Thread by @Prof_D_sciences

Certain me l’ont demandé alors voici la série thread du moment, celle où je vous raconte mes études ou plutôt une partie des connaissances acquises lors de ma spécialisation. Cette semaine je vous parle d’arbres, d’ondes électromagnétiques et d’images satellites. Let’s go ! 1/n

Vous en avez l’habitude, je vais faire une petite série pour ne pas vous noyez d’infos, on fera donc un thread de bases théoriques puis je vous montrerai comment j’ai exploité tout ça dans ma vie passée et vous présenterait d’autres applications possibles. 2/n

Alors comme d’habitude partons des bases : tout objet ayant une température supérieure à 0° kelvin (le 0 absolu) rayonne. Vous pouvez donc dire sans gênes que vous rayonnez. 3/n

Ce rayonnement dépend au premier ordre de la température. Le soleil émet beaucoup de rayonnements dans le visible. La Terre, plus froide, émet dans l’infrarouge. Vous constaterez via cette figure que les Rayons X, Ultraviolets, ondes radios… c’est la même chose physiquement 4/n

Tout ça c’est un rayonnement électromagnétique dont la longueur d’onde n’est pas la même donc les propriétés physiques non plus. J’évacue de suite une question: pourquoi ne voit-on pas ces lumières ? Simplement parce que nos yeux ne captent que les longueurs d’ondes visibles 5/n

Certains organismes « voient » les Infrarouges (IR) ou les ultraviolets (UV) l’idée c’est qu’eux sont équipés de capteurs que nous n’avons pas. La notion de lumière "visible" est anthropocentrée 6/n

Le soleil émet donc un ensemble de longueurs d'ondes ayant chacune une intensité, dépendant de sa température: c'est son spectre (en jaune). Il traverse l’atmosphère. qui en absorbe une partie et PAF ça fait le rayonnement incident sur Terre (voir ci-dessous en rouge). 7/n

Ce rayonnement interagit avec ce qui se trouve au sol. Plusieurs interactions sont possibles mais nous nous intéresserons à réflexion: c’est le fait qu’un objet à cause de sa composition chimique et de sa structure va plus ou moins réfléchir certaines longueurs d’ondes. 8/n

Un exemple concret de ce phénomène: la couleur. La couleur c’est la partie du spectre visible réfléchie par l’objet que l’on regarde qui est capté par vos yeux. Le reste du spectre est absorbé, transmis ou réfléchit mais invisible à nos yeux 9/n

Nos yeux sont des capteurs biologiques qui captent la partie du spectre solaire visible réfléchie par ce qui nous entoure. Mais il existe tout un tas de capteurs artificiels qui eux peuvent capter et interpréter la «couleur» d’un objet pour n’importe quelle longueur d’onde. 10/n

Du coup on peut faire un spectre de lumière réfléchie qui va caractériser n’importe quel objet comme ici la végétation. Vous constaterez que la végétation réfléchie beaucoup les infrarouges proches (NIR) et un peu les lointains (SWIR). 11/n

Vous voyez bien qu’une surface réfléchit des longueurs d’ondes bien au-delà du visible. Ici par exemple pour repérer et caractériser la végétation on va beaucoup utiliser les NIR plutôt que le visible qui a au final une réflexion très faible (un peu de vert quoi) 12/n

Dans l’espace nous disposons de satellites comme les Pléiades, les Sentinelles ou les SPOT pour citer les européens. Ils disposent de capteurs capables de capter le spectre électromagnétique réfléchit par les objets du sol y compris les longueurs d’ondes qu’on ne voit pas 13/n

Ils ont une certaine résolution spatiale soit la plus petite surface que le capteur peu discerner: pléiade capte ainsi sur des carrés de 50cm, sentinel-2 10m, SPOT6 6m. -Concrètement ça veut dire que quand vous regardez une photo pléiade chaque pixel fait 50/50cm 14/n

Ces satellites ont des capteurs captant certaines bandes spectrales c’est-à-dire certaine plage de longueurs d’ondes. On peut par exemple définir une bande spectrale entre 400 et 750 nm et l’appeler « lumière visible ». Bon en vrai on prend des intervalles plus petits. 15/n

Voici par exemple les bandes spectrales captées par Sentinel-2 allant de 450 à 2400nm 16/n

Donc pour chaque pixel le capteur récupère les données sur les bandes spectrales qu’il est en capacité de capter et leur attribue une valeur suivant l’intensité. Chaque pixel a donc une valeur pour chacune des bandes spectrales captées par le satellite 17/n

Bon maintenant il faut rendre ces bandes interprétables pour nos yeux sinon on ne verra rien par définition. Du coup on va attribuer une longueur d’onde visible aux longueurs d’ondes pas forcément visibles captées qui nous sont utiles pour travailler. 18/n

Par exemple si on étudie la végétation on va mettre les infrarouges (B8) en rouge pour les faire ressortir, puis le rouge (B4) en vert et le vert (B3) en bleu 19/n

et paf on obtient qqc comme ça 20/n

On repère facilement les zones en eau, les zones urbanisées, les zones cultivées en rouge clair, les sols nus en grandes zones bleues, les zones boisées en rouge très foncé/noir etc etc 21/n

Notez qu’on peut totalement changer la représentation suivant ce qu’on veut étudier, ici par exemple on a mis les ondes radios en bleu, l’infrarouge thermique en vert et le rouge en rouge pour faire ressortir les différents types de nuages. 22/n

Vous allez me dire que ça change pas grand-chose par rapport à une photo normale hormis que les couleurs sont différentes. Sauf que vous allez voir qu’avec ce genre de données on peut faire tout un tas de bricolages pour caractériser, classifier finement ce qu’on observe. 23/n

Pour la végétation on peut par exemple calculer des indices en utilisant nos données comme le NDVI qui permet d’estimer la photosynthèse dans un végétal. Pour le calculer on va faire des opérations sur les bandes spectrales qui nous intéressent 24/n

Rappel : je vous ai expliqué plus haut qu’un pixel donné était caractérisé par différentes valeurs correspondant à l'intensité des bandes spectrales qu’on a captées. Du coup rien ne nous empêche de faire des opérations mathématiques sur ces valeurs. 25/n

Par exemple pour le NDVI on fait (NIR-Rouge)/(NIR+Rouge). Si vous voulez en savoir plus dessus c’est ici dronesimaging.com/wp-content/upl… et dans la partie 2 de cette série 26/n

On peut aussi faire des opérations de texture : ce sont des opérations statistiques qui permettent de déterminer si les surfaces sont homogènes ou hétérogènes au niveau spectral (pour très beaucoup simplifier) 27/n

Par exemple un champ, une prairie sont homogènes, une forêt beaucoup moins (pas les mêmes arbres qui n’ont pas la même hauteur, le même type de feuilles/aiguilles etc etc), une haie sera très hétérogène car elle fait bordure arborée (donc en relief) entre 2 zones homogènes 28/n

En combinant ces indices et textures on peut apprendre au logiciel à reconnaitre une surface inconnue: vous montrez une surface à votre logiciel et vous lui dîtes «cette surface c’est une sapinière, maintenant que tu connais, trouves moi toutes les sapinière sur la photo» 29/n

Vous répétez l’opération avec les catégories qui vous intéressent et vous obtenez une carte d’occupation du sol. Grace à ces cartes vous savez avec un bon niveau de certitude, si vous avez bien bossé avant, ce que vous avez et à quel endroit sans devoir vous déplacer 30/n

Les catégories sont arbitraires, vous faites ce dont vous avez besoin et en fonction des données que vous avez. On parle de classification supervisée. 31/n

Voilà pour les bases théoriques simplifiées pour être compréhensibles (du moins je l’espère): Nous avons appris que les surfaces réfléchissent une partie du spectre solaire du fait de leurs caractéristiques physiques et chimiques formant un spectre de réflectance. 32/n

Ce spectre est propre à chaque surface. Ainsi, grâce à des satellites captant tout un tas de bandes spectrales (partie du spectre) intéressantes du spectre de réflexion, on peut, en apprenant à un logiciel, classer toutes nos surfaces pour identifier ce qui s’y trouve 33/n

Pour simplifier à l’extrême on peut dire que chaque surface (un champ de blé, une forêt de hêtre, une banquise, un désert, une ville…) a une couleur qui lui est propre et qu’on va apprendre à un logiciel à reconnaitre les surfaces qui nous intéressent grâce à leur couleur. 34/n

Allez je vous libère, @ bientôt pour la suite où je vous expliquerai ce que j’ai bien pu faire de tous ces éléments par le passé et vous ouvrir à quelques applications concrètes (au-delà de faire de jolies cartes) 35/n

poke @Thomas_Auriel @BotCopernicus @DurocYann @Ecoff123 @laydgeur @TerreTerre13 @AEffondrement @AStrochnis @astropierre