INTERCOMPARAISON DES MÉTHODES DE DÉTECTION DES SURFACES BÂTIES À BRASILIA-DF
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
TEMU 2020
INTERCOMPARAISON DES MÉTHODES
DE DÉTECTION
DES SURFACES BÂTIES À BRASILIA–DF
Loic MARIE–LOUISE, Salome SODRICH, Mouad OMARI, Claire TEILLET, Thibault CATRY,
Laurent DEMAGISTRI , Nadine DESSAY, Benjamin PILLOT, Renaud MARTI
Vendredi 30 janvier 2020
Contexte
Contexte du projet APUREZA : « Analyse par télédétection des relations entre Paysage URbains denguE et ZikA »
• Brésil : réémergence de la dengue depuis 1960 ;
• Urbanisation à la fois très planifiée (1960, Niemeyer), mais aussi spontanée (villes-satellite, ex. São Sebastião) ;
• Contexte tropical : forte nébulosité.
Ø Nécessité de cartographier les milieux de l’habitat humain
Besoin d’une méthode reproductible (contexte global), automatique (mise à jour), couvrante (multi-échelles)
Ø Intérêt des méthodes de télédétection :
§ Produits globaux : Global Urban Footprint (GUF) / Global human Settlement Layer (GHSL) ;
Carte du Global Urban Footprint centrée sur l’Europe, 12 m
Corbane, C. et al. Big earth data analytics on Sentinel-1 and Landsat imagery in support to global human settlements mapping. Big Earth Data 2017,
1, 118–144.
Esch, T. et al. Where We Live - A Summary of the Achievements and Planned Evolution of the Global Urban Footprint. Remote Sensing 2018, 10, 895.
Méthode générale : Nomenclature associée à l’habitat humain sur Brasilia-DF (projet APUREZA)
Méthode générale :
Préparation des
données
Préparation des
données vectorielles
Préparation des
données raster
Méthode Supervisée Méthode non supervisée
Production classification Production classification Production de
OTB mono-date Iota2 série-temporelles classification K-Means
Etude de sensibilité Regroupement de
paramétrique classes par photo-
interprétation
1 2 3 Classification
4 de niveau 1 5 6
Préparation des données vectorielles
Acquisition des données : portail du SEDUH
Préparation des
données
vectorielles
Export base
brésilienne
geoportal
SEDUH
Corrections
géometriques
norme Geos
Import base locale
PostgreSQL/GIS
APUREZA
3 4 5 6
Préparation des données vectorielles
Simplification de géométries
• Mécanisme de fermeture (10 m) ;
• Divise le nombre d’entités de la couche (facteur 10).
Préparation des
données
vectorielles
Exportbase
Export base
brésilienne
brésilienne
Geoportal
Geoportal
SEDUH
SEDUH
Corrections
géometriques
norme Geos
Import base locale
PostgreSQL/GIS
APUREZA
3 4 5 6
Préparation des données vectorielles
Extrait de la base vectorielle construite pour visualisation :
Préparation des
données
vectorielles
Exportbase
Export base
brésilienne
brésilienne
Geoportal
Geoportal
SEDUH
SEDUH
Corrections
géometriques
norme Geos
Import base locale
PostgreSQL/GIS
APUREZA
3 4 5 6
Préparation des données raster
Sen2Cor Atmospheric Correction
Préparation des
données images
Sentinel-2
Exportbase
Export base
brésilienne
brésilienne
SciHub
Geoportal
Copernicus
SEDUH
Corrections
atmosphérique
et traitements
nuages
Import base locale
PostgreSQL/GIS
APUREZA
3 4 5 6
Traitements : Méthode non supervisée K-MEANS
§ Paramétrage 15 classes
§ Identification des classes « bâtiments » par photo-interprétation
Classification
K-Means
Identification
des classes
batiments
Classification
de niveau 1
1 2 3 4 5 6Traitements : Méthode non supervisée K-MEANS
Couche « Bâti » K-Means (gauche).
Kappa 0,62 (MAJA)
Classification
K-Means
Identification
des classes
batiments
Classification
de niveau 1
1 2 3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Méthode supervisée Random Forest
« forêt d’arbres aléatoire, décision par vote majoritaire »
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6
Fu, Yijie. "Combination of random forests and neural networks in social
lending." Journal of Financial Risk Management 6.4 (2017): 418-426.Traitements: Méthode supervisée Random Forest monodate
Méthode supervisée Random Forest
§ Etude paramétrique : nombre d’arbres, nombre d’échantillons
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Méthode supervisée Random Forest
§ Apport de bandes supplémentaires de texture (indice d’Haralick)
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Méthode supervisée Random Forest
§ Apport de bandes supplémentaires de texture (indice d’Haralick)
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Méthode supervisée Random Forest
§ Apport de bandes supplémentaires de texture (indice d’Haralick)
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Classification de niveau 1 Random Forest
Indice Kappa : 0.84
Classification
supervisée
monodate
Etude de
sensibilité
paramétrique
Apport de la
texture
Indice Haralick
OTB
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée Random Forest monodate
Apports de l’utilisation de l’agorithme MASADA (JRC) –Semantic Machine Learning : élimination des confusions entre routes et bâti
en utilisant le PANTEX et la morphologie
Classification
de niveau
1
3 4 5 6
Données S2Traitements: Méthode supervisée IOTA 2
Classification
supervisée
multi-temporelle
Etude de
sensibilité
paramétrique
Classification
de niveau
1
3 4 5 6Traitements: Méthode supervisée IOTA 2
§ Année 2017
§ Kappa : 0,9
Classification
supervisée
multi-temporelle
Etude de
sensibilité
paramétrique
Classification
de niveau
1
3 4 5 6Discussion & perspectives : Comparaison avec les produits globaux
Discussion & perspectives : Comparaison avec les produits globaux
Discussion & perspectives : Comparaison avec les produits globaux
Image contrôle
Google Earth
Septembre 2011Discussion & perspectives : Comparaison avec les produits globaux
Image support
Classification
Sentinel-2
Janvier 2019Discussion & perspectives : Comparaison avec les produits globaux
Image contrôle
Google Earth
octobre 2018Discussion & perspectives : Comparaison avec les produits globaux
Image contrôle
Google Earth
octobre 2018Discussion & perspectives : Comparaison avec les produits globaux
Image contrôle
Google Earth
octobre 2018Discussion & perspectives : Comparaison avec les produits globaux
Image contrôle
Google Earth
octobre 2018
Image contrôle
Google Earth
Juin 2019Discussion & perspectives : Améliorations avec les séries temporelles Radar Sentinel-1
Discussion & perspectives : Améliorations avec les séries temporelles Radar Sentinel-1
Discussion & perspectives : Améliorations avec les séries temporelles Radar Sentinel-1
Discussion & perspectives : Améliorations avec les séries temporelles Radar Sentinel-1
Apport de la cohérence interférométrique (série temporelle) S1 pour la détection de la tâche urbaine
Application de MASADA sur le résultat de cohérence S1: élimination des confusions entre routes et bâti,
amélioration de la détection du bâti isolé.Discussion & perspectives : Améliorations avec les séries temporelles Radar Sentinel-1
Pas de polygone d’apprentissage sur Formosa
On obtient une classification cohérente
avec une paramétrisation correcte
Classification IOTA 2 S1 +S2 Année 2019Conclusion
- Nombreux produits globaux de tâches urbaines disponibles mais peu de validation et
d’information de qualité au Sud (GUF, GHSL,…)
- Nombreuses méthodes plus ou moins automatisées d’extraction de la tâche urbaine à
disposition (IOTA 2, MASADA,…) mais peu d’applications au Sud
- Combinaison indispensables des données S1 et S2 pour des applications au Sud avec fort
couvert nuageux
- L’approche par séries temporelles combinant S1 et S2 dans IOTA 2 a donné les résultats les
plus satisfaisants
- Apports importants de l’algorithme MASADA à partir de S1 et S2 pur la confusion entre
routes et bâti, et la détection du bâti isolé
- Applications à venir sur les autres sites au Sud des projets d’Espace-Dev (Madagascar,
Cambodge, Brésil, Vietnam,…)Merci de votre Attention
Conclusion
Classification
K-Means
Classification
supervisée
Random
Forest
Classification
supervisée
IOTA 2Préparation des données raster
Comparaison MAJA/Sen2Cor
§ Sur-détection de la chaîne Sen2Cor (confusion bâti) ;
§ Bonne détection de MAJA sur Brasilia-DF, en accord avec la littérature (Baetens et al 2019, Remote Sensing).
Préparation des
données images
Sentinel-2
Exportbase
Export base
brésilienne
brésilienne
SciHub
Geoportal
Copernicus
SEDUH
Corrections
atmosphérique
et traitements
nuages
Import base locale
PostgreSQL/GIS
APUREZA
3 4 5 6Conclusions & perspectives professionnelles
Réponse à la problématique :
« Comment cartographier l’habitat humain à l’aide des nouvelles méthodes d’observation disponibles ? »
A partir d’une image Sentinel-2 (cas mono-date) :
§ En l’absence de données d’apprentissage, la méthode de classification non supervisée K-Means (OTB) permet
une bonne approximation de la cartographie de la tâche artificielle : « Bâtiments » et « routes » (kappa 0,68);
§ En s’appuyant sur des données d’apprentissage, la méthode de classification supervisée Random Forest (OTB)
permet une bonne cartographie de la tâche artificielle : « Bâtiments » et majorité des « routes » (kappa 0,84);
A partir d’une série temporelle d’image Sentinel-2 (cas mono-date) :
§ En s’appuyant sur des données d’apprentissage, la chaîne IOTA2 permet une très bonne classification
millésimée de la classe « Bâtiments » (kappa 0,91).Contexte du stage
Administratif :
• Accueil à la Maison de la Télédétection, Montpellier ;
• UMR 228 Espace Dev, tutelle IRD ;
• Equipe OSE : « Observation Spatiale de l’Environnement ».
Scientifique :
• Projet APUREZA : « Analyse Par Télédétection des relations entre Paysages Urbains de la dengue et zika » ;
• Appel à projet TOSCA du CNES ;
• Mettre en place des chaînes de traitement de l’image adaptées à la cartographie des facteurs de
risque environnementaux de la dengue ;
• En particulier : détecter la présence de bâtiments dans l’image.Contexte du stage
Administratif :
• Accueil à la Maison de la Télédétection, Montpellier ;
• UMR 228 Espace Dev, tutelle IRD ;
• Equipe OSE : « Observation Spatiale de l’Environnement ».Problématique du stage
La dengue, une infection réémergente et endémique de la zone intertropicale :
Messina et al. Global spread of dengue virus types: mapping the 70 year history. Trends in Microbiology 2014, 22, 138–146.Problématique du stage
La dengue, une infection réémergente et endémique de la zone intertropicale :
Messina et al. Global spread of dengue virus types: mapping the 70 year history. Trends in Microbiology 2014, 22, 138–146.Problématique du stage
Besoin d’une méthode reproductible (contexte global), automatique (mise à jour), couvrante (multi-échelles)
Ø Nécessité de cartographier les milieux de
l’habitat humain
Comment cartographier l’habitat humain à l’aide
des nouvelles méthodes d’observation disponibles ?
Ø Intérêt des méthodes de télédétection :
§ Nouveaux capteurs satellites
disponibles à haute résolution ET
haute fréquence (5-12 Jours) ;
§ Méthodes de traitement disponibles
librement ;
§ Potentiel confirmé en télé-
épidémiologie.Problématique
La dengue, une infection :
§ Réémergente, en lien avec le climat, la globalisation, et la diffusion des moustiques Aedes aegypti et albopictus ;
§ Difficile à diagnostiquer, incurable, avec la moitié de la population mondiale exposée ;
§ Endémique de la zone intertropicale (Asie-Amérique latine principalement) ;
§ Urbaine, et fortement hétérogène : Humain : réservoir du virus, Vecteur : hématophage et anthropophile.
Ø Nécessité de cartographier les milieux de l’habitat humainProblématique du stage
La dengue, une infection transmise par la piqûre d’un moustique :
• repas sanguin des femelles du genre Aedes.
Probabilité
de présence
de Aedes aegypti
Grille de 5 km × 5 km.
Présence de
dengue par pays
10 mm Année 2010
Kraemer, et al. The global distribution of the arbovirus vectors Aedes aegypti and Ae. albopictus. eLife 4.
“Géopolitique du moustique” : https://www.pasteur.fr/fr/geopolitique-moustique (accessed on Sep 9, 2019).Problématique du stage
La dengue, une infection réémergente et endémique de la zone intertropicale :
• Asie et Amérique latine ;
• Moitié de la population mondiale à risque.
Présence de
dengue par pays
Année 2010
Bhatt, S. et al. The global distribution and burden of dengue. Nature 2013, 496, 504–507.Problématique du stage
La dengue, une infection réémergente et endémique de la zone intertropicale :
• Asie et Amérique latine ;
• Moitié de la population mondiale à risque.
Nombre de cas
Par pays
Année 2010
Bhatt, S. et al. The global distribution and burden of dengue. Nature 2013, 496, 504–507.Problématique du stage
Ø Nécessité de cartographier les milieux de l’habitat humain
Besoin d’une méthode reproductible (contexte global), automatique (mise à jour), couvrante (multi-échelles)
Ø Intérêt des méthodes de télédétection :
§ Nouveaux capteurs satellites disponibles à haute résolution ET haute fréquence (5-12 Jours) ;
§ Méthodes de traitement disponibles librement ;
§ Potentiel confirmé en télé-épidémiologie.
Grizonnet, M. et al. Orfeo ToolBox: open source processing of remote sensing images. Open Geospatial Data, Software and Standards 2017, 2, 15.
Parselia, E et al. Satellite Earth Observation Data in Epidemiological Modeling of Malaria, Dengue and West Nile Virus: A Scoping Review. Remote
Sensing 2019, 11, 1862.Problématique du stage
La dengue, une infection transmise par la piqûre d’un moustique :
• Aedes anthropo-phile et syn-anthrope.
Gites larvaires variés
de faibles dimensions.
Bonizzoni, et al. The invasive mosquito species Aedes albopictus: current knowledge and future perspectives. Trends in Parasitology 2013, 29.Problématique du stage
La dengue, une infection réémergente :
• difficile à traiter : pas de vaccin efficace ou de traitement préventif, multi-infections (4 sérotypes) ;
• difficile à diagnostiquer : majorité de cas asymptomatiques, symptômes peu spécifiques, absence
de consultation ou manque de structure sanitaire proche.
World Health Organization Global strategy for dengue prevention and control, 2012-2020. Geneva, Switzerland, 2012; ISBN 978-92-4-150403-4.
World Health Organization, Dengue: guidelines for diagnosis, treatment, prevention, and control; Ed.; New ed.; Geneva, 2009; ISBN 978-92-4-154787.Problématique du stage
La dengue, une infection urbaine de la zone intertropicale :
• Hôte-réservoir (homme) et vecteurs présents dans les milieux urbains ;
• Amplifiée par :
I. Les effets climatiques ;
II. La globalisation des échanges et des flux de personnes ;
III. Les processus d’urbanisation, particulièrement non planifiés.
INSERM: https://www.bpi.fr/agenda/villes-dhier-et-daujourdhui
https://www.inserm.fr/information-en-
sante/dossiers-information/dengue
(accessed on Sep 9, 2019).
Gubler, D.J. Dengue, Urbanization and Globalization: The Unholy Trinity of the 21(st) Century. Trop Med Health 2011, 39, 3–11.
Teixeira, et al., Dynamics of dengue virus circulation: a silent epidemic in a complex urban area. Trop Med Health 2002, 7, 757–762.Problématique du stage
La dengue, une infection urbaine de la zone intertropicale :
• Spatialement hétérogène, à différentes échelles d’observation : régionale, inter-, et intra-urbaines.
Usage du sol Densité de population Groupements statistiques de cas de dengue
Anno, S. et al. Space-time clustering characteristics of dengue based on ecological, socio-economic and demographic factors in northern Sri Lanka.
Geospatial Health 2015, 10.Problématique du stage
La dengue, une infection urbaine de la zone intertropicale :
• Spatialement hétérogène, à différentes échelles d’observation : régionale, inter-, et intra-urbaines.
Barreto, F.R. et al. Spread pattern of the first dengue epidemic in the city of Salvador, Brazil. BMC Public Health 2008, 8, 51.Vous pouvez aussi lire
