, le décompresser et le placer dans le répertoire
voulu pour obtenir ceci :
« C:\TIME_SERIES_ANALYSIS\DOWNLOADED_NDVI_IMAGES\7zip_co
mmand_line\7za920\7za.exe » comme indiqué dans le fichier de
commande
Une fois votre fichier de commande correctement paramétré, vos images et le logiciel 7-zip
correctement placé dans vos répertoires,
 Double-cliquer sur le fichier de commande « UNZIP_NDVI_IMAGES.bat » pour

l’exécuter, ce qui aura pour effet de décompresser toutes les images NDVI et de les
placer dans le répertoire voulu, à savoir
« C:\TIME_SERIES_ANALYSIS\DOWNLOADED_NDVI_IMAGES\UNZIPPED\ »
 l’exécution prend moins d’une minute pour les 774 images
 Attention, vérifier le nombre d’images décompressées qui doit être égale à 774
dans ce cas. Il se peut que certaines images ait été mal téléchargées à partir de
FileZilla sans pour autant recevoir un message d’erreur, et résulter en un dossier
compressé corrompu non décompressable. Dans ce cas le nombre d’images
décompressées sera inférieur au nombre attendu. Si tel est le cas, identifier les
images manquantes et relancer le téléchargement + décompression.
ATTENTION ! 2 images ont une structure de nom de fichier différente des autres, avec la
mention « V2.2.2 » alors que tous les autres sont en « V2.2.1 », confer image ci-dessous.
311
Comme ceci peut provoquer un bug lors de l’importation dans SPIRITS (étape ultérieure), il
faut :
• Renommer ces 2 images en remplaçant « V2.2.2 » par « V2.2.1 » dans les images
copiées.
Remarquez aussi que :
 Les images SPOT-VEGETATION couvrent la période 19980401 jusque 20131221 (les

images existantes de SPOT-VEGETATION pour 2014 ne sont pas mises à disposition).
 Les images PROBAV couvrent la période 20140101 jusqu’actuellement
 Vos images décompressées sont prêtes pour être utilisées dans SPIRITS !
10.4.4. Téléchargement des fichiers vectoriels shapefile

Le fichier des pays du monde peut être téléchargé sur Natural Earth :
 https://www.naturalearthdata.com/downloads/
o Choisir « Cultural 10m »)
Le fichier des départements du Sénégal:
 Provient du projet « Alerte précoce et prévision des productions agricoles » (Ap3A)

du Centre Régional Agrhymet (CRA) à Niamey, Niger
 Il contient 35 départements
 (Remarque : ce fichier shapefile contient plusieurs polygones différents pour 2
départements : Dakar (2 = 1 contient + 1 île) et Foundiougne (5 = continent + 4 îles) et
ces polygones sont repris comme autant d’enregistrements dans la table d’attributs
du shapefile. Cela n’est pas idéal car cela va générer des statistiques différentes pour
ces différentes entités, sauf si elles sont trop petites que pour être reprises dans
l’image rastérisée des départements (confer plus bas). Il conviendrait de soit les
supprimer (si entités petite et négligeable), soit créer un « polygone multiple » c’est-à-
dire un enregistrement unique dans la table d’attributs qui correspond à plusieurs
polygones.)
312
10.5. Aperçu des données dans QGIS (facultatif)
Installer QGIS : confer https://qgis.org/fr/site/
Ouvrir les données dans QGIS et voir à quoi elles ressemblent.
10.6. Utilisation de SPIRITS

Les indications reprises dans cette section se basent en partie sur les documents suivants:
 Manuel officiel de SPIRITS

 Tutorial officiel de SPIRITS
 Document pédagogique réalisé par Abdoul-Hamid MOHAMED SALLAH
10.6.1. Téléchargement et installation de SPIRITS

Spirits est un logiciel développé par le JRC pour l’analyse de séries temporelles d’images
basse résolution de différents types.
! SPIRITS (logiciel, manuel et tutorial officiels) a déjà été téléchargé et décompressé pour
vous et se trouvent dans le dossier “C:\TIME_SERIES_ANALYSIS\SPIRITS\ ».
SPIRITS peut être téléchargé gratuitement ici :
 https://mars.jrc.ec.europa.eu/asap/download.php
 Version 1.5.2, February 2018.
 Est disponible également à cette adresse un jeu de données exemple qui est utilisé
dans le tutoriel officiel (non fourni dans le cadre de ce cours étant donné le volume
de ce jeu de données)
Une fois SPIRITS téléchargé, il n’y a pas de procédure d’installation. Il suffit de le

décompresser à l’endroit voulu.
“Important note: SPIRITS requires a Java virtual machine (JVM) to run. If not already
installed, users can download Java version 1.7 or higher.” Java peut être téléchargé
gratuitement via le lien ci-dessous. Après téléchargement, installez JVM.
 https://www.java.com/fr/download/
10.6.2. Démarrage de SPIRITS et découverte de l’interface

Pour démarrer SPIRITS :
313
 Double cliquer sur
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SpiritsExtract_152\Spirits.jar » et attendre
quelques secondes
 (Remarque : si « Spirits.jar » n’était pas associé au bon programme de lancement par
défaut, et ne s’ouvrait donc pas correctement, il faut associer « spitis.jar » à
« javaw.exe » qui peut probablement être trouvé dans un répertoire ressemblant à
ceci : « C:\Program Files\Java\jre1.8.0_171\bin\javaw.exe ».)
10.6.3. Création d’un projet SPIRITS

Pour créer un projet SPIRITS :
 « File > Projects > Select >» puis spécifier le répertoire

« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL »
o Cela a pour effet de créer le dossier « SpiritsProjectData » dans le répertoire
« SENEGAL ». Ce dossier contient une série d’information relative à ce projet
SPIRITS.
o Cette commande « Select » peut aussi être utilisée pour sélectionner un
projet pré-existant
314
Le répertoire à utiliser pour cet exercice dans
SPIRITS est le répertoire :
“C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\”
Il contient un ensemble de sous-dossiers qui

renfermeront chacun un type de fichiers ayant
une utilité spécifique dans SPIRITS.
Pour paramétrer correctement votre projet SPIRITS :
 « File > Projects > Define > »

o Adapter les répertoires comme dans l’image ci-dessous
315
Abréviation Nom des Fonction
fichiers
TNT Task files Permet d’exécuter un scénario (.SNS) sur une période donnée
SNS Scenario files Contient la paramétrisation nécessaire pour effectuer une action
(ex : importation des fichiers avec certaines valeurs des
paramètres de cette fonction)
UNT User Tool files /
LNL List of files Dossier contenant des fichiers texte contenant des listes de
fichiers…
Liste de quoi… ?
Utile pour… ?
CNC Chart files Dossier contenant des templates de graphiques
QNQ Quick Look files Dossier contenant les « map template » ou mise en page de carte
prédéfinie
DATA Image diles Dossier contenant les images NDVI avec 1 sous-dossier par
traitement (importation, lissage temporel,…)
VAR VAR/MTA files /
RUM RUM files RUM veut dire: “Regional and Unmixed Mean values” et désigne
les valeurs qui sont extraites des images par région, par exemple
316
la valeur moyenne du NDVI par zone d’intérêt (ex : par
département du Sénégal).
SPX Specification Paramétrge aditionel de certaines fonctions
files (*.SPX)
PNG PNG files Dossier contenant des images n’étant pas les images satellites
analysées:
 cartes produites
 graphique
 logo et autres illustrations à faire apparaitre sur une carte
 …
TXT TXT files Dossier contenant des fichiers texte. Par exemple les fichiers
utilisés pour définir la structure de la base de données qui
accueillera les statistiques calculées.
VEC Vector files Dossier contenant les fichiers vectoriels (shapefile) utilisés pour la
mise en page cartographique ou fichiers devant être rastérisé
pour l’extraction de statistiques.
RST Spatial Dossier contenant les régions d’intérêts rastérisées (en format
Reference Set raster) car SPIRITS a besoin de ce format raster pour pouvoir faire
files l’extraction.
10.6.4. Importation des images dans SPIRITS et conversion de leur format

SPIRITS a besoin d’images en format « ENVI » (fichier image « .img » + fichier entête
« .hdr »). Il faut donc convertir les images téléchargées, actuellement en format « .tif » vers
le format « ENVI ». Pour ce faire, utiliser le menu :
• « Import/Export > Import > Generic importer > Scenario > »

Il faut créer 2 scénario différents car les noms des images SPOT VGT (1998-2013) et PROBA-
V (2014-2019) ne sont pas les mêmes :
• Ensuite :
• Soit, créer 2 scénarios comme dans l’image ci-dessous. La partie de l’interface
non montrée (…) peut rester vide.
• Soit, pour aller plus vite ouvrir le scénario pré-enregistré pour vous via la
commande « File > Open > » de la fenêtre « Generic Import Scenario » et
choisir le scénario suivant :
• Noms des scénarios :
• Nom du scenario pour importer les images SPOT VEGETATION:
• “IMPORT_and_CONVERT_VGT_tiff_to_img_ENVI.sns”
317
• Nom du scenario pour importer les images PROBA-V:
• “IMPORT_and_CONVERT_PROBAV_tiff_to_img_ENVI.sns”
• La seule différence entre ces 2 scénarios se situe au niveau du suffixe des
« input files ».
• Par convention, pour l’output :
• Préfixe = cgls (= Copernicus Global Land Service)
• Suffixe = i (=NDVI)
• Une partie des infos de la rubrique « Spectral » peuvent être trouvée sur la
page présentée précédemment :
https://land.copernicus.eu/global/products/ndvi
Website SPIRITS : Generic Signification

import scenario
PHYSICAL MIN = - Vlo et Vhi Plus petite et plus grande valeurs de DN
0.08  DIGITAL MIN dans la gamme de valeurs significatives (en
=0 dehors de cette gamme, ce sont des
« Flags » (confer plus bas))
DIGITIAL MAX = 250
Offset = -0.08 Vint : scaling Intercepte dans la formule de conversion
intercept des DN en NDVI
Scaling : 1/250 = Vslo : scaling slope Pente dans la formule de conversion des DN
0.004 en NDVI
Specific values Flags Valeurs codes utilisées pour spécifier une
donnée manquante ou mauvaise, la
présence de nuage, ombre, neige, glace,
mer, océan, etc
NDVI = SCALING * DN + OFFSET

NDVI = 1/250 * DN - 0.08
NDVI = 0.004 * DN - 0.08
Par exemple : 0.32 = 0.004 * 100 - 0.08
318
(…)
319
Figure 194 : Principe de la conversion des DN (Digital Number des pixels) en valeurs de NDVI
• Sauver le scénario (ou File > Save as)
• Importer et convertir les images en utilisant les 2 scénarios créés ci-dessus :

• « Import/Export > Import > Generic importer > Time series > »
• Soit
• ouvrir les scénarios préétablis (confer ci-dessus)
• préciser les dates de début et de fin pour l’exécution de
chaque scénario
• SPOT-VGT : 19980401 jusque 20131221 (9 minutes)
• PROBA-V : 20140101 jusque 20190921 (3 minutes)
• Soit, pour aller plus vite, ouvrir les Task files (TNT) correspondant pré-
enregistrés pour vous :
• « GENERIC_IMPORT_SPOT_VGT_1998_2013.tnt »
• « GENERIC_IMPORT_PROBAV_2014_2019.tnt »
• Exécuter
Le panneau des tâches s’active et il est possible de suivre l’avancement de l’importation.
320
• Après exécution de l’importation, vérifier que l’exécution s’est opérée
correctement :
• Via l’onglet « Results »
• point noir : OK
• point rouge : ERROR
• Via le nombre de fichiers présents dans le dossier dans lequel les images ont
été importées (dossier
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\DATA\SEN\NDVI_1km_V2.2.1
»)
• 774 images * 3 fichiers/image = 2322 fichiers doivent être présents
 La série complète d’images NDVI a été importée dans SPIRITS dans le format ENVI. Elle
se trouve dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\DATA\SEN\NDVI_1km_V2.2.1 ».
Chaque image est composée d’un triple fichier :

 img : l’image en tant que telle
 hdr : fichier en-tête, fichier texte nécessaire dans le format ENVI (confer image ci-
dessous). il contient les informations nécessaires à la bonne lecture du fichier dans
SPIRITS.
 xml : métadonnées
321
La description détaillée du « header file » est faite dans le manuel officiel de SPIRITS à la
page 21.
En particulier, il est important de bien comprendre la signification de la ligne « values » :

confer image ci-dessous :
10.6.5. Visualisation d’une série d’images NDVI

Une fois les images importées, SPIRITS peut facilement effectuer toutes sortes de
traitements sur l’ensemble des images.
Dans un premier temps, vous allez visualiser vos images via la création en chaine
(automatique) de carte pour chaque image.
322
10.6.5.1. Création d’un « map template » ou template de carte (QNQ)
Pour créer des cartes en chaine, il faut d’abord créer un « map template », c’est-à-dire une
mise en page cartographique. Elle pourra être ensuite utilisée pour l’ensemble des images.
 Analysis > Maps > Create Template
Pour gagner du temps, ouvrez un map template préalablement préparé pour vous :
 File > Open > naviguer vers « C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\QNQ\

Map_SEN_NDVI_SIMPLE.qnq »
 Explorez et comprenez les différents paramètres de mise en page cartographique.
o Faites éventuellement l’une ou l’autre modification, et, le cas échéant,
sauvegardez votre nouveau map template via le menu :
 File > Save as > naviguer vers
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\QNQ\
Map_SEN_TEMPLATE_VOTRE_NOM.qnq »
o Remarque :
 Les éléments de texte à faire apparaitre dans le titre ou ailleurs sur la
carte (onglet « text ») et comme titre de la légende (onglet « legend >
Title ») peuvent utiliser des variables dont les codes sont expliqués dans
l’onglet « legend » via le bouton « Title parameters » (par exemple pour
faire apparaitre la bonne date ou le bon capteur sur chaque carte)
10.6.5.2. Production d’une série de cartes à partir d’un « map template »

Une fois le « map template » réalisé, il peut être utilisé pour produire une série de carte
automatiquement. Pour ce faire :
 Analysis > Maps > Maps Series > Time series
La fenêtre “Create Quick Look” s’ouvre
 Soit paramétrez la fenêtre comme vous voulez en réutilisant le map template (QNQ)
créé dans la section précédente et sauvegarder cette tâche comme un nouveau
« task files » (TNT)
 Soit, pour gagner du temps, ouvrez le TASK FILES (TNT)
« CREATE_MAPS_SEN_NDVI_2013_2015.tnt » préalablement créé pour vous.
Modifiez éventuellement les dates de début et de fin selon la période pour laquelle
vous voulez produire des cartes (et dans ce cas, sauvegardez votre nouveau TNT (File
> Save as)).
323
 Cliquer sur « Execute » pour produire la série de cartes.
Après exécution de la création de cartes en série, vérifier que l’exécution s’est opérée
correctement :
• Via l’onglet « Results »

• point noir : OK
• point rouge : ERROR
• Via le nombre de fichiers présents dans le dossier dans lequel les cartes ont été
créées (dossier
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\PNG\SENEGAL_MAPS_NDVI »)
 Visualisez les cartes produites dans le répertoire de sortie

« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\PNG\SENEGAL_MAPS_NDVI »
o Faire défiler rapidement toutes les images dans un visionneur d’images (ex :
Microsoft Office Picture Manager) afin de visualiser une animation montrant
l’évolution des conditions de végétation sur la zone étudiée.
o Remarque : il est possible de créer une animation au format GIF via le logiciel
GIMP, par exemple pour mettre sur un site web (confer la fin de la section
6.2).
324
325
10.6.6. Extraction de statistiques à partir des images NDVI
10.6.6.1. Création de la structure de la base de données

Avant de pouvoir extraire des statistiques à partir de l’image, il faut définir quelques
variables de la base de données qui sera produite. Pour ce faire, utiliser les menus suivants :
 Analysis > Database > (confer image ci-dessous)

o Sensors >:
o Variable >:
o Regions >:
o Classes >:
Pour « SENSORS » :
 Soit ajouter manuellement les 3 informations demandées (confer image ci-dessous)

 Soit importer le fichier texte préalablement fait pour vous contenant ces
informations.
o Il se trouve dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TXT\SENSORS.txt”
o Attention à bien paramétrer l’importation !
o comme dans ce cas-ci il s’agit d’un mélange de 2 capteurs (SPOT VGT et
PROBAV) il sera indiqué « CGLS_VGT_PROBAV »
326
Pour « VARIABLES » : définir 2 variables :
 Soit ajouter manuellement les 3 informations demandées pour chaque variable

(confer image ci-dessous)
 Soit importer le fichier texte préalablement fait pour vous contenant ces
informations.
o Il se trouve dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TXT\VARIABLES.txt”
 Attention à bien paramétrer l’importation !
o NDVI = NDVI « normal »
o sNDVI = NDVI ayant subi un lissage temporel (ceci sera expliqué dans la
section 10.6.7 page 346)
327
o Les autres variables déjà présentes dans ce fichier texte correspondent à des
variables phénologiques et seront utilisée ultérieurement (confer section
10.6.9 page 359 et suivantes)
Pour « REGIONS » :
 Pas possible d’importer de « Regions sets »  faire un ajout manuel (confer image ci-
dessous). Ceci correspond à la région générale : on lui donne un nom.
 Importer ensuite les « Regions in Regions set » à partir du shapefile des
départements du Sénégal qui est dans le dossier
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\VEC\Senegal_deps.shp »
o Confer le paramétrage dans l’image ci-dessous
o Ceci correspond aux sous-régions dans la région générale : on indique à quoi
correspondent les régions qui seront utilisées pour l’extraction de
statistiques : on leurs donne des noms.
328
o Notez que la colonne du shapefile appelée « SNNIV3_ID », qui varie de 1 à 35
et qui identifie chacun des départements du Sénégal par un identifiant
unique, est utilisée comme identifiant des régions dans la base de données.
Figure 195 : Aperçu du shapefile sur le Sénégal et sa table d’attributs avec 35 départements avec
les identifiants de 1 à 35 dans la colonne « SNNIV3_ID »
329
Figure 196 : Importation des « Regions » dans SPIRITS à partir du shapefile « Senegal_deps.shp »
Pour « Classes » :
 pas d’importation : ajout manuel

 paramétrage : confer image ci-dessous
 The Classes Set containing the (land use/land cover) Classes used in the extraction
(page 243 du manuel official de SPIRITS)
330
En résumé, les 4 éléments de la base de données sont créés :
331
332
10.6.6.2. Création de l’image raster des zones d’intérêt pour l’extraction des
statistiques
Pour pouvoir faire l’extraction des statistiques des images NDVI par zones d’intérêt (les
départements du Sénégal), SPIRITS a besoin que ces zones d’intérêt lui soit fournies en
format raster (image, matrice). SPIRITS ne peut utiliser directement un fichier vectoriel
shapefile.
Il faut donc créer une image raster à partir du fichier vectoriel des départements du Sénégal.
Cette image doit être compatible en termes de système de coordonnées, résolution spatiale
et étendue avec les images sur lesquelles l’utiliser (images NDVI dans notre cas).
Pour plus d’information sur cette étape se référer au tutorial officiel de SPIRITS, page 61
« Exercise 4-6 Rasterize Shapefiles ».
Pour ce faire:
 Import / Export > Vectors > Rasterize SHP-File
Dans la fenêtre “Rasterize SHP” qui s’ouvre:
 Soit paramétrer la fenêtre comme indiqué dans l’image ci-dessous et sauvegarder

éventuellement votre « Task file » (TNT)
 Soit, pour gagner du temps, ouvrir (File > Open) le « Task file » (TNT) préalablement
établi pour vous
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNTRasterize_SEN_DEPS_for_NDVI
.tnt »
o « Framing » :
 Peut être spécifié sur base d’un header file d’une image NDVI qui doit
être analysée avec l’image rasterizée
o « Parameters » :
 Attributes : la valeur à donner aux pixels de l’image rastérisée. Dans
notre cas, cela correspond aux identifiants des départements du
Sénégal (SNNIV3_ID) qui varie de 1 à 35. Notez que c’est cette même
valeur qui a été utilisée lors de la création des identifiants des régions
de la base de données dans la section précédente.
 Rasterized data type : 8 Byte : permet des valeurs de 0 à 255, ce qui
convient dans notre cas puisque les id varient de 1 à 35.
 No data flag : la valeur à donner aux pixels de l’image rastérisée
lorsque il n’y a pas de données correspondante dans le shapefile (en
dehors du Sénégal dans ce cas-ci). Mettre la valeur de 0 (une autre
valeur de votre choix, différente de 1 à 35, pourrait convenir aussi).
o « Adapt HDR » :
333
 confer image ci-dessous
 Cliquer sur « Execute » pour lancer la rastérisation
 Vérifier le résultat :
o Dans le panneau « Results » de SPIRITS (point noir)
o Dans le dossier
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\DATA\SEN\RASTERIZED\
SEN_DEPATEMENTS_RASTERIZED.img » (présence de la couche)
o Dans QGIS ou un autre logiciel : afficher l’image rastérisée (facultatif)
334
Figure 197 : Visualisation du fichier « SEN_DEPATEMENTS_RASTERIZED.img » dans le logiciel ENVI
avec palette de couleurs « EOS A ».
10.6.6.3. Extraction des statistiques sur les valeurs de NDVI à partir des
images
Spécifications de l’extraction de statistiques : choix de la méthode (SPU)
Plusieurs méthodes d’extraction des valeurs des images par zone sont proposées dans
SPIRITS. Un fichier de « spécification » doit être établi afin de spécifier le type de méthode
qui sera utilisé.
Dans notre cas, la méthode la plus simple sera utilisée :
 « no land use classification », soit une valeur moyenne par zone (par département)
(= regional means ("Overall Mean")) sans tenir compte de l’occupation du sol.
Pour plus d’information sur les autres méthodes, voir les pages 249 et 251 du manuel officiel
de SPIRITS :
 « Hard classification method : one mean value per class per region” (“class” = classe
d’occupation du sol)
 “Area fractions method: one mean value per class per region, weighted by the AFI of
that class.” (AFI = Area Fraction Images)
Création d’un SPU
335
 Analysis > Database > Extract > Specification
Paramétrer le SPU :
 Soit paramétrer le SPU comme indiqué dans l’image ci-dessous et sauvegarder

éventuellement votre scénario
 Soit, pour gagner du temps, ouvrir (File > Open) le « fichier de spécifications » (SPU)
préalablement établi pour vous
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SPX\SPU_EXTRACT_RUM_SEN_NDVI.
spu »
Création du scenario d’extraction
Avant de procéder à l’extraction, un scenario d’extraction doit être créé. Celui-ci permet de
préciser d’autres paramètres de l’extraction.
Pour ce faire :
 Analysis > Database > Extract > Scenario
Paramétrer le scénario :
 Soit paramétrer le scénario comme indiqué dans l’image ci-dessous et sauvegarder

éventuellement votre scénario
 Soit, pour gagner du temps, ouvrir (File > Open) le « scénario » (SNS) préalablement
établi pour vous
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SNS\RUM_Extract_scenario_NDVI_SE
N»
336
ATTENTION ! Remarque importante !
Les ID du « Region Sets » de la base de données (« Region Sets » appelé « DPTS_SEN » dans
ce cas-ci et préalablement construit à partir du shapefile des départements du Sénégal avec
des ID de 1 à 35) doivent correspondre aux ID de l’image utilisée pour l’extraction de
statistiques (l’image rastérisée à partir du shapefile des départements du Sénégal dans ce
cas-ci « SEN_DEPATEMENTS_RASTERIZED.img »). C’est cette correspondance qui permet de
placer les valeurs extraites dans les bonnes « cases » correspondantes de la base de
données.
“In case the extracted data will be uploaded into the projects RUM database, the ID's in this
Regions IMG must agree with the Id's of the Regions contained in the selected Regions Set
from the database: this Id is one of the links between the data extracted by the Extract RUM
tool and the data imported into the RUM database.” (page 246, SPIRITS official manual)
Extraction des statistiques des images par zone d’intérêt
L’extraction peut enfin se faire. Pour ce faire :
337
 Analysis > Database > Extract > Time series
Paramétrer la tâche d’extraction :
 Soit paramétrer la tâche d’extraction comme indiqué dans l’image ci-dessous et

sauvegarder éventuellement votre « Task file » (TNT)
établi pour vous
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SNS\EXTRACT_RUM_SEN_NDVI_1998
_2019.tnt »
 Cliquer sur “Execute” (temps d’exécution: 8 minutes)

o Dans le dossier
“C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\RUM\SEN\NDVI\ » (présence
des fichiers de résultat)
338
10.6.6.4. Visualisation des profils temporels de NDVI par région
Maintenant que les statistiques ont été calculées, extraites, et stockées dans la base de
données du projet SPIRITS, il est possible de la consulter, notamment via la création de
graphiques.
Pour consulter la base de données produite :
 Analysis > Database > Browse
Pour visualiser un profil temporel de l’évolution du NDVI entre 1998 et 2019 pour une
région donnée :
 Sélectionner la région et parcourir les onglets « Table », « Chart Preview » et « Matrix

Preview »
339
Dagana, Podor, Louga : forte variabilité inter-annuelle : Nord du Sénégal, faibles
précipitations !
Remarquer la variabilité du pic de NDVI d’une année à l’autre, en particulier pour 2002 où le
pic est faible.
340
Dakar et Pikine : décroissant. Urbanisation ?
Ziguinchor : élevé et régulier : sud du Sénégal, bien arrosé.
341
342
Source: Analysis of mean climate conditions in Senegal (1971–98), S Fall, D Niyogi, FHM
Semazzi - Earth Interactions, 2006, journals.ametsoc.org,
http://landsurface.itap.purdue.edu/publications-protected/J41.pdf
343
Pour visualiser un profil temporel de l’évolution du NDVI entre 1998 et 2019 pour une
région donnée avec superposition des années:
 Cliquer sur « New Chart »

o Explorer les options de mise en page des graphiques
o Possibilité d’ouvrir ou sauvegarder un template degraphique (CNC) via « File >
Open » ou « File > Save as », dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\CNC\ ».
o Ouvrir par exemple le template « NDVI_DAGANA_2002 lissé.cnc »
o Possibilité d’exporter en PNG (File > Export PNG)
344
Bruit du signal NDVI et lissage temporel
On peut remarquer que le signal NDVI « brut », celui utilisé pour l’extraction des statistiques,
présente une certaine irrégularité dans son évolution intra-annuelle : il y a un certain bruit
du aux conditions atmosphériques changeantes d’une décade à l’autre.
Pour diminuer l’impact des conditions atmosphériques sur le signal et de la sorte produire
un signal qui traduit mieux les conditions de végétation réelles, il est possible d’effectuer
un « lissage temporel » du signal NDVI. Ceci sera fait dans la section suivante.
345
10.6.7. Lissage temporel des images NDVI et extraction des statistiques
10.6.7.1. Concept du lissage temporel d’images satellites

La figure ci-dessous illustre le concept de lissage temporel d’images satellites.
La courbe d’évolution temporelle du NDVI dérivée de chacun des pixels de l’image (courbe
noire « Original » sur le graphique) présente un certain bruit. Cette courbe correspond à
l’évolution du NDVI pour un pixel donné sur la série d’images NDVI utilisée.
Cette courbe peut être lissée via de nombreuses méthodes (courbe rouge « S-G filter » sur le
graphique (algorithme de Savitzky-Golay)).
Les valeurs de NDVI lissées (courbe rouge) sont ensuite utilisées pour produire de nouvelles
images de NDVI lissées temporellement.
Source: Construction of smooth daily remote sensing time series data: a higher spatio
temporal resolution perspective, Zhuokun Pan, Yueming Hu, Bin Cao, 2017, DOI
10.1186/s40965-017-0038-z, https://link.springer.com/content/pdf/10.1186%2Fs40965-
017-0038-z.pdf
10.6.7.2. Lissage temporel des images NDVI

Pour appliquer un lissage temporel à la série d’images NDVI :
 Processing > Temporal> Smoothing > Smooth
Paramétrer la tâche de lissage temporel :
 Soit paramétrer la tâche de lissage temporel comme indiqué dans l’image ci-dessous
et sauvegarder éventuellement votre « Task file » (TNT)
346
établi pour vous
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNT\SMOOTH_NDVI_TEMPORALY_SE
N_1998_2019.tnt »
o Suffixe k : par convention, qui signifie qu’il s’agit d’un NDVI lissé
temporellement
o Output flags : choisir dans ce cas-ci « Copy UNI-flags » car nos images
respectent ce système. Confer manuel officiel de Spirits page 25 section
« 2.3.2. The UNIflags system ».
347
 Cliquer sur « Execute » pour lancer le lissage temporel (temps d’exécution : 1 minute)
o Dans le dossier
_SMOOTHED\ » (présence des images)
Remarque : en principe, il faudrait s’assurer que la technique de lissage utilisée produit

l’effet escompté et le cas échéant modifier le paramétrage du lissage jusqu’à obtenir l’effet
escompté. Le signal lissé peut être observé visuellement avec, par exemple, la méthode de
visualisation graphique présentée dans la section 10.6.6.4 page 339 et suivantes.
10.6.7.3. Extraction des statistiques sur les images NDVI lissées

temporellement
Une fois les images lissées temporellement, elles peuvent être utilisées pour extraire les
statistiques désirées (valeurs moyenne de NDVI par zone par exemple).
Le même type d’opération a déjà été effectué précédemment sur les images NDVI brutes
dans la section 10.6.6 page 326 et suivantes.
348
 Création de la structure de la base de données :
o créer une variable sNDVI (smoothed NDVI) : déjà fait à la section 10.6.6.1.
 Création du scenario d’extraction à partir du scénario précédant:
o Analysis > Database > Extract > Scenario
o Soit
 File > Open > RUM_Extract_scenario_NDVI_SEN.sns
 Modifier le Scénario comme indiqué dans l’image ci-dessous et
sauvegarder éventuellement votre scénario
o Soit, pour gagner du temps,
 Ouvrir (File > Open) le « scénario » (SNS) préalablement établi pour
vous «
C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SNS\RUM_Extract_scen
ario_NDVI_SMOOTHED_SEN.sns »
o Attention à :
 « input path »: smoothed NDVI
 « output path »: NDVI_SMOOTHED
 « suffix » : k (k = par convention, qui signifie qu’il s’agit d’un NDVI lissé
temporellement)
 « Variable » : sNDVI
349
 Extraction des statistiques des images NDVI lissées temporellement par zone
d’intérêt
o Analysis > Database > Extract > Time series
o Paramétrer la tâche d’extraction :
 Soit paramétrer la tâche d’extraction comme indiqué dans l’image ci-
dessous et sauvegarder éventuellement votre « Task file » (TNT)
 Soit, pour gagner du temps, ouvrir (File > Open) le « Task file » (TNT)
préalablement établi pour vous «
C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SNS\EXTRACT_RUM_SE
N_NDVI_SMOOTHED_1998_2019.tnt »
o Cliquer sur “Execute” (temps d’exécution: 7 minutes)
o Vérifier le résultat :
 Dans le panneau « Results » de SPIRITS (point noir)
 Dans le dossier
 “C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\RUM\SEN\NDVI_SMOO
THED\ » (présence des fichiers de résultat)
 Visualisation des profils temporels de NDVI par région
Une fois les statistiques extraites à partir des images lissées temporellement, elles peuvent
être explorées, via des graphiques notamment, comme similairement fait pour les images
NDVI brutes à la section 10.6.6.4 page 339 mais en choisissant cette fois la variable
« sNDVI » !
Exemple pour Dagana dans l’image ci-dessous (images NDVI lissées temporellement mais
l’option de lissage du graphique n’a pas été utilisée ici).
350
Ces images temporellement lissées sont de meilleure qualité que les images brute dans le
sens où elles expriment mieux le comportement réel de la végétation à travers le temps car
elles sont moins impactées par les variations des conditions atmosphériques.
10.6.8. Création de carte d’anomalie

Pour créer une carte d’anomalie, plusieurs méthodes existent : confer le tutoriel officiel de
SPIRITS page 84.
Dans le cadre de cet exercice nous allons créer une carte d’anomalie du NDVI pour chaque
décade de l’année 2002 pour le Sénégal en comparant le NDVI de chaque décade de l’année
2002 à la valeur moyenne observée sur toute la série d’images disponibles (1998-2019) pour
chaque décade. Cette valeur moyenne sera appelée « Long Term Average » (LTA). Les étapes
à suivre sont :
 Calcul du LTA
 Calcul des images d’anomalie
 Visualisation des images d’anomalie
10.6.8.1. Calcul de « Long Term Average » (LTA) des images NDVI
351
Pour calculer les images NDVI décadaires « Long Term Average » pour le Sénégal pour la
période 1999-2018 (1998 et 2019 ne sont pas considérées vu que ces séries ne sont pas
complètes) :
 Processing > Temporal > Long-term statistics

 Ensuite,
o Soit paramétrer l’outil LTA comme indiqué dans la fenêtre ci-dessous,
sauvegarder éventuellement le paramétrage dans un « task file » (TNT), et
exécuter l’outil
o Soit ouvrir (File > Open) le « task file » (TNT) préalablement établi pour vous
disponible dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNT\LTA_1999_2018.tnt »
et l’exécuter (temps d’exécution : 2 minutes)
o Remarquez que ce sont les images temporellement lissées qui sont utilisées
pour calculer le LTA.
o Dans le dossier
“C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\DATA\SEN\NDVI_1km_V2.2.1_
352
SMOOTHED_LTA\ » (présence de 36 images (72 fichiers (img+hdr)), soit 1 par
décade, pour chaque type de résultat demandé (mean, median, etc))
 ATTENTION ! Les résultats de l’analyse « Long Term Average » utilisent
un code année allant de 1950 à 1964 qui a une signification précise :
confer illustration ci-dessous.
 Les images de la valeur moyenne auront comme code année « 1962 »
Source : page 168 of SPIRITS official manual
Ces images LTA ne seront pas visualisées dans cet exercice.
Référence dans le tutoriel officiel de SPIRITS : page 82.
10.6.8.2. Calcul d’anomalie du NDVI via la méthode « Relative difference »

Reference dans le tutoriel officiel de SPIRITS : page 84 et 87.
La différence relative se calcule comme suit:
 Différence_relativey,p = (valeury,p - LTAp) / LTAp

 Exemple : -75% = ( 0.2 - 0.8 ) / 0.8
avec y= year, et p= period in the year (dekad).
La différence relative correspond donc à la variation en % par rapport à « la situation

moyenne » (LTA mean, ou LTA median), pour la période étudiée. Par exemple,
 Si pour un endroit et une décade donnés, on observe un NDVI de 0.2 et que le LTA
NDVI correspondant est de 0.8, alors on obtient une différence relative de (0.2-
0.8)/0.8 = -0.6/0.8 = -75%, c’est-à-dire que le NDVI est de 75% inférieur à la LTA.
353
 Si NDVI = 0.8 et LTA = 0.2, alors la RD = (0.8-0.2)/0.2 = 300%, soit un NDVI supérieur
de 300% à la LTA.
Pour calculer une anomalie de type « Relative Difference » :
 Processing > Temporal > Anomalies > Time series > et création d’un “New”
scenario (bouton “New”)
 Ensuite,
o Soit paramétrer le « Difference scenario » comme indiqué dans la fenêtre ci-
dessous, sauvegarder éventuellement le « scenario file » (SNS)
o Soit ouvrir (File > Open) le « scenario file » (SNS) préalablement établi pour
vous disponible dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\SNS\
RELATIVE_DIFFERENCE_SNDVI_SEN_2002_LTA_1999_2018.sns »
Ensuite :
 Soit paramétrer la tâche de la fenêtre « Difference » comme indiqué ci-dessous, et

éventuellement sauvegarder le « task file » (TNT)
354
o Dans « Time Series », indiquer l’année (ou les années) pour lesquelles calculer
des images d’anomalie.
 Soit ouvrir (File > Open) le “task file” (TNT)
“RELATIVE_DIFFERENCE_SNDVI_SEN_2002_LTA_1999_2018 »
 Exécuter la tâche (temps d’exécution : 10 secondes)
o Dans le dossier
“C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\DATA\SEN\NDVI_1km_V2.2.1_
RELATIVE_DIFFERENCE_2002\ » (présence des 72 fichiers (36 images (1 par
décade)))
10.6.8.3. Visualisation des images d’anomalie de NDVI

Une fois les images d’anomalies produites, elles peuvent être visualisées via la réalisation
d’un map template (confer les indications données à la section 10.6.5 page 322).
 Analysis > Maps > Create template
Pour gagner du temps, utiliser le map template préalablement créé pour vous et disponible
dans le dossier « C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\QNQ\
Map_SEN_TEMPLATE_RELATIVE_DIFFERENCE_2002.qnq ». Posez-vous cependant la
question du meilleur choix des couleurs de la légende et des classes de valeurs à utiliser :
 Pour le choix des couleurs, s’intéresser à la gamme de variation des valeurs des
images d’anomalie, accessible via le header file de ces images :
o
o Minimum = (0.01*25) - 1.25 = 0.25 - 1.25 = -1, soit - 100%, ce qui correspond
bien à la limite théorique inférieur de la différence relative.
o Maximum = (0.01*250) - 1.25 = 2.5 - 1.25 = 1.25, soit + 125%. !! Cette valeur
maximale constitue une limitation dans la représentation des anomalies
355
positives (confer l’exemple (extrême) chiffré ci-dessus où on arrive à une DR
de +300%). (confer à ce propos le tutoriel officiel de SPIRTIS page 85 et le
manuel de SPIRITS page 170 : il est probable que les valeurs dépassant cette
limite supérieure soient automatiquement converties vers cette limite
supérieure).
Cette carte d’anomalie (ci-dessus) de fin août 2002 (20020821) met bien en évidence les
valeurs de NDVI très inférieure à la moyenne LTA (-50% à -70%), en particulier dans
l’extrême nord du Sénégal (département de Dagana).
Une fois le « map template » réalisé, vous pouvez l’enregistrer et l’utiliser pour produire
toutes les cartes d’anomalie pour toutes les 36 décades de 2002. Pour ce faire :
 Analysis > Maps > Map series > Time series
356
Ensuite:
 Soit paramétrer la fenêtre “Create Quick Look” comme dans l’image ci-dessous,
sauvegarder éventuellement le task file et exécuter la tâche
 Soit, pour gagner du temps, ouvrez (File > Open) le « task file » (TNT) créé
préalablement pour vous et disponible dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNT\
RELATIVE_DIFFERENCE_SNDVI_SEN_2002_LTA_1999_2018.tnt », et exécutez-le
(temps d’exécution : 30 secondes).
o Dans le dossier “ C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\PNG\SENEGAL
NDVI RELATIVE DIFFERENCE 2002\ » (présence des 36 cartes pour les 36
décades de 2002) (confer image ci-dessous (cartes rognées ici)).
357
L’ensemble de ces cartes d’anomalie (ci-dessus) pour 2002 mettent bien en évidence les
valeurs de NDVI qui sont en majorité inférieures à la moyenne LTA (couleur rouge), en
particulier dans l’extrême nord du Sénégal en juillet, août et septembre.
Notez la possibilité de créer des cartes d’anomalie sur des périodes d’un mois via
l’agrégation temporelle préalable des images NDVI et le calcul de LTA mensuel. Une carte
mensuelle a l’avantage (par rapport à une carte décadaire) de représenter via une seule
image les conditions de végétation pour un mois complet (il faudrait 3 images décadaires
aussi non).
358
10.6.9. Analyse des variables phénologiques
10.6.9.1. Présentation du concept d’extraction de variables phénologiques à

partir de courbes d’évolution du NDVI
Une série de paramètres peuvent être calculés à partir d’une courbe d’évolution du NDVI
correspondant à une saison de végétation (courbe rouge dans la figure ci-dessous par
exemple). Par exemple :
 Les dates de début/de fin de la saison de végétation et les valeurs de NDVI associées
(4 paramètres)
 La longueur de la saison (période), l’amplitude du NDVI entre le début et la fin de la
saison, différente surfaces (intégrales) sous la courbe de NDVI, etc
Ces paramètres ont une connotation « phénologique », c’est-à-dire qu’ils peuvent être
utilisés pour caractériser le développement « phénologique » de la végétation.
La phénologie de la végétation correspond typiquement à la succession d’événements

périodiques déterminée par les variations saisonnières du climat, tels que par exemple la
floraison, la feuillaison, la fructification, la coloration des feuilles des végétaux, la
sénescence.
Ces paramètres peuvent être utilisés dans des modèles qui tentent de caractériser l’état de
la végétation ou encore de prédire les rendements agricoles par exemple.
359
10.6.9.2. Calcul des variables phénologiques à partir des images NDVI
temporellement lissées (résultat = des images correspondant à des
paramètres phénologiques)
Dans SPIRITS, la fonction « Pheno » accessible via le menu
 « Processing > Temporal > Times Statistics »
permet de calculer 12 « paramètres phénologiques ». Ils sont décrits dans la figure ci-
dessous. Remarque : le « Pok » n’est pas à proprement parlé un « paramètre
phénologique » !
Figure 198 : Paramètres phénologiques calculables dans SPIRITS avec la fonction « Pheno »
accessible via le menu « Processing >Temporal > Times Statistics ». Source : page 146 du manuel
officiel de SPIRITS.
Paramétrer la tâche de calcul des 12 « paramètres phénologiques » :
Attention, malheureusement, cet outil doit être exécuté autant de fois qu’il n’y a d’années
à traiter et le paramétrage adapté à chaque année (confer Figure ci-dessous).
360
Afin que le calcul des paramètres phénologiques soit le moins possible impacté par la longue
saison sèche qui caractérise la plupart des départements du Sénégal, il est possible de définir
une fenêtre temporelle dans laquelle calculer ces paramètres phénologiques. Cette fenêtre
temporelle devrait idéalement être adaptée en fonction des différences de dynamique des
saisons de végétation dans les différents départements, si ces différences sont significatives.
Ces considérations dépassent cependant le cadre de cet exercice de découverte de SPIRITS.
Dans le cadre de cet exercice nous nous contenterons de définir une fenêtre temporelle
identique pour tous les départements, entre avril (0401, décade 10) et décembre (1221,
décade 36) de chaque année, période qui semble d’ailleurs inclure complétement la saison
de végétation dans le centre et le nord du Sénégal sur base des graphiques présentés à la
section 10.6.6.4 page 339.
Pour paramétrer le calcul des paramètres phénologiques :
 Soit paramétrer la tâche de calcul des paramètres phénologiques comme indiqué

dans l’image ci-dessous et sauvegarder éventuellement votre « Task file » (TNT)
 Soit, pour gagner du temps, ouvrir (File > Open) les « Task file » (TNT) préalablement
établis pour vous, pour chaque année, par exemple pour 1998
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNT\PHENO_NDVI_SMOOTHED_SEN
_1998.tnt »
 Attention aux paramètres « FIRST img date » et « LAST img date » : indiquer
YYYY0401 et YYYY1221 respectivement en remplaçant « YYYY » par l’année à traiter.
361
 Cliquer sur « Execute » pour lancer le calcul des paramètres phénologiques (temps
d’exécution : 4 secondes par année)
o Dans le dossier
_PHENO\ » (présence de 528 fichiers = 22 années (1998-2019) * 12
paramètres (= 12 images par saison) * 2 fichiers (header + img).
 Remarque : pour 2019, étant donné la série incomplète (qui s’arrête à 20190911), les
paramètres phénologiques ne sont pas comparables à ceux des autres années !
Le résultat de cette analyse correspond donc à 12 images par saison, avec pour une saison,
1 image par paramètre phénologique.
Comprendre aussi le header file des images values :…
362
10.6.9.3. Visualisation des images correspondant aux paramètres
phénologiques
Une fois les images des paramètres phénologiques produites, il est opportun de les visualiser
pour :
 s’assurer d’interpréter correctement leurs valeurs (variable selon le type de

paramètre)
 comprendre la répartition spatio-temporelle de ces paramètres (variation spatiale et
inter-annuelle)
Pour visualiser les images de paramètres phénologiques, des « map template » peuvent être
créé selon la même procédure que détaillée dans la section 10.6.5.1 page 323.
Pour créer ces « map template » :
 Analysis > Maps > Create template
Modifier les paramètres de mise en page, en particulier :
 L’image à mettre en page doit être sélectionnée

 Les flags doivent être importés
 Le titre de la légende et de la carte doivent correspondre à la variable représentée
(utiliser les variables codées par « %chiffre_de_la_variable »)
 ATTENTION !!! La symbologie (onglet « Colours ») doit être adaptée au type de
variable présente dans chaque type d’image et à leurs valeurs! Cliquer sur « Auto »
puis modifier comme désiré. Notez que les valeurs de la variable apparaissent dans
les 2 premières colonnes de l’onglet « Colours » : « From » et « Till » et que les Digital
Numbers (DN = valeurs digitales des pixels) associés (« Digital ») sont présents dans la
3ème colonne. Il est très important de bien comprendre la signification de ces
valeurs !!
o Pour les paramètres Dmn, Dmx, Dup, Ddn :
 Ces valeurs correspondent à des pourcentages de la période
considérée dans l’analyse. Par exemple si la date de la valeur
maximale (Vmx) est la décade 25 et que la fenêtre temporelle utilisée
va de début avril (décade 10) à fin décembre (décade 36) (et que le
« reference date » est laissée vide), on obtient une valeur de Dmx de
(25-10)/(36-10) = 58%, c’est-à-dire que la Dmx correspond à une date
légèrement ultérieure à la moitié de la fenêtre temporelle considérée
dans l’analyse.
 Sur base du header file de ces images, on voit que la gamme
potentielle des valeurs de DN varie de 0 à 200, mais avec un « scaling
factor » de 0.5, ce qui ramène la gamme potentielle des valeurs de
363
date exprimée en pourcentage de 0 à 100 (200*0.5=100). Les valeurs
de DN réellement observées varient, dans le cas de l’exemple ci-
dessous, entre 4 et 196, soit entre 2% et 98%.
 Sur cette base une symbologie allant de 0 à 100% par pas de 10% semble
adaptée (confer image ci-dessus). Cependant cette symbologie ne met pas
clairement en évidence la variabilité spatiale de la variable représentée.
On voit dans l’exemple ci-dessous que très peu de pixels sont concernés
par les faibles valeurs. Il convient dès lors d’adapter la symbologie pour
avoir une plus grande variation de couleurs pour les valeurs plus élevées.
 Afin d’adapter au mieux la symbologie, il faut se faire une meilleure idée
de la distribution des valeurs des pixels. Cela peut se faire via la création
364
d’un histogramme (graphique de la fréquence de distribution des valeurs
de pixels) via l’outil :
o Analysis > Images > Histogram > Tool
 et l’analyse du fichier texte en sortie (malheureusement, aucun graphique

de type histogramme n’est produit !)
365
 Sur lequel on peut voir que il n’y a que ~ 2.5% de pixels (colonne CUM%)
qui présentent des valeurs de DN ≤ 89 (colonne V = valeurs de DN) (valeur
de % de date associée = 44.5, colonne Y)
  la symbologie peut être adaptée pour appliquer la plus grande
variabilité de couleurs aux DN compris entre 90 et 190 (valeurs de % de
dates associées = 45-95, colonne Y) : confer image ci-dessous :
l’amélioration est légère !
366
 Le rétrécissement de la gamme de valeurs à la gamme 50% à 75%
augmente le contraste mais les pixels hors de cette gamme ne sont plus
colorés (confer image ci-dessous).
367
 Remarque : la symbologie à 3 couleurs présente un bug : elle n’attribue
pas la « From colour » à la « From value » et remplace la « From colour »
par une couleur intermédiaire, ce qui annihile la valeur ajoutée de cette
option.
Les 11 « paramètres phénologiques » sont présentés pour l’année 2002 dans la figure ci-
dessous.
368
369
Remarque: les images Aup et Adn sont quasiment binaires:
 Aup : valeurs de 90 et 91
 Adn : valeurs de 89 et 90
10.6.9.4. Création de la structure de la base de données pour accueillir les

variables phénologiques
Afin de réaliser l’extraction de statistiques sur les paramètres ou variables phénologiques, il
est nécessaire de créer ces variables dans la structure de la base de données, similairement à
ce qui a été fait à la section 10.6.6.1 page 326.
 Analysis > Database > Variable
Pour ce faire,
 Soit créer les variables manuellement via l’interface dédiée

 Soit importer le fichier texte, préalablement créé pour vous, qui reprend ces
variables, disponible dans le répertoire :
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TXT\VARIABLES.txt » (confer image
ci-dessous). (Si vous aviez déjà réalisé cette opération à la section 10.6.6.1 page 326,
inutile de le refaire.)
370
10.6.9.5. Extraction des statistiques par zone (RUM) pour les variables
phénologiques
Création de « fichiers liste » ou « list file » des images des paramètres phénologiques
Pour extraire les statistiques à partir des images correspondant aux paramètres
phénologiques, il faut préalablement créer des « fichiers listes » (« list file »).
Chaque fichier liste listera l’ensemble des 22 images (car 22 années étudiées, entre 1998 et
2019) correspondant à un paramètres phénologique donné.
(Confer page 31 et suivantes du manuel officiel de SPIRITS pour plus d’information sur la
création de « list file »).
371
Pour créer ces fichiers liste :
 Analysis > Database > Extract > Tool > Onglet List of files > New
 Sélectionner les 22 images correspondant à un paramètre phénologique
 Sauvegarder la liste (File > Save as) dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\LNL\ » avec comme nom, par
exemple pour le paramètre Adn, « Adn_1998_2019 ».
 Ensuite,
o Soit répéter l’opération pour les autres paramètres,
o Soit faites de simples copier/coller du fichier texte de liste et adaptez-les via
remplacement de texte.
o Soit se contenter des fichiers listes préalablement créés pour vous dans le
répertoire « C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\LNL\ »
Pour extraire les statistiques des listes d’images phénologiques:
 Rester dans le menu « Analysis > Database > Extract > Tool > Onglet List of files”
 Ensuite :
o Soit paramétrer la fenêtre comme indiqué dans l’image ci-dessous, exécuter,
et éventuellement sauvegarder le « task file » correspondant dans le dossier
« TNT ». Puis répéter l’opération pour chaque variable phénologique.
372
 !! Ne pas mettre de préfixe et suffixe ici !
o Soit ouvrir (File > Open) le « task file » préalablement créé pour vous pour le
paramètre « Adn » et disponible dans le répertoire
« C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\TNT\ ». L’exécuter. Puis
exécuter l’outil pour les 10 autres paramètres phéno en modifiant à chaque
fois dans l’interface de l’outil, le fichier liste input et la variable (section
« Parameters »)!
o Dans le dossier
“C:\TIME_SERIES_ANALYSIS\SPIRITS\SENEGAL\RUM\SEN\PHENO\ » (présence
des 242 fichiers de résultat (11 paramètres * 22 années = 242)
10.6.9.6. Visualisation des statistiques par zone (RUM) pour les variables
phénologiques
Une fois extraites, les statistiques peuvent être explorées via consultation de la base de
données et la réalisation de graphiques, comme indiqué préalablement à la section 10.6.6.4
page 339.
Pour consulter la base de données produite :
373
 Analysis > Database > Browse
374
On retrouve pour le paramètre Vmx (maximum NDVI value) le même comportement que
celui observé à la section 10.6.6.4 page 339 pour les départements de Dagana (Vmx faible et
irrégulier), Pikine (Vmx décroissant avec le temps) et Ziguinchor (Vmx haut et régulier).
Notons la possibilité de calculer d’autres « paramètres phénologiques » via le menu (qui ne

sera pas exploré dans le cadre de cet exercice):
 « Processing > Temporal > Phenology > Season detection »
Cet outil permet de détecter le nombre de saisons par année, les dates de début, maximum
et fin de saison, de même que les valeurs de NDVI (par exemple) associées et la longueur
de la saison. Confer le manuel officiel de Spirits, page 148 et suivante.
375
11. BFAST : Breaks For Additive Season and
Trend (dans R et RSTUDIO)
Se familiariser à l’utilisation du langage de programmation R via les

logiciels R et R-Studio pour :
 Télécharger des images MODIS (MODIS Fixed sites)
 Analyser des séries temporelles d’images MODIS, et en
particulier :
o Créer une figure représentant une image MODIS
Objectifs (visualisation)
pédagogiques o Analyser une série temporelle d’images MODIS avec le
package BFAST permettant notamment de :
 Décomposer une série temporelle en : tendance
(trend), saisonnalité (season), cassure (break),
bruit (remain) (fonction « bfast() »)
 Identifier en presque temps réel (near real time)
les cassures (breaks) dans les séries temporelles
(fonction « bfastmonitor() »)
Le dossier associé à cet exercice est le dossier

«…\8_SERIE_TEMPORELLE_BFAST\...» (~ 20 Mo).

Données
Ce dossier, présenté en détails à la section 11.2, ne contient pas de
données (pas nécessaire pour cet exercice). Il contient par contre :
 Le code R à utiliser « R_CODE_BFAST.R »

 Des exemples de graphiques résultant du code
 Des ressources complémentaires (documents pdf)
Logiciel ou BFAST (package R) (http://bfast.r-forge.r-project.org/)

application R et RSTUDIO (https://www.r-project.org/ et https://rstudio.com/)
Temps ~ 2 heures (45 minutes d’introduction et 1h15 de

approximatif découverte/compréhension/application du code R)
376
Il est fortement préférable que l’apprenant ait déjà quelques notions de
Prérequis programmation, idéalement dans R. Le non initié risque fort de ne pas
s’y retrouver.
# série temporelle, basse résolution spatiale, indice de végétation
11.1. Introduction
Les sections suivantes présentent d’abord le contenu du dossier de l’exercice, le package R
« BFAST » et ses concepts principaux, le tutoriel source sur lequel est basé cet exercice, la
manière d’installer les logiciels R et RSTUDIO, la présentation des images MODIS «
MOD13Q1 » qui seront utilisées pour l’exercice, et l’outil web MODIS « Fixed Sites Subsets
Tool » qui permet d’accéder facilement à certaines données MODIS. Il n’est pas nécessaire
d’explorer en détails tous les liens qui sont donnés dans ces sections.
Ce n’est qu’à la section « 11.8 Utilisation de BFAST dans R et RSTUDIO » page 387 que
l’exercice pratique commence réellement via l’utilisation du code R « R_CODE_BFAST.R ».
Pour bien comprendre ce que le code R fait, les indications des sections précédentes doivent
avoir été parcourues.
11.2. Contenu du dossier de l’exercice

Le dossier relatif à cet exercice est le dossier suivant :
 « 8_SERIE_TEMPORELLE_BFAST » qui contient :

o « R_CODE_BFAST.R » le code R à utiliser pour cet exercice (adapté depuis le
tutoriel source présenté à la section 11.4)
o Documents PDF :
 « bfast R PACKAGE MANUAL.pdf »: le manuel du package R
« BFAST ».
 « MODISTools R PACKAGE MANUAL.pdf » le manuel du package R
« MODISTools » pour travailler sur les données MODIS dans R.
 « MOD13_User_Guide_V6.pdf » : le guide d’utilisateur des produits
MODIS avec beaucoup d’information techniques sur ces produits.
o « RSE PAPERS JAN VERBESSELT » : les 3 articles scientifiques de Jan
VERBESSELT en lien avec le développement et l’utilisation de BFAST.
o « PLOT » : un dossier pour recueillir les graphiques (plots) générés par
l’analyse BFAST pour différents sites, avec certains graphiques déjà générés
lors de tests.
377
11.3. Présentation de BFAST (package de R)
« BFAST, Breaks For Additive Season and Trend » permet la décomposition de séries
temporelles en différentes composantes : une tendance (anglais : « trend »), un aspect
saisonnier (anglais : « season »), et reste (anglais : « remainder ») et propose une séries de
méthodes pour détecter et caractériser les changements (dont des cassures (anglais :
« breaks » qui sont des changements brutaux et importants) au sein d’une série temporelle.
Jetez un œil rapide aux pages web de référence suivantes :
 Projet home page : http://bfast.r-forge.r-project.org/

 Project summary page: http://r-forge.r-project.org/projects/bfast/
Source: http://bfast.r-forge.r-project.org/
11.3.1. Fonction “BFAST”

La function “BFAST estimates the time and number of abrupt changes within time series,
and characterizes change by its magnitude and direction.”
Figure 199 : « Fitted seasonal, trend and remainder (i.e. estimated noise) components for a 16-day
MODIS NDVI time series (data series) of a pine plantation”
378
Source : J. Verbesselt et al. / Remote Sensing of Environment 114 (2010) 106–115
11.3.2. Fonction « BFASTmonitor »

La function “BFASTmonitor provides functionality for monitoring disturbances in time series
models (with trend/season/regressor terms) at the end of time series (i.e., in near real-
time).”
Figure ci-dessus: “Simulated 16-day MODIS NDVI time series. The period from 2004 until
mid-2010 (i.e., the time step just before the simulated break), is considered the history
period and the period after the simulated break is the monitoring period (grey background).
The monitoring period contains 6 observations. The result of the monitoring approach is
shown: A stable history period is identified within the history period (i.e., 2007 until mid-
379
2010) and used to model and predict the normal data variation (blue dashed line) to enable
disturbance detection. Here, a disturbance is detected after 3 observations in the
monitoring period (green vertical line). Applications: Deforestation, forest health
monitoring and phenological change detection within time series of spatio-temporal data
sets (satellite images)."
D’autres exemples sont donnés dans la figure ci-dessous.
Source : J. Verbesselt et al. / Remote Sensing of Environment 123 (2012) 98–108.
380
11.4. Tutoriel source
L’exercice qui est présenté dans cette section « BFAST » de ce manuel de travaux pratique se
base en très grande majorité sur le tutoriel de Jan Verbesselt disponible ici :
 MODIS based time series analysis using BFAST

 https://verbe039.github.io/BFASTforAEO/
Ce tutoriel ne doit pas être parcouru vu que toutes les informations nécessaires à la
réalisation de l’exercice sont reprises dans ce manuel et dans le code R mis à disposition. Il
pourra cependant peut être s’avérer une ressource utile en cas de problème.
381
11.5. Installation des 2 logiciels R et RSTUDIO
BFAST est un package du logiciel R. Il s’utilise donc dans l’environnement de R et il vous faut
donc installer R sur votre ordinateur.
RSTUDIO est un logiciel qui sert d’interface pour travailler avec R. Il faut également installer
RSTUDIO sur votre ordinateur.
11.5.1. Téléchargement et installation de R
 Page principale du logiciel R :

o https://www.r-project.org/
 Page et procédure de téléchargement :
o https://www.freestatistics.org/cran/
o > "Download R for Windows" si vous êtes sur Windows
o > Choisir "base"
o > Choisir "Download R 3.6.3 for Windows" (téléchargez la dernière version
disponible qui est peut être ultérieure à cette version)
o > Télécharger puis installer
11.5.2. Téléchargement et installation de R STUDIO
 Page principale du logiciel RSTUDIO :

o https://rstudio.com/
 Page et procédure de téléchargement :
o https://rstudio.com/
o > Cliquer sur « Download RSTUDIO »
o > Choisir la version gratuite "RStudio Desktop free"
o > Choisir "l'installers" pour votre système d'exploitation, par exemple pour
Windows: "RStudio 1.2.5033 - Windows 10/8/7 (64-bit)" (téléchargez la
dernière version disponible qui est peut être ultérieure à cette version)
o > Télécharger puis installer
382
11.6. Présentation des images MODIS « MOD13Q1 »
Le produit NDVI de MODIS est repris dans le produit MODIS appelé « MOD13Q1 ». Ce
produit sera utilisé dans ce tutoriel comme source de donnée du NDVI pour construire la
série temporelle. Cette section présente brièvement les images MODIS et ce produit en
particulier.
Page web principale de MODIS:
 https://modis.gsfc.nasa.gov/
Informations sur MODIS :
 https://modis.gsfc.nasa.gov/about/
o MODIS (or Moderate Resolution Imaging Spectroradiometer) is a key
instrument aboard the Terra and Aqua satellites.
o Terra MODIS and Aqua MODIS are viewing the entire Earth's surface every 1
to 2 days, acquiring data in 36 spectral bands, or groups of wavelengths
 Technical specifications: https://modis.gsfc.nasa.gov/about/specifications.php
o Spatial Resolution: 250 m (bands 1-2, red & NIR), 500 m (bands 3-7), 1000 m
(bands 8-36)
 List of MODIS products:
o https://modis.gsfc.nasa.gov/data/dataprod/
 MODIS Vegetation Index Products (NDVI and EVI): MOD13!
o https://modis.gsfc.nasa.gov/data/dataprod/mod13.php
 MOD13Q1 v006
o https://lpdaac.usgs.gov/products/mod13q1v006/
o MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m
o NDVI + EVI (EVI: improved sensitivity over high biomass regions)
o 2 vegetation layers + 1 quality layer and 1 quality reliability layer for the
indices NDVI and EVI + 4 reflectance bands (1 (red), 2 (near-infrared), 3 (blue),
and 7 (mid-infrared)), as well as 4 other layers  12 bands
 Le NDVI de MOD13Q1 sera utilisé dans ce tutoriel.
383
Source de l’illustration : https://sites.google.com/site/chempendix/em-spectrum
384
11.7. Présentation du MODIS « Fixed Sites Subsets Tool »
Le MODIS « Fixed Sites Subsets Tool » est une plateforme web qui donne un accès facile à
certaines données MODIS pour des sites prédéfinis. Cet exercice utilisera des données
MODIS provenant de ces sites prédéfinis.
Site web :
 https://modis.ornl.gov/sites/
“The Fixed Sites Subsets Tool provides:
 customized subsets and visualizations of several MODIS/VIIRS land products and

Daymet daily surface weather data for selected fields
 for predefined areas of about 8 X 8-km centered on the selected sites.”
Sélectionnez un site d’intérêt sur la carte :
 Dans le tutoriel web de Jan VERBESSELT, c’est le site 'Gelderland Loobos' aux Pays-
Bas qui est utilisé.
385
 Dans ce manuel, c’est le site « ke_laikipia_mpala » dans le centre du Kenya qui sera
utilisé. Trouvez et sélectionnez ce site via l’interface spatiale ou le menu de
recherche.
 Mais libre à vous d’utiliser un autre site. Choisissez cependant un site encore actif
(certains ne le sont plus). Idéalement trouvez un site présentant une évolution
temporelle du NDVI non régulière (présence d’une variation saisonnière, d’une ou
plusieurs tendances et cassures) afin que l’analyse de cette série avec BFAST (section
suivante) produise des résultats « intéressants ». ATTENTION, il vous faudra alors
adapter le nom du site lors de l’utilisation de R (confer section suivante).
Sélectionnez ensuite, dans le tableau sous la carte, le produit MOD13Q1 « MODIS/Terra

Vegetation Indices (NDVI/EVI) » (décrit plus haut).
Identifiez, pour le site sélectionné:
 Dans l’onglet « Download Data »

o Le nom de la bande d’intérêt, (ici : « 250m_16_days_NDVI »)
o L’évolution des valeurs de NDVI à travers le temps via le graphique disponible
sous le tableau
o Le type d’occupation du sol présent via la webmap disponible en bas de page,
onglet « Land Cover »
o La phénologie via le graphique disponible en bas de page, onglet
« Phenology »
 Dans l’onglet « Subset Summary » :
o Le « Site ID » (ke_laikipia_mpala)
o Le « Subset Date Range » (période couverte) (2000-02-18 (2000049) to 2020-
03-05 (2020065) au moment d’écrire ces lignes)
Remarquez également :
 “Under 'Download data' tab and table you can see the Pixel Numbering Scheme
where the blue pixel (i.e. 545) is the "site pixel" (i.e. the middle of the spatial
subset).”
ATTENTION ! Dans le cadre de cet exercice, la série temporelle d’images NDVI MODIS ne
sera pas téléchargée manuellement à partir de ce site web « Fixed Sites Subsets Tool » de
MODIS MAIS plutôt via l’utilisation du code R mis à disposition (confer section suivante) qui,
lui, téléchargera automatiquement les données à partir de ce site web. Certaines des
informations identifiées ci-dessus (« Site ID », etc) sont reprises dans le code R.
386
11.8. Utilisation de BFAST dans R et RSTUDIO
Dans cette section, vous allez utiliser l’outil BFAST pour réaliser une analyse de série
temporelle d’images NDVI MODIS dans R et RSTUDIO pour un site MODIS prédéfinis (confer
ci-dessus).
Utilisez le fichier « 8_SERIE_TEMPORELLE_BFAST\R_CODE_BFAST.R » qui est :
 un copié collé du tutoriel mentionné ci-dessus

(https://verbe039.github.io/BFASTforAEO/)
 dans lequel quelques améliorations ont été apportées
Double-cliquez sur ce fichier qui s’ouvrira en principe dans RSTUDIO.
Suivez les indications reprises sous forme de commentaires (#) dans ce fichier. Tentez de
comprendre comment fonctionne ce code R en l’exécutant morceau par morceau et
visualisez les résultats intermédiaires et finaux. Faites éventuellement varier certains
paramètres afin de comprendre leur impact sur les résultats de l’analyse.
Quelques résultats sont repris ci-dessous pour le pixel central (N° 545) du site
« ke_laikipia_mpala » dans le centre du Kenya.
 Série temporelle du NDVI
 Résultat de la fonction bfast()
387
 Résultats de la fonction bfastmonitor() en fonction de différents paramétrages
Trend + Harmo + Order 3 Trend + Harmo + Order 1
NO Trend + Harmo + Order 3 Trend + NO Harmo (+ Order 3)
388
12. Autres outils d’analyses de séries
temporelles d’images satellites
Section donnée à titre d’information
12.1. AρρEEARS - Application for Extracting and Exploring

Analysis Ready Samples
https://arset.gsfc.nasa.gov/land/webinars/time-series-19
 Exercise 1: Extracting MODIS Time Series Data Using AppEEARS

 https://lpdaacsvc.cr.usgs.gov/appeears/
 + confer the slides of présentation
Example: https://lpdaacsvc.cr.usgs.gov/appeears/help
12.2. LandTrendr via Google Earth Engine

https://arset.gsfc.nasa.gov/land/webinars/time-series-19
 Exercise 2: LandTrendr via Google Earth Engine

 + confer the slides of presentation
12.3. MODIS NDVI Time Series

 Page principale :
o https://arset.gsfc.nasa.gov/land/workshops/WCC2016
 « MODIS NDVI Anomalies and Time Series »
o NDVI, Anomaly, visualization, graphique, outils web
o https://arset.gsfc.nasa.gov/sites/default/files/land/workshops/WCC2016/S4.
7%20MODIS%20NDVI%20Time%20Series%20Exercise.pdf
12.4. Time series analysis in remote sensing by LUND

UNIVERSITY
Confer : https://www.nateko.lu.se/research/remote-sensing-and-earth-observation/lund-
earth-observation-research-group/time-series-analysis-in-remote-sensing
389
 TIMESAT software
o http://web.nateko.lu.se/timesat/timesat.asp
 PolyTrend
o Web-app : http://polytrend.gis.lu.se/ web application for time series analysis
o R-package: https://cran.r-project.org/web/packages/PolyTrend/index.html
 DBEST R package
o https://cran.r-project.org/web/packages/DBEST/index.html
12.5. QGIS EO Time Series Viewer

 https://eo-time-series-viewer.readthedocs.io/en/latest/index.html
 Petit tuto exemple
 explorer une image dans QGIS
o + time grid signification
o + eotimeseries de qgis
o + missing data code
390
13. Introduction à GOOGLE EARTH ENGINE
(GEE)
Découvrir Google Earth Engine à travers :

 une brève introduction générale pour fixer le cadre
 quelques exercices simples pour vous initier à la manipulation de
Objectifs
données d’observation de la terre dans cet environnement
pédagogiques
A la fin de cette section vous devriez être familiarisé avec GEE et
suffisamment à l’aise que pour continuer à apprendre par vous-même à
l’aide des ressources existantes sur le web.
Aucune donnée n’est nécessaire pour cet exercice.
Quelques tutoriaux sont disponibles dans le dossier

«…\9_GOOGLE_EARTH_ENGINE\...» (~ 4 MB).
Données
Téléchargez éventuellement ces documents (non directement utilisés
dans le cadre de cet exercice) sur votre ordinateur en local dans votre
répertoire de travail.
Logiciel ou
Google Earth Engine (GEE) (https://earthengine.google.com/)
application
Temps
~ 3-4 heures
approximatif
Aucun. Cependant, l’étudiant ayant déjà quelques notions de

Prérequis
programmation aura plus de facilité qu’un non initié.
# Google Earth Engine, Javascript, programmation, cloud processing
391
13.1. Préalable !!
ATTENTION! Un délai de quelques jours peut être nécessaire pour obtenir un accès à GEE.
Faites donc la demande d’accès plusieurs jours (1 semaine) avant la séance de TP (une
demande faite le 21/11/2019 a pris une dizaine d’heures pour être acceptée).
« How do I get access?
To get access to Earth Engine, please fill out the form at signup.earthengine.google.com. You
will receive an email titled "Welcome to Google Earth Engine" with instructions for getting
started. » (FAQ GEE).
 (Avoir OU se créer un compte Google via

o https://account.google.com )
Pas besoin d’installer de logiciel : les traitements se font dans le cloud GEE.
13.2. Présentation de Google Earth Engine (GEE) (30 min)
13.2.1. Page web principale
 https://earthengine.google.com/
392
13.2.2. Vidéo d’introduction (2 minutes)
 Geospatial data processing and analysis platform

 Powered by Google’s data center infrastructure
 Collections Landsat, Sentinel-1 et -2, MODIS, MNT, autres données directement
disponibles
o Détails des données disponibles : https://developers.google.com/earth-
engine/datasets
 Environnement de développement JAVASCRIPT API et PYTHON API
  permet de travailler facilement sur de très grandes quantités de données à
l’échelle planétaire
 Dans quels cas utiliser/ne pas utiliser GEE? Confer Figure 200.
Figure 200 : When to use Earth Engine? (Source de la dia:

https://servirglobal.net/Portals/0/Documents/Articles/ChangeDetectionTraining/Module2_Intro_Go
ogle_Earth_Engine_presentation.pdf)
13.2.3. Timelapse
GEE Timelapse est une « vidéo mondiale zoomable » qui permet de visualiser l’évolution de
l’occupation du sol de la planète pendant ces 35 dernières années (1984 - 2018)
o https://earthengine.google.com/timelapse/
393
13.2.4. Exemples de cas d’étude avec GEE
 https://earthengine.google.com/case_studies/, notamment
o Global Forest Cover Change
o Global Forest Watch
o Global Surface Water
o …
13.2.5. Les datasets

Toutes les informations sur les datasets (description, accès) de GEE sont disponibles ici :
 https://developers.google.com/earth-engine/datasets/
394
13.2.6. 2 Interfaces: EXPLORER et CODE EDITOR
GEE propose 2 interfaces, présentées ici https://earthengine.google.com/platform/
13.2.6.1. EXPLORER
o https://explorer.earthengine.google.com/#workspace
o “The Explorer is a lightweight web app for exploring our data catalog and
running simple analyses.”
13.2.6.2. CODE EDITOR:
 https://code.earthengine.google.com/
 “The Code Editor is a web-based IDE (Integrated Development Environment) for
writing and running scripts.”
 Documentation sur le code editor:
o https://developers.google.com/earth-engine/playground
395
Découvrez les différentes parties de l’interface du CODE EDITOR grâce au “Feature tour”.
Figure 201 : Accès au « Feature tour » du « CODE EDITOR » de GEE
396
13.2.7. Documentations
La documentation sur GEE est disponible via :
 https://developers.google.com/earth-engine/
o GUIDE: intro, info générale, tutoriels, etc
o REFERENCE : définition précise des algorithmes disponibles
o TUTORIALS : tutoriels
o EDU : autres tutoriels
o DATA CATALOG : catalogue de données
397
13.3. Exercices
13.3.1. GEE EXPLORER
13.3.1.1. Découverte de l’EXPLORER et classification supervisée (20 minutes)

Tutoriel de référence : Training Classifiers, Supervised Classification and Error Assessment
o https://drive.google.com/file/d/1NRREEjp_KFaJcmQtqYcof2rGvHcUBBZz/view
o aussi disponible en PDF dans le dossier de formation « GEE_0 GEE Explorer and
Supervised Classification.pdf »
Suivez ce tutoriel
Démarrez l’EXPLORER et soyez connecté à GEE:
o https://explorer.earthengine.google.com/#workspace
Adaptation du tutoriel :
o Zoomez sur un pays/région qui vous intéresse, par exemple la région de Kasese en
Ouganda (confer exercice de classification SCP dans QGIS)
o Choisissez dans le « data catalog » les 2 jeux de données suivants :
o « Landsat 7 Collection 1 Tier 1 32-Day TOA Reflectance Composite »
o « Landsat 8 Collection 1 Tier 1 32-Day TOA Reflectance Composite »
o Et constatez :
o La présence importante de nuage  d’où l’utilité de travailler avec des
composites désennuagés (comme ce sera le cas plus loin dans l’exercice).
o Le problème des stries de Landsat 7 (https://www.usgs.gov/faqs/what-
landsat-7-etm-slc-data?qt-news_science_products=0#qt-
o Comparez la disponibilité des images pour :
o La période de 32 jours en cours de réalisation (une partie du territoire
seulement est couvert : variable en fonction de la date actuelle par rapport à
la période de 32 jours)
o Une période de 32 jours précédente (100% du territoire est couvert)
o Informations détaillées sur les bandes de Landsat-7 (utiles pour la réalisation des
compositions fausses et vraies couleurs) :
o https://developers.google.com/earth-
engine/datasets/catalog/LANDSAT_LE07_C01_T1_TOA
o Attention ! Le téléchargement du produit finit ne semble pas fonctionner !
L’interface reste à l’étape de « Preparing download… » indéfiniment…
398
Pour en savoir plus sur ce qu’est le « Landsat TOA Percentile Composite » :
o « TOA reflectance » : Top-Of-Atmosphere reflectance (pas de correction

atmosphérique) (https://developers.google.com/earth-
engine/datasets/catalog/LANDSAT_LC08_C01_T1_TOA)
o « Surface reflectance » : avec correction atmosphérique,
https://developers.google.com/earth-
engine/datasets/catalog/LANDSAT_LC08_C01_T1_SR.
o Landsat 7 5-year TOA percentile composites
engine/datasets/catalog/LANDSAT_LE7_TOA_5YEAR
o Landsat 7 annual TOA percentile composites
o https://developers.google.cn/earth-
engine/datasets/catalog/LANDSAT_LE7_TOA_1YEAR
o Algorithme utilisé : « ee.Algorithms.Landsat.simpleComposite() »
o https://developers.google.cn/earth-engine/landsat#simple-composite
Définitions :
o TIER 1 (T1), TIER 2 (T2), Real Time (RT) :

o  https://developers.google.com/earth-engine/landsat
o API : Application Programming Interface
13.3.1.2. Advanced - Visualizing change over time (5 min)

Objectif : visualiser l’expansion de la ville de Las Vegas entre 1987 et 2011 à partir de
composites annuels de Landsat-5.
Tutoriel de référence :
o https://drive.google.com/file/d/1oD1jbWfjxXFWFXbBs87QoXi1ReO_cvLZ/view
o page 19
o Aussi disponible en PDF dans le dossier de formation sous le nom de :
o « Google Earth Outreach Introductory Tutorial.pdf »
Informations complémentaires au tutoriel :
o Données à utiliser : « Landsat 5 TM Collection 1 Tier 1 Annual TOA Reflectance

Composite »
o https://explorer.earthengine.google.com/#detail/LANDSAT%2FLT05%2FC01%
2FT1_ANNUAL_TOA
o ! « All the images from each year are included in the composite, with the
most recent pixel as the composite value.” (pas très utile comme composite)
399
13.3.1.3. Raster de classification (2 minutes)
Objectif :
 Visualiser le raster de classification « MCD12Q1.051 Land Cover Type Yearly Global

500m»
 https://explorer.earthengine.google.com/#detail/MODIS%2F051%2FMCD12Q1
Identifiez la correspondance entre les couleurs de la légende et la description des classes

telle que disponible dans le « datacatalog ».
13.3.1.4. Advanced - Viewing Classified Rasters (5 min)

Objectif :
 Visualiser un « Classified Raster type data layers ».
Tutoriel de référence :
o https://drive.google.com/file/d/1oD1jbWfjxXFWFXbBs87QoXi1ReO_cvLZ/view
o page 14
o Aussi disponible en PDF dans le dossier de formation sous le nom de :
o « Google Earth Outreach Introductory Tutorial.pdf »
13.3.2. GEE CODE EDITOR
13.3.2.1. Découvrir et visualiser une collection via le code editor (45 minutes)
Les collections de données sont disponibles ici :
 https://developers.google.com/earth-engine/datasets
A partir de cette page, choisissez les dataset suivants :
 Landsat-8 Surface reflectance

engine/datasets/catalog/LANDSAT_LC08_C01_T1_SR
o Lisez la description du dataset
o Lancer le script dans le code editor via le bouton « Open in Code Editor »
o Visualisez le résultat : il y a beaucoup de nuages !
400
Figure 202 : Aperçu de la collection Landsat-8 Surface reflectance
o Analysez, comprenez et testez le code utilisé : confer les indications et

instructions dans le tableau ci-dessous
Code Signification et commentaires

var dataset = Permet de définir une variable « dataset » et de lui attribuer
la valeur à droite du signe =
ee.ImageCollection('LANDS Permet de construire une collection d’images
AT/LC08/C01/T1_TOA') Pour accéder à la définition de la fonction, cherchez le nom
de la fonction dans l’onglet « DOC » du panneau de gauche
du code editor (aussi disponible ici
engine/api_docs#ee.imagecollection)
.filterDate('2017-01-01', Permet de filtrer la collection pour une période.
'2017-12-31') Cherchez la définition précise de cette fonction dans l’onglet
« DOC ».
; A utiliser pour marquer la fin d’une ligne de commande
JavaScript
dataset.select(['B4', 'B3', « dataset » fait référence à la variable préalablement créée.
'B2']) La fonction « select » s’applique à la variable « dataset ».
Pour trouver la documentation sur la fonction « select »,
tapez « select » dans le menu de recherche de l’onglet
401
« DOC » et descendez jusqu’à trouver celle qui se rapporte à
« ee.ImageCollection »
Cette commande permet de sélectionner les bandes 4-3-2.

Documentation sur les bandes disponible ici
engine/datasets/catalog/LANDSAT_LC08_C01_T1_SR
Tentez de créer une composition fausse couleur. Cette
composition sera affichée via la fonction « Map.addLayer »
présentée en fin de tableau.
{ { } Permet de définir un « dictionary » aussi appelé
min: 0.0, « object ». Un « dictionary » peut contenir plusieurs paires
max: 1.0, de « key: value » où « key » est similaire au nom générique
}; d’une paire et « value » aux valeurs que prennent cette
« key ». Plus d’information sur les « dictionary » ici
https://developers.google.com/earth-engine/tutorial_js_01
2 paramètres de visualisation sont définis et une valeur leur
est attribuée
Les paramètres de visualisation possibles sont brièvement
décrits dans l’onglet « DOC » via la fonction
« ee.data.getMapId »
Map.setCenter(6.746, Confer la définition dans l’onglet « DOC »
46.529, 6); Faites varier les paramètres et exécutez le code pour
visualiser l’impact de ces paramètres.
Map.addLayer(trueColor43 Confer la définition dans l’onglet « DOC »
2, trueColor432Vis, 'True Vérifiez l’utilité du paramètre « name » (dans menu
Color (432)'); « Layers » du viewer)
Ajoutez et faites varier les valeurs de paramètres « shown »
(0 ou 1) et « opacity » (0.5 par exemple) et exécutez le code
pour visualiser l’impact de ces paramètres.
Ajoutez une commande « Map.addLayer » afin d’afficher la

composition fausses couleurs créée précédemment.
Comparez ensuite les compositions vraies et fausses
couleurs.
 Landsat 7 Collection 1 Tier 1 8-Day NDVI Composite

engine/datasets/catalog/LANDSAT_LE07_C01_T1_8DAY_NDVI
o + lancer le script dans le code editor via « Open in Code Editor »
402
Code Signification et commentaires
dataset.select('NDVI') Cette commande semble inutile car dans ce cas-ci la
collection ne contient qu’une seule bande, celle du NDVI.
Pour le vérifier, modifiez cette ligne de commande comme
ceci :
o var colorized = dataset;//.select('NDVI');
et exécutez le script. Y a-t-il une difference?
Le signe « // » permet de mettre en commentaire ce qui se
trouve à sa droite , commentaire qui ne sera pas pris en
considération au moment de l’exécution du code.
Multi-line comments can start with /* and end with */
Remarque : il ne semble pas possible d’exécuter une partie
de code seulement (une ligne par exemple). Pour ne pas
exécuter certaines lignes d’un code, il faut les mettre sous
forme de commentaires.
palette: [ Pour la palette de couleur, les « Hex color codes » sont
'FFFFFF', 'CE7E45', 'DF923D', 'F1B555',
'FCD163', '99B718', '74A901', utilisés. Ces codes sont documentés ici par exemple :
'66A000', '529400', '3E8601', '207401',
'056201', '004C00', '023B01',
 https://htmlcolorcodes.com/
'012E01', '011D01', '011301'
]
403
13.3.2.2. Tutoriel officiel « The Earth Engine API »
Suivez le tutoriel officiel « The Earth Engine API » à partir de la section « Visualizing Images
and Image Bands » disponible ici :
o https://developers.google.com/earth-engine/tutorial_api_02
Copiez-Collez les lignes de codes dans le CODE EXPLORER, lisez les instructions et
descriptions et faites l’effort de comprendre ce que vous faites. N’hésitez pas à :
o utiliser l’onglet REFERENCE de ce site ou l’onglet DOC du CODE EDITOR pour trouver
plus d’information sur les fonctions utilisées
o Consulter le DATA CATALOG pour obtenir plus d’information sur les données
utilisées.
Les 4 premières rubriques de ce tutoriel (sur un total de 6) sont brièvement expliquées

dans les sections ci-dessous : objectifs et visualisation des résultats + explications
supplémentaires au tutoreil officiel si nécessaire.
13.3.2.2.1. Visualizing Images and Image Bands (20 minutes)
Objectifs : afficher correctement une image à bande unique, SRTM dans ce cas-ci, via le
contrôle des paramètres de visualisation.
404
13.3.2.2.2. Computations using Images (20 min)
Objectifs : réalisation de divers calculs sur des images :
 calcul des pentes à partir d’un SRTM,

 calcul à l’aide d’opérateurs mathématiques (conversion de degrés en radians et calcul
d’un sinus),
 calcul de statistiques par région
Remarque : « aspect » est exprimé en degré de 0° à 360°.
Slope Sin(Aspect)
Calcul de statistiques par région
405
13.3.2.2.3. Image Collections (20 minutes)
Objectifs : gérer une collection d’images via :
 L’importation d’une collection dans le CODE EDITOR

 Sélection d’une image d’intérêt au sein de la collection par la réalisation de :
o un filtre spatial (par zone d’intérêt (un point))
o un filtre temporel (par période d‘intérêt)
o un tri des images en fonction de la couverture nuageuse
o la sélection de l’image la moins ennuagée
 La réalisation de compositions colorées vraies et fausses couleurs de qualité
 L’utilisation de la console et de l’inspector pour comprendre et analyser les images
Filtres spatial et temporel sur une collection Composition RGB par défaut, de l’image
Landsat-8 dans la « Console » et (entre présentant le moins de nuages pour la zone
autres) metadata « CLOUD_COVER » d’une et la période d’intérêt identifiée par les 2
image filtres
Composition RGB vraies couleurs améliorée, Composition fausses couleurs 543, de

de l’image…(idem) l’image…(idem)
406
Collection Landsat-8, de l’image…(idem) Graphique des valeurs de la bande BQA
pour un pixel pour les 38 images de la
collection Landsat-8 2016 (2720 = pas de
nuage*)
* La signification des valeurs de la bande BQA de Landsat-8 est reprise sur la page web
suivante :
 https://www.usgs.gov/land-resources/nli/landsat/landsat-collection-1-level-1-
science_support_page_related_con
 dans la table « Landsat 8 OLI/ OLI-TIRS Level-1 Possible Attributes, Pixel Values, and
Pixel Value Interpretations »
13.3.2.2.4. Compositing, Masking, and Mosaicking (20 minutes)
Objectifs : apprendre des méthodes pour :
 réaliser un composite « pixel le plus récent » d’une collection d’images

 réaliser un composite « pixel médian » d’une collection d’images (Reducer median)
 réaliser un composite personnalisé à l’aide de masque et de mosaïquage à partir
d’une collection d’images et d’un autre jeu de données
407
Composite « pixel le plus récent » de la collection d’images Landsat-8 2016
Composite « pixel median » de la collection d’images Landsat-8 2016
Composite « pixel median » de la collection d’images Landsat-8 2016 masquée par les pixels
classifiés comme « water » et « no data » (according to the Hansen et al. dataset) (pixels
masqués = pixels transparents : on voit Google maps à la place du composite median).
408
Mosaïque de :
 composite « pixel median » de la collection d’images Landsat-8 2016 masquée par
les pixels classifiés comme « water » et « no data » (according to the Hansen et al.
dataset)
 une image des zones classifiés comme « water » et « no data » (according to the
Hansen et al. dataset) colorées en bleu foncé
13.3.2.2.5. NDVI, Mapping a Function over a Collection, Quality Mosaicking
[…] confer tutoriel officiel
13.3.2.2.6. Exporting Charts and Images
[…] confer tutoriel officiel
13.3.2.3. Landsat Algorithms

For creating simple cloud-free Landsat composites
 https://developers.google.cn/earth-engine/landsat
13.4. Ressources complémentaires

o https://developers.google.com/earth-engine
o Principales ressources associées à GEE
o https://americaview.org/program-areas/education/google-earth-engine-tutorials/
o Tutoriaux supplémentaires
o https://geohackweek.github.io/GoogleEarthEngine/
o Tutoriel d’introduction à GEE couvrant plusieurs types de manipulation
409
14. Visionnage de la vidéo « HOLOGLOBE »
14.1. Présentation de la vidéo « HOLOGLOBE »

Cette petite vidéo d’animation de la NASA, d’une durée de 6 minutes, en anglais, montre,
sur un globe terrestre tournant, la dynamique de plusieurs phénomènes d’origine naturelle
ou anthropique (Figure 203).
Cette vidéo est réalisée en grande partie à partir de données issues de satellites
d’observation de la terre. Entre autres, les phénomènes suivants sont illustrés:
 Dynamique des flux d’énergie de la terre (mouvements atmosphériques (formation

des ouragans), courants marins, etc
 Dynamique des températures des océans et phénomène El Nino
 Croute et plaques terrestres, tremblements de terre et volcans
 Saisons et dynamique de la végétation
 Vision nocturne de l’influence de l’homme sur la terre (lumière artificielle, incendies,
agriculture sur brulis, combustion de gaz, etc)
La traduction des commentaires de cette vidéo sont disponibles dans la section suivante.
Cette vidéo, et une série d’informations complémentaires, sont disponibles sur le site web
http://svs.gsfc.nasa.gov/vis/a000000/a000100/a000155/.
Figure 203 : illustrations issues de la vidéo « Hologlobe » : mouvements atmosphériques,

végétation, température des océans.
410
14.2. Traduction des commentaires de la vidéo
HOLOGLOBE_v3
Source : http://svs.gsfc.nasa.gov/vis/a000000/a000100/a000155/
Durée : 6 minutes 19 secondes
La terre dans l’espace :

 9 planètes en orbite autour du soleil
 3ème planète est la terre
 Vénus et Mars sont les planètes les plus proches et les plus similaires par rapport à la
terre.
Mais Vénus et Mars sont très différentes de la terre.
 Vénus est la plus similaire à la terre point de vue taille, masse et gravité mais a une
atmosphère dense en CO2 et n’a pratiquement pas d’eau avec une surface très
chaude (+/- 800°F) = 400°C. (°C = (°F - 32) / 1,8)
 Mars : moitié de la taille de la terre et une atmosphère mince. Surface est froide (-
190°F) = -123°C et l’eau est gelée à ces pôles et probablement en dessous de sa
surface.
Notre terre est unique :
 70% de la surface terrestre est couverte par de l’eau liquide
 L’atmosphère est riche en vapeur d’eau
 Planète géologiquement active
 Caractéristique principale : présence et diversité de la VIE sur terre !
Les navettes spatiales et les satellites qui enregistrent des images de la terre changent
notre vision de la terre.
Nous voyons maintenant les océans, les surfaces terrestres, l’atmosphère, la vie, le tout
interconnecté dans un système mondial. La terre est baignée dans l’énergie solaire. Les
océans, surfaces terrestres et atmosphères absorbent et sont réchauffés par l’énergie
solaire. La chaleur absorbée par les océans et transportée par les courants marins est
continuellement libérée vers l’atmosphère. La chaleur et l’humidité libérées par les océans
dirigent la circulation atmosphérique et le climat. L’humidité dans l’atmosphère forme les
nuages qui couvrent en moyenne 40% de la surface terrestre à tout moment donné.
“The pattern in cloud motion in this time lapse sequence shows how earth's winds, moving
bands or zones, which define regional winds directions” (difficile à comprendre et traduire).
Le mouvement de l’humidité ou de la vapeur d’eau dans l’atmosphère jouent un rôle

important dans la détermination du climat. Dans cette animation des mouvements des
vapeurs d’eau de l’atmosphère, les ouragans de 1995 sont visibles. Les ouragans se forment
411
au large des côtes africaines (2m32) et se déplacent à l’ouest à travers l’Océan Atlantique
vers les Caraïbes et la côte est des USA.
Le climat mondial est également influencé par la manière dont la chaleur est répartie par les
océans. Sont montés ici les changements de températures de surface des océans sur une
période de 9 ans. Les surfaces d’eau les plus chaudes sont indiquées en rouge, les plus
froides en bleu. Avec ce genre de données, il est possible de détecter l’augmentation
anormale de température qui arrive lorsque les eaux froides en temps normal de l’est de
l’Océan Pacifique sont remplacées par des eaux plus chaudes. Ce phénomène est connu sous
le nom d’El Nino. El Nino pourrait perturber le climat à une échelle mondiale causant de
vastes inondations et sécheresses.
Drainant les océans […], il y a la surface solide de la terre avec la croute terrestre qui est
divisée en « Hautes terres » et « Basses terres »
 Les Hautes terres sont les terres émergées qui forment les continents
 Les Basses terres forment les bassins océaniques.
La croute terrestre n’est pas une coquille fixe et continue. Elle est brisée en une mosaïque
de plaques mouvantes. Au fur et à mesure que ces plaques bougent et se frottent les unes
aux autres, elles libèrent d’énormes quantités d’énergie sous la forme de tremblements de
terre. Les points jaunes montrent la localisation des tremblements de terre qui ont eu lieu
entre 1980 et 1995 avec une magnitude supérieure à 4.5 sur l’échelle de Richter. Ces
tremblements de terre indiquent clairement les limites des plaques de la croute terrestre.
Lorsque les plaques océaniques s’entrechoquent avec les plaques terrestres […] cela forme
les volcans. Les triangles rouges indiquent les éruptions volcaniques enregistrées qui se sont
passées entre 1960 et 1995. Comme pour les tremblements de terre, la plupart des volcans
sont localisés le long des limites des plaques terrestres.
Les océans, l’atmosphère et les continents jouent tous un rôle critique pour le maintient de
la vie durable sur terre. Les caractéristiques des courants marins, des vents, et de la
topographie peuvent faire d’une région un désert et d’une autre une région verte […]. Les
changements de saisons affectent grandement la végétation terrestre. Les couleurs vertes
et jaunes montrent comment les plantes grandissent et dépérissent au cours des saisons
d’une année. Les vastes déserts du nord de l’Afrique, de la péninsule arabique et de l’Asie
centrale sont facilement reconnaissables à cause de l’absence de végétation.
L’influence des hommes sur la terre peut également être vue depuis l’espace. Une vision de
la terre pendant la nuit permet de voir les lumières des campements, villages et villes qui
sont éclairés. Les endroits fortement peuplés apparaissent en blanc. Les incendies et
l’agriculture sur brulis (slash and burn) et la combustion de gaz dans les champs de pétroles
sont montrés en rouge et jaune. Depuis ce point de vue, l’importance de l’activité humaine
sur la planète peut être évaluée. L’entièreté du globe est concernée.
Un suivi global de la terre nous aide à comprendre les interactions complexes entre les
atmosphères, les océans et les terres ainsi que leurs impacts sur la vie. Seule une vue
mondiale nous permet d’apprécier notre terre en tant que planète.
412
15. Sites web intéressants
15.1. Applications environnementales

Changement de la couverture forestière mondiale entre 2000-2018 à partir d’images
Landsat, University of Maryland, application web.
http://earthenginepartners.appspot.com/science-2013-global-forest
Quelques exemples de détection de changement avec des images Landsat, vidéo, anglais.
« A Planetary Perspective: With Landsat and Google Earth Engine ».
http://www.youtube.com/watch?v=Ezn1ne2Fj6Y
Quelques exemples d’applications environnementales à partir des images Landsat, site web,
anglais.
« Environmental Watch with Landsat satellites ».
http://www.nasa.gov/content/goddard/environmental-watch-with-nasa-s-landsat-satellites/
Observation mondiale des feux, de la végétation et de la couverture neigeuse à partir des

images MODIS NDVI, NASA, entre Juillet 2002 et Juillet 2011.
http://svs.gsfc.nasa.gov/cgi-bin/details.cgi?aid=3868
15.2. Divers
Programme belge “STEREO”
 Belgium has its very own national program supporting research in Earth observation
called STEREO (Support To Exploitation and Research in Earth Observation).
Documentation sur tous les projets STEREO disponible ici:
 https://eo.belspo.be/en/stereo-in-action
Le film documentaire “HOME”, un film de Yann Arthus-Bertrand, 90 minutes, 2009,

français, disponible gratuitement ici:
 http://www.youtube.com/watch?v=NNGDj9IeAuI&feature=youtu.be&hd=1.
 Site web du film : http://www.homethemovie.org/. « Ce film développe le lien qui
unit l'homme à la Terre. Conçu comme un carnet de voyages, il est constitué
uniquement d'images aériennes et d'une voix off » (Source : Wikipedia).
EARTH as ART, NASA, Top Five, collection de magnifiques images satellites

 Vidéo en anglais: http://www.youtube.com/watch?v=Tq88dRFokgg
 Page web : http://www.nasa.gov/connect/ebooks/earth_art_detail.html
413
Simulation 3D de la couverture nuageuse mondiale durant 7 jours sur base de données
réelles, vidéo.
 https://www.youtube.com/watch?annotation_id=annotation_397244329&feature=i
v&src_vid=JZXErLns1mM&v=zlqjz9OEhk0
Simulation numérique des courants atmosphériques et marins, vidéo, anglais.

« Dynamic Earth, NASA. »
 http://www.youtube.com/watch?v=JQZ3QkaWWqA
414
16. Exemples d’applications de la
télédétection spatiale pour la gestion des
risques et des catastrophes
16.1. Le programme COPERNICUS et le SERTIT

Présentation générale du programme COPERNICUS (vidéo 4 min 30, anglais)
 http://www.esa.int/spaceinvidéos/Vidéos/2016/02/Sentinels_for_Copernicus
 Satellites and examples of application
 Les données satellites, aériennes, et stations au sol, intégrées dans un même
système : COPERNICUS
 Cœur du système = famille de satellites Sentinelle
 The role of the different 6 sentinel satellites
Copernicus Emergency Management Service (Copernicus EMS)
 https://emergency.copernicus.eu
 Copernicus Emergency Management Service (Copernicus EMS) provides information
for emergency response in relation to different types of disasters, including
meteorological hazards, geophysical hazards, deliberate and accidental man-made
disasters and other humanitarian disasters as well as prevention, preparedness,
response and recovery activities. The Copernicus EMS is composed of:
o an on-demand mapping component providing rapid maps for emergency
response and
o risk & recovery maps for prevention and planning and of the early warning and
monitoring component which includes systems for floods, droughts and forest
fires:
 4 modules constitute the Copernicus EMS: confer https://emergency.copernicus.eu/

o The Copernicus EMS - Mapping
o The Copernicus EMS - Mapping addresses, with worldwide coverage, a

wide range of emergency situations resulting from natural or man-made
disasters. Satellite imagery is used as the main datasource,
o https://www.youtube.com/watch?v=NhFZa7gQ2zA
o Rapid mapping Flood: the Copernicus Emergency Management Service
o https://emergency.copernicus.eu/mapping/ems/service-overview
415
o Rapid Mapping consists of the provision of geospatial information within
hours or days from the activation in support of emergency management
activities immediately following a disaster. Standardised mapping
products are provided:
 to ascertain the situation before the event (reference product),
 to roughly identify and assess the most affected locations (first
estimate product),
 assess the geographical extent of the event (fdelineation product)
or
 to evaluate the intensity and scope of the damage resulting from
the event (grading product).
o Examples here:
 https://emergency.copernicus.eu/mapping/list-of-
components/EMSR388
o Map of active risk:
 https://emergency.copernicus.eu/mapping/map-of-activations-
risk-and-recovery
 FLOODS: The European and Global Flood Awareness Systems (EFAS & GloFAS)
o https://emergency.copernicus.eu/
o Vidéo, anglais, 8 minutes

o https://www.youtube.com/watch?v=DwFAjr6f8jQ
o Short introductory vidéo explaining the structure of EFAS and the main
objectives using floods in Eastern Europe in May 2010
o Passer le début: combine précipitations + conditions hydrologiques et fait
un warning !
 FOREST FIRE: The European Forest Fire Information System (EFFIS)
o https://effis.jrc.ec.europa.eu/
o Visualisation des risques d’incendies:
o https://effis.jrc.ec.europa.eu/static/effis_current_situation/public/index.h
tml
 The EMS Drought Observatory (DO)
o https://emergency.copernicus.eu/
Plusieurs exemples de l’utilisation des satellites dans le cadre de la gestion des crises :
 https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Emergency_man
agement
416
 Services for emergency management response will help mitigating the effects of
natural and manmade disasters such as floods, forest fires and earthquakes and
contribute to humanitarian aid exercises.
Présentation du SERTIT, le Service régional de traitement d’image et de télédétection
 http://sertit.unistra.fr/
o Vidéo, 2 min, français
 http://fr.euronews.com/2016/06/03/copernicus-ou-quand-l-imagerie-satellite-
permet-d-aider-a-la-gestion-des
o « Copernicus ou quand l'imagerie satellite permet d'aider à la gestion des
catastrophes naturelles, 8 juin 2016 »
o Le SERTIT, impliqué dans le service européen de gestion des situations d’urgence
Copernicus, explique en vidéo sur la chaîne Euronews comment l’imagerie
satellite permet de fournir une aide à la gestion des catastrophes naturelles,
notamment dans le contexte d’inondations en France, Allemagne et en Belgique.
 Vidéo de présentation du SERTIT, français, 4 min 38

o http://sertit.unistra.fr/
o A 2 min 10 : présentation du service de cartographie rapide/de crise
 Navigateur des cartes des crises les plus récentes

o http://sertit.unistra.fr/cartographie-rapide/
417
16.2. Exemples supplémentaires par outils ou thématique
Google Earth Engine (GEE)
 Google Earth Engine (GEE)

o https://earthengine.google.com/
o Plateforme pour faire tourner des géo-algorithmes à l’échelle mondiale en
utilisant les ressources de Google et qui donne accès à de très grandes bases de
données d’images satellites à l’échelle mondiale.
 Google Earth Engine (GEE) Timelapse

o Timelapse 1984-année actuelle moins 1, série d’exemples d’évolution temporelle
de la surface terrestre suite à diverses actions anthropiques mise en évidence
o https://earthengine.google.com/timelapse/
o Vidéo 2 min
o https://www.youtube.com/watch?v=kIYHGkSb-fU
 Cas d’études
o https://earthengine.google.com/case_studies/
o Global Forest Cover Change
o Malaria Risk Mapping
Google Earth: exemples d’images de catastrophes naturelles visualisables dans GOOGLE

EARTH
Certains sites web mettent à disposition des fichiers dont l’extension est « .KMZ » ou
« .KML », formats qui permettent la visualisation de ces données dans GOOGLE EARTH
facilement et rapidement sans devoir télécharger l’image brute. Voici quelques exemples :
 Inondation
o Australian city of Rockhampton, 2011
o Capteur : Advanced Spaceborne Thermal Emission and Reflection Radiometer
(ASTER) on NASA’s Terra
o http://earthobservatory.nasa.gov/IOTD/view.php?id=48456&src=eorss-iotd
o Cliquer sur “Google Earth file (KML)”
 Typhon
o http://www.gearthblog.com/blog/archives/2016/10/acquisition-imagery-natural-
disasters-improving.html
o Hurricane Matthews, 2016, widespread devastation, crossing over Haiti, the
Bahamas and then up the east coast of the United States.
418
o Cliquer sur: “You can see the satellite imagery in Google Earth with this KML file
from Google Crisis Response”
o Dans Google Earth : cocher uniquement : « Hurrican Matthews 2016 > Haiti >
Digital Globa imagery > Les Irois, Haiti »
 Tremblement de terre
o http://www.gearthblog.com/blog/archives/2016/09/post-earthquake-
kumamoto-google-earth-3d.html
o Large earthquakes in the City of Kumamoto, Japan, 2016
o Images acquises après le séisme: visualisation des destructions
o Google Earth tour of the area showing all the light blue roofs, which you can view
in Google Earth with this KML file or see in the YouTube vidéo below.
Déforestation
 Déforestation en Amazonie, Timelapse

o https://www.youtube.com/watch?v=oBIA0lqfcN4
 Pattern de déforestation en Amazonie, en détails

o Visualisation dans Google Earth Pro des motifs de déforestation au Brésil,
Indonésie, etc
 Déforestation au Brésil, Etat du Rondonia, en détails, vidéo haute qualité (30 ‘’)
o https://www.youtube.com/watch?v=JsIB81sLe2w
 Déforestation à Haïti, vidéo

o http://svs.gsfc.nasa.gov/cgi-bin/details.cgi?aid=2640&button=popular
 Autre courtes vidéos sur différents endroits déforestés entre 2000 et 2012, avec
LANDSAT
o https://www.youtube.com/channel/UCGnX8ABNZYuZrhzT-sJVaeg
 Monitoring Forests From the Ground to the Cloud , vidéo 5 min, Système d’alerte de
déforestation via Google Earth Engine, exemples internationaux,
o https://www.youtube.com/watch?v=ymKHb3WJLz4
 Déforestation en Papouasie-Nouvelle-Guinée (2 images géotiff)

o http://earthobservatory.nasa.gov/IOTD/view.php?id=8810
 Déforestation au Brésil (2 images géotiff)

o http://earthobservatory.nasa.gov/IOTD/view.php?id=6811
419
Mine
 Appalachian Mountaintop Removal in Google Earth & Maps (vidéo en anglais, 5 min)
o https://www.youtube.com/watch?v=aiSzOiGFa-0
 Visible également dans GOOGLE EARTH PRO Desktop > Menu sensibilisation
mondiale > extraction minière à ciel ouvert dans les Appalaches
Masse d’eau
 Mer d’Aral: Drying of the Aral Sea: Timelapse , vidéo 2 min

o https://www.youtube.com/watch?v=cbSkRS8Ih7o
 Lac Chad: UNEP & Google Earth highlights environmental change, vidéo 1 minute
o https://www.youtube.com/watch?v=JXW29zsr6xg
Inondation
 Centre royale de télédétection du Royaume du Maroc, cartographie rapide en cas

d’inondations
o http://www.crts.gov.ma/thematiques/risques-naturels/inondations
 Télédétection et gestion des catastrophes naturelles : application à l’étude des

inondations urbaines de Saint-Louis et du ravinement lié à l’érosion hydrique à Nioro-
Du-Rip (Sénégal)
o https://hal.archives-ouvertes.fr/hal-00434297/document
Glaces et fontes des glaces
 Annual Arctic Sea Ice Minimum 1979-2015 with Area Graph, vidéo
 Weekly Animation of Arctic Sea Ice Age with Graph of Ice Age by Percent of Total:
1984 – 2016, vidéo + textes:
 Fonte des glaces en Arctique : vidéo de Greenpeace

o https://www.facebook.com/greenpeace.belgium/vidéos/10154505188555239/
 Epaisseur de glace par Radar : Icesat-2 Measurements Over Antarctica (prelaunch),

vidéo 2 min,
o http://svs.gsfc.nasa.gov/cgi-bin/details.cgi?aid=4492&button=recent
420
Feux
 https://earthdata.nasa.gov/earth-observation-data/near-real-time/firms
Température du globe
 Five-Year Global Temperature Anomalies from 1880 to 2015, vidéo,

Urbanisation
 Las Vegas Urban Expansion: Timelapse , vidéo 3 minutes,

o https://www.youtube.com/watch?v=cPRGfyd93fo
Tsunami
 Cartes satellites des zones sinistrées au Japon, vidéo, français, 1 minute,

o https://www.youtube.com/watch?v=XJVF1TNnLZY
o Les scientifiques du Service régional de traitement d'image et de télédétection
(SERTIT) de Strasbourg aident les sinistrés japonais. Ils élaborent de précieuses
cartes à l'aide de satellites français pour permettent aux secouristes de se
déplacer dans les zones dévastées.
Littoral
 La télédétection pour surveiller le littoral, vidéo français 3 minutes, drones,

o https://www.youtube.com/watch?v=SNLyd_FAYOg
Marée noire
 NASA, Satellites View Growing Gulf Oil Spill,

o https://www.youtube.com/watch?v=mCWW5xt3Hc8
 NASA Aids Nation's Response to Oil Spill with Aircraft, Satellites,

o https://www.youtube.com/watch?v=f5qh13Xp-_0
Volcan
 Monitoring Volcanoes Using ASTER Satellite Imagery, vidéo, English, 5 min,

o https://www.youtube.com/watch?v=A39FnHdSoNk
Sécurité alimentaire
 http://www.fews.net/fr
Avertissements précoces
421
 Suivi des conditions de végétation, précipitations, climat, niveau des étendues d’eau,
etc dans l’optique de déclencher des avertissements vers les autorités d’un pays,
d’une région en cas de problème/crise
o https://earlywarning.usgs.gov/fews
Refugiés
 Story Map about Rohingya refugees (by the The UN Refugee Agency (UNHCR))
o https://www.esri.com/en-us/arcgis/products/esri-story-maps/contest/winners-
gallery/2018-winners
Divers
 ENVI, Les images satellites pour la gestion des catastrophes naturelles, vidéo
français,
o https://www.youtube.com/watch?v=Tp2hIeeSVXE
 La télédétection appliquée aux catastrophes naturelles : Faits et chiffres

o https://www.scidev.net/afrique-sub-saharienne/sciences-de-la-terre/article-de-
fond/la-t-l-d-tection-appliqu-e-aux-catastrophes-naturelles-faits-et-chiffres.html
 MapGive
https://mapgive.state.gov/
o Volunteers like you can help trace roads, buildings, and houses using
OpenStreetMap that will aid in humanitarian missions.
 Nombreux exemples d’analyse diachroniques à partir d’images satellites, classés par

thèmes, lieux, dates.
o http://earthobservatory.nasa.gov/Images/?eocn=topnav&eoci=images
 Systèmes d’analyse des risques par télédétection spatiale

o https://ressources.uved.fr/Grains_Module3/Teledetection_spatiale/site/html/Tel
edetection_spatiale/Teledetection_spatiale.html
 Liste de données SIG sur des catastrophes naturelles.

o https://freegisdata.rtwilson.com/#natural-disasters
422
17. Recherche d’images satellites sur le web
Une des premières étapes de tout travail en télédétection spatiale est de se procurer les
images satellites à partir desquelles votre étude pourra être menée. Cette section à pour
objectif de vous introduire à la recherche d’images sur le web.
Avant de commencer votre recherche d’images, il est important que vous cerniez clairement
quel sont vos objectifs (en termes de résultats) et quels sont vos moyens (connaissance,
argent, temps).
Au cours de vos recherches, vous devrez trouver un juste compromis entre ce que le web
vous « offre » et ce que vous recherchez. En particulier, vous ferez très attention aux critères
suivants:
 Type d’image pertinente pour répondre à vos objectifs en termes de résolution

spatiale, temporelle et spectrale.
 Disponibilité d’images pour la zone et l’époque sur lesquelles vous voulez travailler
(couverture nuageuse)
 Prix des images (gratuit vs très cher !)
GOOGL EARTH (gratuit) :

Vous pouvez enregistrer (sur votre disque dur) les images qui apparaissent à l’écran lors de
votre visite dans Google Earth. Pour ce faire, après avoir zoomé sur le lieu d’intérêt, cliquez
sur « Fichier/Enregistrez/Enregistrez l’image/… » et vous pourrez sauvegarder la vue en
format « jpg ». Attention, l’image que vous enregistrez par cette opération n’est donc pas
une image satellite en tant que telle, mais une simple « capture d’écran » de l’image telle
qu’elle est affichée sur votre écran. L’information spectrale contenue dans cette image jpg
est donc beaucoup plus pauvre que celle contenue dans une image satellite réelle. De plus
l’image jpg ne sera pas géoréférencée, et la résolution spatiale de l’image dépendra du zoom
que vous avez utilisé lors de la capture d’écran. Vous devrez donc tenir compte de ces
limitations si vous comptez utiliser des images dérivées de Google Earth. Un exemple
d’utilisation d’images de Google Earth : image pour fond de carte à but illustratif.
USGS EARTH EXPLORER (gratuit)

 http://earthexplorer.usgs.gov/
 USGS Earth Explorer, catalogue de la « United States Geological Survey » (USGS),
donne accès à de nombreux types d’images dont les images :
o LANDSAT
o ASTER : altitude, température, réflectance (14 bandes spectrales)
423
o https://asterweb.jpl.nasa.gov/
o https://asterweb.jpl.nasa.gov/characteristics.asp
o Données d’ALTITUDE : DEM (Digital Elevation Model) ou MNT (Modèle
Numérique de Terrain) pour l’ensemble de la planète à ~30 mètres de
résolution spatiale via l menu « Data Sets > Digital Elevation > SRTM »
o Toute une série de cartes thématiques (occupation du sol,…)
o RADAR
o …
NASA EARTHDATA (gratuit)

 https://earthdata.nasa.gov/
 Grande variété de données, dont des images issues de la télédétection, dont le
Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Global
Digital Elevation Model (GDEM), un DEM global à 30 mètre de résolution spatiale
(info ici https://asterweb.jpl.nasa.gov/gdem.asp)
COPERNICUS: Copernicus is a European system for monitoring the Earth

(gratuit)
 Page principale d’accès aux produits Copernicus « Land »
o https://land.copernicus.eu/
 Produits végétation, dont le NDVI
o https://land.copernicus.eu/global/themes/vegetation
 Copernicus Open Access Hub : accès aux données Sentinel-1, Sentinel-2 et Sentinel-3
o https://scihub.copernicus.eu/dhus/#/home
 Sentinel Hub : accès facile aux données Sentinel du programme Copernicus
o Page principale
 https://www.sentinel-hub.com/
o EO Browser
 https://www.sentinel-hub.com/explore/eobrowser
IMAGES BASSE RESOLUTION : SPOT VEGETATION, METOP-AVHRR, PROBA-

V (gratuit):
 http://www.vito-eodata.be/PDF/portal/Application.html#Home , S’enregistrer,
Rechercher un produit, le télécharger et le visualiser dans un viewer
 VGT extract : logiciel à télécharger (avec java)
(https://rs.vito.be/africa/en/software/Pages/vgtextract.aspxhttp://www.vgt4africa.o
rg/VGTExtract.do) et installer sur votre pc. Cet outil permet d'extraire du dossier
zipper, uniquement les canaux que l'on désire, de découper spatialement les images
selon une région d'intérêt définit par l'utilisateur ou préenregistrée et de convertir
424
les données dans un format plus facile à utiliser (ENVI, géotiff, ERMapper ...) Logiciel
« Crop VGT » disponible pour les pays non africains.
PLANET.COM (gratuit et payant)

 https://www.planet.com/
 Une couverture satellite de la terre entière chaque jour (ou presque) à très haute
résolution spatiale (0.72 cm)!!
DIGITALGLOBE (très haute résolution spatial, payant)

 Page principale du site web: https://www.digitalglobe.com/
 Portail de recherche d’images :
 https://browse.digitalglobe.com/imagefinder/main.jsp;jsessionid=7AB20ED95749275
03AD11E38FBEA6237?
AIRBUS DEFENSE AND SPACE – SPOT IMAGE :

 Page principale
o https://www.intelligence-airbusds.com/geostore/
 Navigation et recherche de produits
o http://www.geo-airbusds.com/en/4871-browse-and-order
 produits spot, autres satellites, spot scene et spot view, fiches techniques, etc
o http://www.geo-airbusds.com/fr/
 En 1994, le CNES (Centre National d’Etudes Spatiales français) a lancé le programme
ISIS (Incitation à l'utilisation Scientifique des Images Spot), destiné à faciliter l'accès
à l'imagerie Spot pour l'ensemble de la communauté scientifique, en lui permettant
d'acquérir ces données satellitaires à un tarif préférentiel. ISIS est accessible à tout
chercheur et étudiant travaillant dans un laboratoire européen.
o https://www.theia-land.fr/le-programme-isis-du-cnes-sintegre-a-dinamis/
o https://www.theia-land.fr/
PPNC – Plan Photographique Numérique Communal (Belgique) (gratuit)

 La Région Wallonne met à disposition du grand public toute une série d’information
de type géographique (carte thématique, MNT, etc) sur des serveurs web de type
ArcIMS accessible en mode « lecture seule » via ArcGIS.
 Démarrez un projet ArcGIS et référez-vous aux notes de TP relatives à ArcGIS
(disponible ici : http://orbi.ulg.ac.be/handle/2268/135775) à la section « Ajouter des
données ».
425
AUTRES (gratuit):
 Africa data dissemination service
o http://earlywarning.usgs.gov/adds/imgbulks3.php?imgtype=nd&spextent=a
 Site de BELSPO: liste de satellites et liens
o http://eo.belspo.be/Directory/Satellites.aspx
o exemples : CORONA, IKONOS2, NOAA, Airborne platform-Apex, MSG3,
PROBA-CHRIS, ENMAP
LISTE DE SITES WEB listant des sites web fournissant des images satellites
 15 Free Satellite Imagery Data Sources
o https://gisgeography.com/free-satellite-imagery-data-list/
 50 Satellites You Need To Know: Earth Satellite List
o https://gisgeography.com/earth-satellite-list/
 Resources for Finding and Using Satellite Images
o https://gijn.org/resources-for-finding-and-using-satellite-images/
426
18. Ressources complémentaires en ligne
Sont reprises ci-dessous une sélection de ressources en ligne pour l’apprentissage des
techniques d’analyses des données d’observation de la terre
18.1. ARSET NASA Applied Remote Sensing Training

En anglais et parfois en espagnol.
Gamme très large et très variée de tutoriaux prêts à l’emploi pour apprendre les techniques
d’analyses des données d’observation de la terre.
Up to date.
 https://arset.gsfc.nasa.gov/
18.2. SNAP de l’ESA

Ensemble de tutoriaux (50) développés principalement par l’ESA et focalisés essentiellement
sur l’utilisation du logiciel SNAP
 http://step.esa.int/main/doc/tutorials/
18.3. EO College - The first Massive Open Online Course on

Radar Remote Sensing
Ce site est un excellent cours moderne complet sur la télédétection RADAR avec théorie et
exercice.
Le site web présente cependant quelques ratés pour le moment (octobre 2019).
Page d’accueil
 https://eo-college.org/
Introduction au cours
 https://eo-college.org/courses/echoes-in-space/lessons/history/topic/what-is-radar/
Chaine YOUTUBE de EO College
 https://www.youtube.com/channel/UCka-UP2X3y3JpJRRvARzEhQ
427
Liens vers une séries de cours RADAR supplémentaires
 https://eo-college.org/resources/#results
RADAR COURSES I, II, III by ESA
 https://earth.esa.int/web/guest/missions/esa-operational-eo-
missions/ers/instruments/sar/applications/radar-courses
18.4. SERVIR Training Materials

En anglais.
Page web principale:
 https://www.servirglobal.net/
“SERVIR is a joint development initiative of National Aeronautics and Space Administration

(NASA) and United States Agency for International Development (USAID), SERVIR works in
partnership with leading regional organizations world-wide to help developing countries use
information provided by Earth observing satellites and geospatial technologies for
managing climate risks and land use. We empower decision-makers with tools, products, and
services to act locally on climate-sensitive issues such as disasters, agriculture, water, and
ecosystems and land use.”
“SERVIR aims to strengthen the ability of governments and other development stakeholders
to incorporate Earth observations and geospatial technology into decision-making through
workshops, training events, and other capacity building activities.”
Page web du matériel pédagogique:
 https://www.servirglobal.net/training-
materials/search?country=NaN&themes=&pageIndex=1&pageSize=6
18.5. EO LEARN
En anglais.
Série de tutoriaux pour apprendre les techniques d’analyses des données d’observation de la
terre. Cependant certaines leçons semblent dater, elles se focalisent surtout sur l’utilisation
du logiciel BILKO et elles se limitent parfois à retaper un code préétabli.
 https://www.learn-eo.org/
Basé essentiellement sur le logiciel BILKO (UNESCO)
428
 www.bilko.org
18.6. Pôle THEIA

Des supports pédagogiques disponibles en ligne sont recensés par le pôle Theia pour les
personnes qui souhaitent se former ou former à la télédétection et à ses applications.
 https://www.theia-land.fr/supports-pedagogiques/
18.7. Newcomers Earth Observation Guide

 https://business.esa.int/newcomers-earth-observation-guide
The aim of this guide is to help non-experts in providing a starting point in the decision
process for selecting an appropriate Earth Observation (EO) solution.
18.8. Eduspace (ESA)

 https://www.esa.int/SPECIALS/Eduspace_FR/index.html
 Pour le secondaire
18.9. “From GIS to Remote Sensing”

Ce blog, créé par Luca Congedo, est le site de référence lié au plugin QGIS « Semi-Automatic
Classification Plugin » (SCP) et contient une série importante de tutoriaux liés à la
classification supervisée d’images satellites avec ce plugin.
 https://fromgistors.blogspot.com/
429
19. Newsletters auxquelles s’abonner
Pour rester informé des dernières nouveautés dans le domaine de la télédétection, vous
pouvez vous inscrire aux newsletters suivantes :
 Sentinel Hub Newsletter

o En lien avec le Sentinel Hub, EO Browser et les données COPERNICUS
o https://www.sentinel-hub.com/faq/#how-can-i-stay-updated-and-subscribe-your-
newsletter
 Theia
o Actualités autour de la télédétection par le pôle français Theia.
o https://www.theia-land.fr/category/theia/lettre-dinfo/ (lettre d’information
semestrielle)
o https://mailchi.mp/teledetection.fr/pole_theia_insciption (bulletin d’information
semestriel)
 NASA - Applied Remote Sensing Training (ARSET)
o Cours de télédétection en ligne
o https://arset.gsfc.nasa.gov/
o S’abonner ici: https://lists.nasa.gov/mailman/listinfo/arset
 DIGITAL EARTH AFRICA
o Accès à certaines données satellites sur l’Afrique
o https://www.digitalearthafrica.org/news
o Besoin de s’inscrire en bas de page
 PLANET
o Images satellites à très hautes résolution, fréquentes, couverture mondiale,
partiellement gratuites
o https://www.planet.com/
o Besoin de se créer un compte
 Actualités de la communauté géomatique en Wallonie (région de Belgique)
o Newsletter du Géoportail wallon et de la communauté géomatique wallonne
(spécifique à cette région de Belgique)
o https://geoportail.wallonie.be/newsletter
430
20. Quelques logiciels de télédétection
spatiale
Nom Prix Site web
Télédétection
SNAP Gratuit https://step.esa.int/main/toolboxes/snap/
Logiciel de l’ESA pour les images « Sentinel » et +
ENVI Payant http://www.exelisvis.com/ProductsServices/ENVI/ENVI.aspx
IDRISI Payant http://www.clarklabs.org/products/idrisi.cfm
ERDAS Payant http://geospatial.intergraph.com/products/ERDAS-
IMAGINE/Details.aspx
QGIS Gratuit http://www.qgis.org/fr/site/
Via des extensions de Quantum GIS : GDAL/OGR, GRASS, SAGA, etc.
R Gratuit http://www.r-project.org/
Via des packages dédiés aux rasters : raster, rgdal, maptools, etc
RSTUDIO Gratuit https://rstudio.com/

Interface pratique pour utiliser R
Google Earth Gratuit https://earthengine.google.org/
Engine (GEE) Application cloud puissante idéale pour travailler sur de très
grandes quantités de données
SIG
ArcGIS Payant http://www.arcgis.com/features/
QGIS Gratuit http://www.qgis.org/fr/site/
Pour travailler spécifiquement sur des séries temporelles d’images

TIMESAT Gratuit http://www.nateko.lu.se/TIMESAT/timesat.asp
SPIRITS Gratuit https://mars.jrc.ec.europa.eu/asap/download.php
VGT EXTRACT Gratuit http://www.devcocast.eu/VGTExtract.do
Pour travailler sur des données hyperspectrales ponctuelles

ViewSpec Pro Gratuit http://support.asdi.com/Products/Products.aspx
431
21. Liste de logiciels utilisés dans ce manuel
 QGIS 3.10.0 ou version ultérieure
o https://qgis.org/en/site/
o Dont les plugins/extensions suivant :
 « Semi-Automatic Classification Plugin » (SCP)
 GOOGLE EARTH PRO

o https://www.google.be/intl/fr_ALL/earth/versions/#earth-pro
 GOOGLE EARTH ENGINE

o https://earthengine.google.com/
o Besoin de se créer un compte Google
o Pas besoin d’installer quoi que ce soit : application dans le cloud
 SPIRITS + JAVA:
o https://mars.jrc.ec.europa.eu/asap/download.php#box5
o SPIRITS ne doit pas être installé en tant que telle mais "déposé" et
« décompressé » sur l’ordinateur
o SPIRITS nécessite que JAVA soit installé : « Spirits requires a Microsoft
Windows system with a Java 7 Runtime Environment (JRE 1.7) or higher
properly installed. » (source : manuel officiel de SPIRITS)
 https://www.java.com/fr/download/
 Remarque : SPIRITS démarre via « javaw.exe « (localisé par exemple
dans « C:\Program Files\Java\jre1.8.0_171\bin\javaw.exe »)
 R + Rstudio
o https://www.rstudio.com/
o https://www.r-project.org/
 SNAP 7 (ESA)
o https://step.esa.int/main/download/snap-download/
o --> voir le tableau et la ligne "All Toolboxes"
o Faire les mises à jour des plugins après installation
432

Travaux Pratiques de Teledetection Spatiale II Uliege

Transféré par

Droits d'auteur :

Formats disponibles

Travaux Pratiques de Teledetection Spatiale II Uliege

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Travaux Pratiques de Teledetection Spatiale II Uliege

Transféré par

Droits d'auteur :

Formats disponibles

Travaux

Avec données et logiciels

Pensez à l’environnement avant d’imprimer ces notes!!**

Ce manuel a été rédigé par Antoine DENIS

Version du 26 février 2021

https://orbi.ulg.ac.be/ ArcGIS = le logiciel SIG payant de référence.

http://orbi.ulg.ac.be/h QGIS = le logiciel SIG gratuit de référence.

Ancienne version de ce manuel-ci basée

Ce manuel-ci, avec données et logiciels libres.

Sera également bientôt disponible, une « Revue des modes de représentation de

Toutes les publications de l’auteur sont disponibles en libre accès ici :

2. Notions de télédétection - Quelques rappels théoriques .......... 21

3. Découverte de « Google Earth Pro » ........................................ 31

4. Ouverture et visualisation d’une image satellite dans QGIS ...... 36

5. Analyse de changement simple dans QGIS ............................... 54

6. Analyse de séries temporelles d’images sur bases d’applications

7. Manipulations de données hyperspectrales dans QGIS .......... 109

8. Classification supervisée d’images satellites multispectrales et

8.4.2.2. Raster de proximité aux rivières .................................................... 141

8.5.2.2. Remarque méthodologique sur la recherche et le téléchargement

8.5.2.4. Recherche et téléchargement des images Sentinel-2 via le site web

8.5.3. Présentation des caractéristiques techniques des images sélectionnées

8.6.9.4. Appliquer le masque de nuages sur une image ............................. 193

8.8.4.2. Création d’un fichier de ROI dans SCP ........................................... 229

9. Analyse de données SAR SENTINEL-1 (télédétection active) pour

10. SPIRITS : Analyse d’une série temporelle d’images NDVI basse

11. BFAST : Breaks For Additive Season and Trend (dans R et

12. Autres outils d’analyses de séries temporelles d’images satellites

13.3.2.3. Landsat Algorithms ........................................................................ 409

14. Visionnage de la vidéo « HOLOGLOBE » ................................. 410

15. Sites web intéressants ........................................................... 413

16. Exemples d’applications de la télédétection spatiale pour la

17. Recherche d’images satellites sur le web ............................... 423

18. Ressources complémentaires en ligne ................................... 427

19. Newsletters auxquelles s’abonner ......................................... 430

20. Quelques logiciels de télédétection spatiale .......................... 431

21. Liste de logiciels utilisés dans ce manuel ................................ 432

1.1. Objectifs de ce manuel

 La présentation de quelques concepts de base via quelques rappels théoriques

Attention !, l’ensemble des données est très volumineux (~3.5 Go pour

Attention !, le répertoire qui accueillera les données sur votre ordinateur

 ENVT2027-1 : 12 heures de TP dont 6 en télédétection

Figure 2 : Principe de la télédétection spatiale passive (Source : http://www.alertes-

 Télédétection passive: enregistrement du rayonnement naturel, fourni par la lumière

Figure 3 : Illustration des principes de télédétection passive (à gauche) et de télédétection active (à

La télédétection spatiale, dans le domaine de l'astronautique, est l'ensemble des

La télédétection spatiale mesure les rayonnements électromagnétiques émis ou réfléchis

2.2. La réflectance solaire

Figure 4 : Principe de la réflectance solaire

Figure 5 : Signature spectrale de différentes matières/éléments du paysage

 La production de cartes d’occupation du sol par classification de données

Figure 7 : Quelques exemples d’application de la télédétection spatiale : carte d’occupation du sol,

2.5.1. Résolution spatiale

30 mètres (Landsat) 15 mètres (Aster) 10 mètres (SPOT 5) 250 mètres (MODIS)

2.5.2. Résolution temporelle (d’une série temporelle d’images ou d’un

Résolution spectrale du capteur SPOT 4, « Cube hyperspectrale », issu d’un capteur

Sources d’inspiration de la section 2.5 :

Les couleurs du spectre de la lumière visible

Aucune donnée spécifique n’est nécessaire pour la réalisation de cet

Logiciel ou « Google Earth Pro sur ordinateur »