Beruflich Dokumente
Kultur Dokumente
S4
Mathieu Fauvel
1 présentation 1
1.1 Me joindre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Organisation de l’UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Documents de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.4 Objectifs de l’UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.5 Fonctionnement durant les séances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 introduction à la télédétection - utilisation du logiciel envi-idl 3
2.1 Configuration de l’environnement IDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Création de variables utilisateurs dans l’environnement Window de son compte personnel 3
2.1.2 Création de nouvelles fonctions dans le menu ENVI . . . . . . . . . . . . . . . . . . . . . 4
2.2 Utilisation de l’aide d’ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Segmentation d’images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.1 Prise en main du logiciel ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Colorisation et analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3.3 Analyse radiométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Arbre de décision et détection de changements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1 Néo-canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.3 Détection de changements : application à la gestion d’inondation . . . . . . . . . . . . . . 8
2.5 Classification supervisée d’images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.1 Prise en main . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.2 Classification d’une série temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 etudes de cas - application à la gestion de l’environnement 15
3.1 Détection d’objets dans les cartes anciennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Détection de la trame verte (haies) dans un paysage agricole . . . . . . . . . . . . . . . . . . . . . 15
4 exercices 17
4.1 Segmentation d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Néo-canaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Série multitemporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.4 Classification supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.5 Recalage d’images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
iii
1
P R É S E N TAT I O N
1.1 me joindre
mathieu.fauvel@ensat.fr
http://fauvel.mathieu.free.fr/
Bureau 1201
+33(0)5 34 32 39 22
Le cours de traitement d’images satellitaires a pour objectif de présenter aux étudiants de l’ENSAT les
possibilités offertes par les images de télédétection pour la gestion de l’environnement et l’aménagement
du territoire. Une attention particulière est portée aux nouvelles techniques numériques d’analyse d’images
permettant le traitement, l’extraction et l’organisation de l’information spatiale et spectrale contenue dans ces
images.
L’unité est divisée en deux parties :
1. Introduction (chapitre 2). Les bases de la télédétection sont présentées : rayonnement électromagné-
tique, comportement spectral, acquisition d’images, composition colorée, photo-interpretation, recalage
d’images, segmentation et classification d’images. Dans cette partie, l’outil informatique est une aide à
la visualisation, à l’analyse, à l’interprétation des images ainsi qu’à l’extraction d’informations de haut
niveau pour son intégration éventuelle dans les SIG.
2. Approfondissement (chapitre 3). A travers des applications concrètes (extraction des forêts dans les
cartes anciennes) les outils et méthodes actuels de traitements numériques sont étudiés. Dans cette
partie, l’outil informatique est utilisé pour résoudre des problématiques de gestion de l’environnement.
1
1 présentation
Pour les séances d’introduction, l’organisation sera la suivante. Un rappel du cours de S2 sera donné en
début ou durant la séance. Ensuite, vous aurez la main pour manipuler et appréhender les connaissances et
les techniques. Il vous sera fourni un jeu d’images ainsi que les mots-clefs pour effectuer vos recherches dans
l’aide du logiciel.
Pour les séances d’application à l’agro-écologie, l’organisation sera légèrement différente. Après une pré-
sentation de la problématique, des données et des objectifs applicatifs, vous serez laissés en autonomie. A
vous de chercher à partir de vos connaissances comment résoudre le problème proposé. En fonction des
besoins, un rappel de cours et/ou l’introduction d’une nouvelle notion seront réalisés par l’enseignant.
Il n’y aura pas de compte rendu à restituer. A vous de construire votre bagage technique et théorique. Ainsi,
vous êtes fortement encouragés à rédiger au fur et à mesure votre document de cours : ce que vous estimez
nécessaires comme rappels théoriques, procédures de traitements . . . Ce sera le seul document autorisé durant
la séance d’examen. L’enseignant est bien entendu à votre disposition pour valider votre production. La durée
des séances est prévue pour vous laisser le temps de la réflexion et de la mise par écrit.
Durant les séances, en fonction de l’avancement de chaque groupe, vous serez amenés à présenter au reste
de la série la manière dont vous avez répondu à une question. De plus, des exercices vous seront proposés
entre les séances. Ils seront corrigés par un groupe au début de la séance suivante.
1.6 evaluation
Une séance d’évaluation individuelle de 1h40 est prévue à la fin du cycle. Vous n’aurez droit comme
document qu’à votre production ainsi qu’à l’aide du logiciel ENVI. L’examen portera sur les notions vues
en séances pour moitié. L’autre moitié concernera la résolution d’un problème pratique et évaluera votre
capacité à utiliser la télédétection pour la gestion de l’environnement.
2
2
I N T R O D U C T I O N À L A T É L É D É T E C T I O N - U T I L I S AT I O N D U L O G I C I E L E N V I - I D L
2.1.1 Création de variables utilisateurs dans l’environnement Window de son compte personnel
Les paramètres de votre compte informatique rendent cette étape nécessaire. Vous n’avez par défaut pas
les droits pour écrire sur le disque dur de la machine. Il vous faut donc définir des variables associées à votre
compte vous permettant d’éditer les fichiers de configuration nécessaires.
Procédure :
2. Dans le panneau de configuration faites la recherche suivante “variable d’environnement”, cliquez sur
Modifier les variables d’environnemet système.
Créez une nouvelle variable puis entrez IDL_PATH comme nom et Z:\users_dir;<IDL_DEFAULT> comme
valeur avec Z:\users_dir le chemin vers le répertoire utilisateur. Sélectionner Ok pour fermer toutes
les fenêtres.
3
2 introduction à la télédétection - utilisation du logiciel envi-idl
3. Démarrez ENVI et ajoutez dans les préférences le chemin vers le fichier menu du répertoire utilisateur.
Fermez ENVI. Vous pouvez maintenant modifier votre fichier envi.men.
La première chose à faire pour créer ses propres fonctions utilisateurs est de rajouter un appel à celles-
ci dans le menu interactif ENVI. Il existe plusieurs manières de procéder. Nous allons voir dans ces TPs
une manière simple utilisant les fonctions prédéfinies d’IDL et d’ENVI. Pour cela, il suffit d’ouvrir le fichier
envi.men et de l’éditer :
1. Ouvrez le fichier avec n’importe quel éditeur. Pour plus de facilité, utilisez celui de l’environnement
de programmation d’IDL. Regardez comment il est structuré, il est aisé de comprendre comment on va
pouvoir ajouter un appel à nos fonctions.
2. Détails de la structure. Pour ajouter un premier niveau au menu :
0 {User Functions}.
On peut ainsi définir plusieurs niveaux. Dans notre application, on ne va définir qu’un seul niveau.
4
2.2 Utilisation de l’aide d’ENVI
Dans la barre des menus, déroulez le menu Help et cliquez sur Start ENVI Help. Vous devez obtenir la
fenêtre suivante :
Plusieurs possibilités :
• Table of contents : Pour obtenir de l’aide basique sur ENVI pour un menu par exemple.
• Index : Pour obtenir de l’aide sur une fonction particulière.
• Search : Pour obtenir de l’aide à partir de mots clefs.
Dans la suite, vous trouverez indiquée la partie de l’aide à consulter.
1. En vous aidant de la documentation fournie avec le logiciel, ouvrez l’image « fabas » (Voir opening and
displaying dans Using ENVI Classic.).
Pour information, les fichiers *.hdr contiennent les informations nécessaires à l’ouverture de l’image : nombre de lignes, nombre
de colonnes, nombre de bandes spectrales, système de codage numérique, type d’entrelacement et des informations sur le géo-
référencement. Ces fichiers s’ouvrent avec un simple éditeur de texte. Voir les détails dans le tableau 1.
5
2 introduction à la télédétection - utilisation du logiciel envi-idl
2. Récupérez les informations principales sur l’image : nombre de lignes, de colonnes, de bandes, de
résolution spatiale (ENVI Header format).
Il y a plusieurs manières de récupérer ces informations. . .
3. Affichez, dans des « visualisateurs » différents, les images correspondantes aux quatre bandes spectrales
(Voir opening and displaying dans Using ENVI Classic).
4. Liez deux (ou plus) affichages de votre choix. Faites une analyse visuelle (Dans search : Linking Display).
5. Affichez le compte numérique des pixels. Faites bien attention à ce que retourne le logiciel ! (Dans search :
cursor location value).
6. Visualisez la zone couverte par l’image sous Google Map ou Google Earth (Dans search : google earth
bridge).
1. Affichez une composition colorée « vraies couleurs » et « fausses couleurs », voir Figure 1. En liant les
affichages, comparez les colorisations.
2. Affichez simultanément les spectres de plusieurs pixels correspondants aux matériaux suivants : eau,
végétation arborée, végétation basse et sols nus (Dans search : extract spectral profile). Commentez cet
affichage. Un exemple de signaure est donnée à la figure 2.
3. Affichez simultanément les spectres de plusieurs pixels correspondants à un même matériau. Faites de
même pour différents matériaux. Que peut-on en conclure ?
1. Tracez les histogrammes des valeurs des pixels pour les quatre bandes spectrales (Dans search : compu-
ting statistics). Comparez les.
Il est possible de visualiser sur un même graphique les différents histogrammes
2. Pour les quatre histogrammes, essayez d’identifier pour chaque maximum local les matériaux corres-
pondant. Analysez l’apport de chaque bande pour la caractérisation des différents matériaux.
3. A partir des informations extraites, segmentez les bandes spectrales correspondant au « rouge » et au
« proche infra-rouge » (Dans search : Interactive density slicing).
4. Reprenez les questions 1 et 2 avec un histogramme 2D (Dans search : scatter plots)
5. Construisez des masques binaires correspondant aux couches « végétation », « eau » et « sols nus » (Dans
search : creating masks). Un exemple est donné à la figure 3.
6
2.3 Segmentation d’images satellitaires
1,000
Végétation arborée Sol nu
Eau Végétation Basse
800
Compte numérique
600
400
200
0
B V R IR
Bandes spectrales
7
2 introduction à la télédétection - utilisation du logiciel envi-idl
2.4.1 Néo-canaux
1. Construisez à partir de l’image « fabas » les néo-canaux correspondant aux NDVI (Dans serach : mathe-
matical expression).
2. A partir du NDVI, faites une analyse de l’activité photosynthétique de la zone couverte par l’image.
Isolez la végétation du reste du paysage et caractérisez les deux types de végétation.
Créez un arbre de décision pour segmenter l’image NDVI (Voir Using ENVI Classic → Classification →
Decision Tree classifier ). La figure 4 donne un exemple de segmentation. Pour vous entraîner, vous pouvez faire une
segmentation en quatre classes à partir de l’image multispectrale originale. Vous devez obtenir le même résultat.
Pour cette partie, vous travaillerez sur les images « tsunami_before » et « tsunami_after ». Ce sont deux
images, prises avant et après le tsunami de décembre 2004 en Asie, qui correspondent à la zone de Lhonga
Leupung en Indonésie, voir Figure 5. L’objectif est de réaliser automatiquement une carte mettant en valeur
les zones inondées.
Pour cela, nous utiliserons deux images et analyserons les zones de l’image qui ont « changé » à cause de
l’inondation : qui sont passées de séches à humides.
La méthode mise en œuvre doit être la plus simple possible, ce n’est pas la peine de multiplier les traite-
ments.
8
2.4 Arbre de décision et détection de changements
(a) (b)
Figure 5: Image « fausses couleurs » de la zone de Lhonga Leupung avant (a) et après (b) le tsunami.
9
2 introduction à la télédétection - utilisation du logiciel envi-idl
L’objectif de cette partie est de comprendre comment réaliser une classifiaction supervisé avec ENVI. Vous
travaillerez sur l’image « objet », voir Figure 7. C’est une image Worldview-2, possédant 8 bandes spectrales.
1. Construisez des zones d’intérêts correspondantes aux classes définies dans le tableau 2. Selectionner
environ au moins un millier de pixels pour chaque classe, mais pas plus de 2500, cela pour des raisons
de temps de calculs (Dans search : managing ROIs files).
1 2 3 4 5 6 7
Arboré Cultures Prairie Sols nus Route Bâtiment Ombre
Table 2: Détails des classes. Attention, bien respecter l’ordre de définition des classes !
2. Calculez les caractéristiques statistiques (moyenne et variance) des classes définies (Dans search : ROIs
satistics). Représenter les pixels sélectionnés à l’aide de l’outil 2D Scatter Plots. Que pouvez déjà en
déduire ?
3. Faites une classification supervisée de type : distance minimale, maximum de vraisemblance Gaussien et
SVM avec noyau linéaire (Dans search : minimum distance et maximum likelihood). Pour chaque méthodes,
choisir de classifier tout les pixels.
4. Calculez les matrices de confusion pour les deux cartes de classification obtenues précédemment (Dans
search : confusion matrix).
5. Comparez-les : accord global, Kappa, précision utilisateur/producteur.
6. Réalisez une régularisation de type « analyse majoritaire » sur la carte de classification la plus précise
(Dans search : majority analysis). Testez plusieurs tailles de fenêtre.
10
2.5 Classification supervisée d’images satellitaires
1 2 3 4 5 6 7 8
Chêne pubescent Chêne pédonculé Chêne sessile Chêne rouge Bouleau Charme Chataîgner Robinier
9 10 11 12 13 14 15 16
Peuplier Platane Eucalyptus Pin Maritime Epicéa Hêtre Alisier Noistier
17 18 19 20 21 22 23 24
Pin Silvestre Frêne Sapin rouge Cèdre Saule blanc Chêne du Caucase Sapin de douglas Pin Laricio
Dans cette partie, l’objectif est de classifier les espèces arborés à l’aide d’une série d’images multidate (ou
multitemporelle).
La série multitemporelle consiste en une série d’images du NDVI prises en différentes dates obtenues dans
le cadre du programme Kalidéos OSR MiPy 1 . 9 dates ont été retenues pour l’année 2013.
Ces images ont été acquises par le satellite FORMOSAT. La résolution spatiale est de 8 métres par pixel. 4
bandes spectrales (B, V, R et IR) sont disponibles pour chaque date. Les vérités terrain ont été construites pas
les étudiants AGREST de la promo ENSAT 2013. 24 classes ont été recensées lors d’une prospection terrain.
Le tableau 3 présente les différences essences relevées sur le terrain.
Classification supervisée
1. Restaurez le fichier roi (pour Region Of Interest sur une image de la série temporelle (Dans search :
managing ROIs files). Voir le tableau 3 pour le type de cultures.
2. Calculer les NDVI pour chaque dates et construisez une série temporelle basée sur le NDVI. Tracer les
spectres moyens du NDVI pour chaque classes. Pour simplifier la visualisation, tracer les à l’aide d’un
tableur. Observer en particulier les spectres moyens relatifs aux chênes et aux sapins.
3. Faites un premier regroupement des classes pour simplifier le problème : (19+23), (12+17+24) et (1+2+3+22).
4. Faites une classification supervisée de type : distance minimale et maximum de vraisemblance Gaussien
sur les données brutes et NDVI. Utiliser le masque fournit pour ne traiter que les pixels correspondants
à la végétation arborées.
5. Faites une analyse des résultats de classification.
6. Appliquez un filtrage majoritaire en choisissant la taille du gabarit qui vous semble la plus adaptée.
7. Calculer la surface totale au sol pour la classe arborées la plus représentée.
1. Programme Kalidéos OSR MiPy : ce programme Kalideos du CNES met gratuitement à disposition de la communauté scientifique
des bases de données de télédétection de référence. Dynafor en tant que membre fondateur de l’Observatoire Spatial Régional peut donc
en bénéficier pour son site d’études LTER Vallées et Coteaux de Gascogne situé en région Midi- Pyrénées
11
2 introduction à la télédétection - utilisation du logiciel envi-idl
(b) Masque
12
2.6 Recalage d’images
(a) (b)
13
3
E T U D E S D E C A S - A P P L I C AT I O N À L A G E S T I O N D E L’ E N V I R O N N E M E N T
Les cartes anciennes contiennent des informations spécifiques qui permettent de reconstruire des trajec-
toires d’occupation des sols dans le temps et dans l’espace. Actuellement, l’extraction d’information sur ces
cartes recourt principalement à l’intervention de l’utilisateur (digitalisation manuelle). Cette approche est coû-
teuse en temps et difficilement applicable sur de larges zones. Il a été proposé dans “Automatic extraction of
forests from historical maps based on unsupervised classification in the CIELab color space” une méthode gé-
nérique pour automatiser l’extraction des forêts sur des cartes d’états majors du 19ieme siècle. Cette méthode
repose sur trois étapes :
1. Suppression des lignes de reliefs et du texte par des filtres à gabarit,
2. Passage du l’espace RGB à l’espace colorimétrique LAB,
3. Classification non supervisé des objets en fonction de leur couleur dans l’espace LAB.
La figure 10 présente le résultat de l’extraction de la forêt en utilisant cette méthode.
Dans ce TP, nous allons utiliser l’implémentation IDL/ENVI développé par P. Loussert et K. Gouerec de
la promotion SIGMA-AGROGEOMATIQUE ENSAT 2014. Vous trouverez les codes à cette adresse http:
//fauvel.mathieu.free.fr/softwares.html. Télécharger l’ensemble des codes dans un répertoire sur votre
compte. Suivez la procédure d’installation fournis avec les codes pour installer l’ensemble des fonctionnalités.
Les haies jouent un rôle important dans la conservation des sols, la productivité des écosystèmes, la pro-
tection des cultures et la limitation des pollutions d’origine agricole. Ainsi, la cartographie de ces formations
arborées secondaires ou « arbres hors forêt » constitue un enjeu majeur pour les différents acteurs chargés de
préparer la mise en place de la future « Trame Verte et Bleue » qui fait suite au Grenelle de l’Environnement.
De par leur faible superficie, ces éléments du paysage ne sont pas représentés dans les bases de données
destinées aux échelles régionales comme CORINE Land Cover dont la taille minimale de saisie des objets
est fixée à 25 ha. En revanche, ces éléments existent dans la BDTopo de l’IGN qui contient une description
détaillée du territoire pour une gamme d’échelle allant du 1 :5000 au 1 :50 000. Toutefois, cette base répond à
des spécifications bien définies et par conséquent elle n’intègre pas forcément tous les objets. Elle adopte par
ailleurs un choix de modélisation parmi d’autres possibles, ce qui n’est pas toujours adapté à l’application
envisagée. Par exemple, dans la BDTopoV2, la haie est définie comme étant une « clôture naturelle composée
d’arbres, d’arbustes, d’épines ou de branchages et servant à limiter ou à protéger un champ. Alignement
d’arbres ou plantation d’arbres fruitiers dont la largeur est inférieure à 25m » (IGN, 2009). Pour que la haie
soit saisie dans la BDTopo, sa longueur doit être supérieure ou égale à 100m. L’espace minimum entre deux
haies parallèles doit également être supérieure ou égale à 50m pour les distinguer dans la base. Enfin, la haie
est représentée par un objet surfacique et est modélisée par son contour extérieur.
15
3 etudes de cas - application à la gestion de l’environnement
(a) (b)
Dans cette partie, nous allons voir que la télédétection offre un moyen simple pour la cartographie du
réseau des haies. Nous allons utiliser une méthode basée sur Maire, E. ; Marais-Sicre, C. ; Guillerme, S. ; Rhoné,
F. ; Dejoux, J.-F. & Dedieu, G. (2012), ’Télédétection de la trame verte arborée en haute résolution par morphologie
mathématique.’, Revue Internationale de Géomatique 22 (4) , 519-538. Cette méthode permet de détecter les arbres
hors forêts à l’aide d’opérateur de morphologie mathématique.
1. Effectuer une analyse en composante principale de l’image multispectrale initiale. Sélectionner la com-
posante principale pour laquelle les haies sont des maxima locaux en termes d’intensité.
2. Effectuer un filtrage top-hat sur la composante principale sélectionnée. Choisir le paramètre en fonction
des propriétés spatiale des haies.
3. Faites un seuillage sur la sortie du filtre pour récupérer les haies et les arbres isolés.
4. Exporter les résultats en vecteurs.
16
4
EXERCICES
2. Calculez les histogrammes de la bande 1 et de la bande 2 de la Figure 11 (vous pouvez vous servir de
la Figure 12). Segmentez-les en choisissant le nombre de classes qui vous semble pertinent.
4. Sur la Figure 13, placez les dimensions. Quel spectre correspond à la réflexion d’une surface type
végétation ?
4.2 néo-canaux
Sur la Figure 14, retrouvez l’histogramme du NDVI correspondant à l’image sur laquelle il a été calculé.
Sur la figure 15, associez chaque surface à un type de cultures : hiver, été ou non-cultivé.
Sur l’image « Fabas », après calcul du NDVI, un photo-interprète a identifié 4 classes. A l’aide d’une vérité
terrain, il a ensuite calculé des paramètres statistiques pour chaque classe.
• A partir des paramètres reportés dans la Table 4, construisez les règles de décision gi pour les quatre
classes pour les méthodes distance à la moyenne et mélange de gaussiennes (p(wi ) = πi ).
• Calculez les seuils optimaux, i. e., x tel que geau (x) = gsols nus (x) pour les deux méthodes.
• A partir des images de classification de la Figure 16, calculez la matrice de confusion. Puis, calculez
la précision producteur et utilisateur pour la classe Forêt ainsi que le pourcentage total de pixels bien
classifiés.
1 0 1 2 3 4 4 2
2 2 5 6 3 3 1 0
1 6 6 4 5 1 2 2
2 5 4 6 3 0 0 1
(a) (b)
17
4 exercices
7 7 6
6 6 5
5 5 4
4 4 3
3 3 2
2 2 1
1 1 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6
b1 b2 (b1 , b2 )
-1 0 1 -1 0 1 -1 0 1
(1) (2) (3)
18
4.4 Classification supervisée
1 1
0.5 0.5
NDVI
NDVI
0 0
−0.5 −0.5
−1 −1
éc re
éc re
Fé er
in
Fé er
in
pt et
pt let
r
s
ai
ai
e
e
ril
ril
ie
ie
ar
ar
br
br
l
b
b
i
Ju
Ju
M
M
Av
Av
Se Juil
Se Juil
nv
nv
vr
vr
em
em
M
M
em
em
Ja
Ja
D
D
(a) (b)
1
0.5
NDVI
−0.5
−1
éc re
Fé er
in
pt let
r
ai
e
ril
ie
ar
br
b
i
Ju
M
Av
Se Juil
nv
vr
em
M
em
Ja
(c)
Figure 15: Spectre temporel du NDVI moyen + écart type pour trois types de surfaces.
F F F V E F F
F F V V E F V E
V V V R R F R
F V R F F V R R
Classification Vérité terrain
19
4 exercices
Table 5: GCPs
xr x y
p1 127.25 122.25 51.25
p2 148.25 143.75 123.50
p3 451.50 450.25 404.25
p4 394.00 392.00 195.50
p5 299.25 296.75 321.75
20