ISABEL CYR
EXPLOITATION DES DOMES RSO DE RADARSAT POUR LA CARTOGIRAPHIE
DE LA VCJLNÉRABXLITÉ DE LA NAPPE SOUTERRAINE
Mémoire
présenté
à la Faculté des études supérieures
de 1 Université Laval
pour l'obtention
du grade de maître è s sciences (M-Sc.)
Département des sciences géomatiques
FACULTÉ DE FORESTERIE ET DE GÉOMATIQUE
~ I V E R S I T É LAVAL
JANVIER 1999
@ Isabel Cyr, 1999
National Library 1+1 of,", Bibliothèque nationale du Canada
Acquisitions and Acquisitions et Bibliographic Services services bibliographiques
395 Wellington Street 395. rue Wellington Ottawa ON KIA O N 4 Ottawa ON K1A ON4 Canada Canada
The author has granted a non- L'auteur a accordé une licence non exclusive licence dlowing the exclusive permettant à la National Lib rw of Canada to Bibliothèque nationale du Canada de reproduce, loan, distniute or sell reproduire, prêter, distribuer ou copies of this thesis in microform, vendre des copies de cette thèse sous paper or electronic formats. la fome de microfichelfilm, de
reproduction sur papier ou sur format électronique.
The author retains ownership of the L'auteur conserve la propriété du copyright in this thesis. Neither the droit d'auteur qui protège cette thèse. thesis nor substantial extracts fiom it Ni la thèse ni des extraits substantiels may be printed or otherwise de celle-ci ne doivent être imprimés reproduced without the author's ou autrement reproduits sans son permission. autorisation,
REMERCIEMENTS
Je tiens à remercier mon directeur de recherche Keith Thomson
pour m'avoir proposé ce projet, assuré un encadrement adéquat
et supporté tout au long de mes études de maztrise. C'est
aussi grâce à lui que jlai pu me rendre en Norvège pour
effectuer un stage relié à mon projet de recherche. Pour cette
expérience internationale enrichissante, je l'en remercie
beaucoup. Quant à Daniel Raucoules, qui poursuit ses études
post-doctorales au Centre de recherche en géomatique (CRG), il
a suivi toutes les étapes du projet et a été une aide précieuse
durant ma recherche. Il m'a aussi permis d'utiliser ses
résultats de recherche sur la segmentation d1 image- Pour les
nombreuses discussions que jlai eues avec lui où j 'ai pu
bénéficier de ses suggestions fort utiles aux niveaux
méthodologique, scientifique et technique, je l'en remercie
beaucoup. Kim H. Esbensen, professeur titulaire à l'Institut
de technologie de Telemark (HIT) en Norvège et chercheur
associé au CRG, a assuré mon encadrement durant le stage d'un
mois en Norvège portant sur l'analyse d'image multivariée (MIA)
de mes données RSO. Je tiens à le remercier pour son aide au
projet et pour m'avoir si bien accueilli dans sa famille tout
en me faisant découvrir un beau coin de la Norvège. Mes
remerciements vont aussi à Jacynthe Pouliot qui a construit et
validé la base de données géoscientifiques de la région de
Lachute et à Jean-Marie Beaulieu pour son logiciel de
segmentation d'image. J1ai beaucoup apprécié la camaraderie et
le support des étudiants et étudiantes du CRG. Merci à vous
tous et bonne chance dans vos études. Un merci tout
particulier à ma famille pour m'avoir incité à poursuivre mes
études au niveau de la maîtrise et pour avoir cru en mes
capacités dès le début.
L e support
recherche
financier du projet a été
en géomatique, l e Fonds
assuré par l e Centre de
d ' enseignement et de
recherche de la Fondation de l'université Laval e t l'Ambassade
de Norvège. Les images de FUDARSAT ont été fournies
gratuitement grâce au programme fédéral EDOT. Je les remercie
tous pour l e u r confiance.
fZE'RCIEMEmÇ ....................................................................................................... i
TABLE DES M A T I E ~ S -....................................-..................................................... iii
LISTE DES T M L m ........................................................................................... vi
LISTE DES FIGURES ............................................................................................. viii
LISTE DES m X E S .............................................................................................
CHAPITRE 1 - INTRODUCTION
1 . 4 présentation du contenu du mgmoire ...............................
2.1 Contribution de 1 ' imagerie radar (RSO) à 1 1 hydrogéologie ........................................................................
2 . 3 segmentation d 1 image ................................................................. 2.3.1 Segmentation hiérarchique par
optimisation par étape ............................................
3 , 2 Base de données géoscientif iques ..... - .............. - ...... -......
4 - 2 Images non traitées -.-. ........ ....-... ...... . ....... ......-. ...... -.-. ....... ..-..
CHAPITRE 5 - ~ Ç U L T A T S ET DISCUSSION ......................... .. ..-....+..-.. 58
5 . 1 Corrélations des images non traitées ---------------.------- 59
5 . 2 Corrélations des images segmentées ----------------------.----- 64
5 - 3 Corrélations des images analysées par MIA ---.-.--..- 69
LISTE DES TABLEAUX
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
TABLEAU
Paramètres hydrogéologiques de 1 ' étude ---- Combinaisons d'images du site de Lachute
Corrélations entre les images non
traitées et les paramètres quantitatifs - - - - - - Corrélations entre les images non
traitées et les paramètres nominatifs - - - - - - - - - - - Classes distinguées par les images
Classes distinguées par les images
Corrélations entre les images segmentées
et les paramètres quantitatif ç ............................
Corrélations entre les images segmentées
et les nominatifs ...............-...........-...-
Conditions de segmentation des images
RADARSAT correspondant aux plus fortes
Distinction des classes correspondant
aux plus fortes corrélations avec les
images RADARÇAT segmentées ..................................... Comparaison des conditions de segmentation
des images RADARSAT et optiques considérées
séparément pour les valeurs optimales de
vii
TABLEAU 5 . 1 0 - Corrélations entre les combinaisons
d'images analysées par MIA et les
paramètres quantitatifs .........................................
TABLEAU 5-11 - Corrélations entre les combinaisons
d'images analysées par MIA et les
TABLEAU 5.12 - Conditions dl analyse (MIA) des images
RADARSAT correspondant aux plus fortes
corrélations ...................................................................
TABLEAU 5.13 - Distinction des classes correspondant
aux plus fortes corrélations avec
les images RADARSAT analysées par MIA - - - - - - - TABLEAU 5 . 1 4 - Conditions d'analyse (MIA) des images
optiques correspondant aux plus fortes
LISTE DES FIGURES
FIGURE
FIGURE 2 - 2 -
FfGURE2.3 -
FIGURE 2.4 -
FIGURE 2.5 -
FIGURE 2 - 6 -
FIGURE 2.7 -
FIGURE 2.8 -
Carte de vulnérabilité de la nappe
souterraine pour la région de Lachute
(Québec ) ......-.-..........................-.....-.......~........-...............-.
Images originale et segmentée (180
segments) .........................................................................
Structure hiérarchique de l'algorithme ÇHOE .....................................................................................
Représentation d'une image multivariée
(30) à partir d ' images univariées (2D) - - - - - Composantes principales d ' une image rnultivariée ...................-...............................................
Espace spectral de MIA (composantes- images) .....-............................-..-......................................
Espace spectral de MIA (composantes-
images et vecteurs ) .........-.-..-..-.............................
Transposition d'une classe du domaine
spectral au domaine ............................
FIGURE 3 . 1 - Site d ' étude (Lachute, Québec) O - - - - - - - - - - - - - - - - - - - -
FIGURE 3.2 - Images RADARSAT du site de Lachute - - - - - - - - - - -
FIGURE 4 . 1 - Images segmentées selon deux critères
et trois nombres différents de segments
FIGURE 4.2 - Images résultantes de MIA et
transformations d'images avant l'analyse
FIGURE 5 - 1 - Comparaison entre les zones de boisé
d'une image RADARSAT et d'une image
Landçat -TM ............................................................................ 61
FIGURE 5.2 - Délimitation des classes par MIA pour
la combinaison des 6 images RADARSAT ------O------ 71
FIGURE 5.3 (a) - Délimitation des classes par MIA pour
la combinaison d'images radar avec
Landsat /TM .................................................................. 72
FIGURE 5.3 (b) - Délimitation des classes par MIA pour
la combinaison d'images radar avec
SPOT/HRV ....................................................................... 72
FIGURE 5.4 - Espace spectral des composantes-images
et des vecteurs pour la combinaison des
six images RADARSAT ...................................................... 73
LISTE DES ANNEXES
1.1 Mise en contexte
Après avoir constaté une détérioration de la qualité des eaux
souterraines, l'opinion publique ainsi que plusieurs paliers
gouvernementaux reconnaissent maintenant l'importance de
préserver cette ressource naturelle. Au j ourd ' hui, on se rend compte que cette ressource hydrique est fragile et que sa
contamination a et aura des conséquences néfastes autant sur
l'écosystème que sur la population en général.
Pour agir de façon préventive sur la pollution de l'eau
souterraine, on procède à des études sur le degré de
vulnérabilité de la nappe souterraine face à d'éventuels
contaminants extérieurs. 11 est possible aujourd'hui, grâce
aux modèles hydrogéologiques , d ' évaluer et de cartographier ce degré de vulnérabilité. La consultation de telles cartes amène
les gestionnaires de la ressource à être plus conscients des
dangers de contamination de la nappe. Elle leur permet aussi,
par une vision régionale de la situation hydrogéologique, de
prendre des décisions éclairées qui respectent autant que
possible l'environnement- Au Québec, le ministère de
l'Environnement et de la Faune envisage même d'obliger la
production, la mise à jour et la consultation de cartes de
vulnérabilité de la nappe avant d'entreprendre des travaux
pouvant affecter cette importante ressource-
Parmi les modèles hydrogéologiques servant à produire les
cartes de vulnérabilité, le plus connu et le plus utilisé par
les hydrogéologues est, sans conteste, le modèle DRASTIC. 11 a
été conçu aux États-unis il y a plus de dix ans et son
implantation à l'échelle nationale va bon train. Au Québec, le
ministère de l'Environnement et de la Faune privilégie
l'utilisation de ce modèle pour quantifier et cartographier le
degré de vulnérabilité de la nappe souterraine. Son
implantation sur le territoire québécois en est à ses tous
débuts. Le modèle DRASTIC est présenté à la section 2.2.
1.2 Problématique
Comme tout modèle hydrogéologique, le modèle DRASTIC se base
sur la détermination d'unités hydrogéologiques homogènes c1est-
à-dire des unités de surface sur le territoire qui ont un même
comportement du point de vue de I récouleme~t de l'eau vers le
milieu aquifère. Ces unités de surface se définissent à l'aide
de paramètres hydrogéologiques tels que la conductivité
hydraulique du sol, la topographie, les classes de drainage et
la profondeur de 1 'eau souterraine. C'est à partir de données
géoscientifiques multi-sources d'une région (cartes géologique
et pédologique, levés géophysiques. données de forage, etc.)
qu'on peut mesurer ou estimer ces paramètres.
Actuellement, les images radar ne sont pas considérées comme
une source de données géoscientifiques pour les modèles
hydrogéologiques tels que DRASTIC. Pourtant. ces images
peuvent fournir, par leur vision synoptique et continue de la
surface terrestre, une information complémentaire sur des
aspects importants de la modélisation hydrogéologique. Que ce
soit pour cartographier les éléments géologiques et
lithologiques de la région ou pour caractériser la topographie
du terrain, l'état hydrique du sol ou encore le réseau de
drainage, on se rend compte que les images radar constituent un
outil intéressant pour évaluer et comprendre ces phénomènes.
Une étude récente, effectuée dans le cadre du programme
SYNERGIE du gouvernement du Québec (Projet de Recherche sur
l'Exploitation des Données Image Radar ou PREDIR) , a permis d'examiner les possibilités d'intégration d'une image radar à
synthèse d'ouverture (RSO) du satellite européen ERS-1 au
modèle hydrogéologique DRASTIC (Pouliot et al. , 1995b) . Après
avoir construit et validé une base de données géoscientif iques
de la région de Lachute, au Québec, et implanté le modèle
DRASTIC sur un système drinformation géographique, l'étude en
question a fait ressortir le faible potentiel d'intégration
d'une image radar ERS-1 au modèle. Cependant, certains
paramètres hydrogéologiques tels que la topographie et la
conductivité du sol ont semblé être reliés au signal radar,
quoique la relation n'ait pas été clairement établie. Puisque
1 ' étude se basait sur une seule image de ERS-1, il n'a pas été possible d'envisager diverses conditions de captage (angle de
prise de vue, polarisation de l'onde, résolution de l'image,
période de captage et direction du faisceau). Ceci a pu
limiter la sensibilité du radar à certains paramètres du
milieu. Ainsi, l'évaluation du potentiel hydrogéologique des
images radar n'a été que partielle. 11 importe alors de
poursuivre la recherche sur l'application de l'imagerie radar à
l'hydrogéologie en faisant varier les conditions de visée et en
utilisant plus d'un capteur. L'utilisation d'images multi-
variées semble plus appropriée pour évaluer le potentiel réel
d'intégration des images RSO au modèle DRASTIC. Il est à noter
ici qu'une éventuelle intégration de données RSO au modèle a
une incidence sur la représentation des paramètres et la
fiabilité du modèle DRASTIC. Il serait alors important de
procéder à une analyse de sensibilité en se basant, par
exemple, sur le modèle d'erreur proposé par Fortin (1998) . Celui-ci permet d 1 évaluer le niveau dm incertitude résultant de
l'intégration de données multi-sources sur la représentation
spatiale d'un paramètre du modèle.
C'est ains i que la présente recherche se veut une suite à
l'étude amorcée par le programme PREDIR. Se basant sur les
objectifs et les réalisations de 1 ' étude précédente, cette
recherche se distingue par l'utilisation des images RSO de
RADARSAT dans le processus de modélisation hydrogéologique.
Elle offre, par le nombre et la diversité des données image en
terme d'angles de visée, de période de captage, de direction du
faisceau et de résolution de l'image, de meilleures
possibilités d'analyse que l'étude précédente. De plus, la
polarisation de l'onde émise et reçue par RADARSAT est
différente de celle de ERS-1 (horizontale plutôt que verticale)
ce qui modifie le type d 1 information retournée au capteur. Ce
projet de recherche peut donc contribuer à l'obtention de
résultats plus réalistes sur l'évaluation du potentiel des
images RSO dans le domaine de l'hydrogéologie.
1.3 Object i fs de la recherche
1.3.1
Par
Objectifs généraux
cette
l'utilisation
DRASTIC pour
souterraine-
recherche, on veut évaluer et développer
des images RADARSAT en tant qulintrant au modèle
cartographier la vulnérabilité de la nappe
Cet objectif nous amène à favoriser l'utilisation
de l'imagerie radar comme nouvelle source de données pour
l'exploration et la gestion des eaux souterraines. De plus, le
projet de recherche veut développer des produits dl inf onnation
intégrant les données RSO de RADARSAT aux autres données
géoscientifiques multi-sources pour faciliter l'interprétation
hydrogéologique.
1.3.2 Objectifs spécifiques
Les objectifs spécifiques de la recherche sont les suivants :
1) Identifier, par une analyse de corrélation, les phénomènes
hydrogéologiques captés par RADARSAT permettant ainsi
d'évaluer le niveau d'intégration de ces images au modèle
DRASTIC.
Ce premier objectif permet de caractériser les données RSO de
RADARSAT en fonction des paramètres géophysiques utilisés pour
évaluer le degré de vulnérabilité de la nappe souterraine.
2) Déterminer les meilleurs outils dl analyse (segmentation
d'image, analyse d'image multivariée) et les meilleures
combinaisons d'images pour détecter et cartographier les
unités hydrogéologiques homogènes d'une région.
1.4 Présentation du contenu du m é m o i r e
Le prochain chapitre présente une revue de littérature sur les
principaux sujets abordés dans ce mémoire. En premier lieu, il
est question de la contribution actuelle de l'imagerie radar au
domaine de l'hydrogéologie. Par la suite, on présente le
modèle hydrogéologique choisi pour cette étude soit le modèle
DRASTIC et les paramètres qui lui sont rattachés. On peut
alors comprendre comment ce modèle en arrive à cartographier la
vulnérabilité de la nappe souterraine et quelles sont les
forces et faiblesses de ce modèle. Les deux dernières sections
du chapitre abordent la segmentation d image (plus
particulièrement la segmentation hiérarchique par optimisation
séquentielle qui a été choisie pour cette étude) et l'analyse
d'image rnultivariée (MIA). Ces deux outils d'analyse
permettent de détecter, à 1' intérieur des images, les régions
homogènes. Si celles-ci sont reliées de façon significative
aux unités hydrogéologiques de la région, il est alors possible
d'envisager l'utilisation d'images analysées de RADARSAT pour
la délimitation de ces unités.
Le chapitre 3 présente le site d'étude et ses particularités
ainsi que les données utilisées dans le cadre de la présente
recherche. 11 est alors question de la base de données
géoscientifiques de la région à l'étude, des caractéristiques
des images satellites disponibles sur le secteur et des
combinaisons d'images effectuées dans le but d'en faire
l'analyse.
Le chapitre 4 aborde la méthodologie de la recherche. On
présente alors les détails sur l'analyse de corrélation
effectuée entre les images satellites et les paramètres
hydrogéologiques du modèle DRASTIC. Il est aussi question de
la façon dont les images satellites ont été segmentées et
analysées par MIA.
Quant au chapitre 5, il présente les résultats de l'analyse de
corrélation effectuée sur les images et on y discute de leur
signification du point de vue du potentiel hydrogéologique des
images RADARSAT. C'est à partir de l'analyse de ces résultats
qu'il est possible d'évaluer l'apport des images RADARSAT au
modèle DRASTIC.
Finalement, le dernier chapitre expose les principales
conclusions de la recherche tout en discutant des avenues
possibles pour la poursuite du projet.
CHAPITRE 2
2.1 Contribution de l'imagerie radar (RSO) à l'hydrogéologie
La présence d'eau souterraine dans une région dépend de la
capacité du sol à permettre llécoulement et llemmagasinement de
l'eau dans une couche du sol constituée de matériaux
géoiogiques perméables et poreux. Cette couche qui laisse
circuler l'eau souterraine constitue le milieu aquifère de la
région. Ce milieu se transforme plus ou moins lentement en
fonction des différents phénomènes géologiques qui affectent le
socle rocheux. Parmi ces phénomènes, notons les déformations
et plis de la croûte terrestre causés par les mouvements
tectoniques (tremblements de terres), la transformation de
roches de la croûte terrestre (métamorphisme), la fissuration
du massif rocheux souterrain et la sédimentation, Tous ces
phénomènes façonnent le milieu aquifère en modifiant s e s
conditions hydrogéologiques. Les fractures du socle rocheux
permettent l'infiltration de Peau de surface et favorisent,
lorsque la perméabilité et la porosité du sol le permettent, La
création de réservoirs ou canaux d'écoulement pour l'eau
souterraine (Fortin, 1998; Vincent, 1997; Bailey et Halls,
1997) .
Les structures géologiques souterraines qui caractérisent un
milieu aquifère actif sont souvent associées, à la surface du
sol, à des linéaments ou lignes naturelles de surface. La
détection de ces linéaments, par les méthodes traditionnelles
d'exploration géologique ou par la télédétection, permet aux
spécialistes de présumer l'existence d'une eau souterraine aux
endroits identifiés. Cependant les linéaments de surface ne
garantissent pas la présence d'eau souterraine. Une étude
approfondie de la géologie et des conditions hydrologiques de
la région immédiate des linéaments identifiés est nécessaire
avant de considérer la zone comme ayant un potentiel
hydrogéologique significatif. C'est pourquoi l'interprétation
des données géologiques et hydrologiques ainsi que des images
de télédétection de la région par des spécialistes est
importante pour bien comprendre les phénomènes hydrogéologiques
en cause (Waters, 1990; Bailey et Halls, 1997; elh hadj-Aissa et
Smara, 1995) . Il ne s'agit donc pas ici de remplacer les
données géoscientifiques par des images de télédétection mais
d'utiliser celles-ci en complémentarité pour définir à
l'échelle régionale les zones prometteuses du point de vue
hydrogéologique. Ces zones peuvent ensuite être étudiées de
façon plus détaillée par l'acquisition d'information sur le
terrain (Engman et Gurney, 1991).
En plus des linéaments, d'autres éléments de surface peuvent
aider à l'interprétation hydrogéologique tels que les
caractéristiques de la véggtation et l'humidité du sol
(principalement en région aride et semi-aride) ainsi que la
topographie, le type et ltutilisation du sol qui conditionnent
le réseau de drainage. Toutes ces informations qui se
manifestent à la surface du sol, peuvent être extraites des
images de télédétection (Engman et Gurney, 1991, Mahmood,
1996).
L'imagerie radar est de plus en plus utilisée pour les études
hydrogéologiques en raison de sa sensibilité à la topographie
et à l'état hydrique du sol ainsi que de sa capacité à
pénétrer, en plus des nuages, certains couverts de végétation
ou de neige- Des études comme celles de Bailey et Halls
(l997), Brown (l994), Berlin et al. (l987), Robinson et El-Baz
(1997) et Waynakh (1997) démontrent 1 ' intérêt de 1 ' imagerie radar en hydrogéologie. Dans ces études, il s'agit
d'exploration hydrogéologique en région aride où les besoins en
eau potable sont plus pressants et où la couverture nuageuse
est quasi permanente ce qui limite l'utilisation de capteurs
optiques. Dans ces régions, les indices de la présence d'eau
souterraine sont souvent plus facilement identifiables sur les
images - En effet, le contraste marqué entre les zones de
végétation et le sol nu permet de délimiter sur l'image les
zones ayant un certain potentiel hydrogéologique (zone sous-
j acente à la végétation) . La détection des zones humides du
sol par l'imagerie radar est aussi facilitée en région aride
lorsqulil y a peu de relief ou de rugosité de surface (peu de
couverts, petits couverts) . Ces études utilisent le radar pour
sa sensibilité à la topographie, aux éléments structuraux et à
1 'humidité du sol mais aussi parce qu' il pénètre davantage le
sol ce qui constitue un avantage comparativement aux capteurs
optiques (Engman et Gurney, 1991).
Mahmood (1996) rapporte que l'imagerie radar, par sa
sensibilité à la texture du sol (topographie, changement de
rugosité du sol), facilite la détection des linéaments
structuraux qui contrôlent le mouvement de l'eau souterraine.
Cette information est souvent plus facilement identifiable sur
les images radar que sur les images optiques puisque celles-ci
sont davantage sensibles aux propriétés thermiques et optiques
du sol. Robinson et El-Baz (1997) ont démontré que RADARSAT
fournit plusieurs indications sur la présence d'un ancien lac
(et réseau de drainage) sous le sable du désert. Ceci a une
incidence certaine sur le potentiel hydrogéologique de la
région. Un capteur optique tel que Landsat-TM n'a pu fournir
autant d'information du point de vue hydrogéologique en raison
de sa faible capacité à pénétrer le sable- Waynakh (1997) a
fait ressortir la capacité de RADARSAT à détecter les
linéaments et à définir la zone de recharge souterraine.
RADARSAT a aussi été utilisé pour cartographier le réseau de
drainage qui se révèle souvent un indicateur du mouvement de
Peau souterraine. Dans l'étude de Berlin et al. (1987), la
détection d'un linéarnent principal par une image de SIR-B a
permis de procéder à des observations plus approfondies sur le
terrain à l'endroit identifié sur l'image. Ces observations
ont suggérées la présence d'une faille importante dans les
roches sous-jacentes qui influence le mouvement et la
distribution de l'eau souterraine. Brown (1994) s'est basé sur
l'identification de fractures et failles sur une image SAR pour
présumer de la présence d'un réservoir souterrain. Quant à
Mahmood (1996), il stipule que RADARSAT, comparativement aux
autres capteurs RSO qui n'ont pas sa flexibilité au niveau de
l'angle d'incidence, a de meilleures capacités pour mettre en
évidence la topographie du terrain et détecter les linéaments
(en utilisant des couples stéréoscopiques) .
Certains auteurs dont Bailey et Halls (1997) et Engman et
Gurney (1991) sont d'avis que le fait d'intégrer les images
radar aux images optiques et aux données de magnétisme (champ
magnétique, données aéromagnétiques) facilite l'interprétation
des éléments et phénomènes hydrogéologiques qui se manifestent dans la zone d'étude. Les images radar et optiques fournissent
de l'information complémentaire sur les éléments géologiques de
surface tandis que les données de magnétisme concernent les
structures géologiques souterraines plus profondes. En
combinant ces données, on obtient une information plus complète
de la région ce qui nous permet de mieux comprendre les
phénomènes hydrogéologiques en cause et de mieux prévoir les
effets d'une modification du système hydrique souterrain,
Cependant, Baiiey et Halls (1997) estiment que 1 ' intégration de
ces données n'est pas suffisante et que la modélisation du
prof il magnétique d ' un linéament permettrait de mieux
comprendre la contribution des fractures et failles à
l1emmagasinement de l'eau souterraine. La modélisation
consiste en une transformée de Fourier des données de champ
magnétique total suivi d'une série de filtrages permettant de
faire ressortir les linéaments, les sources d'anomalies
magnétiques et les variations de magnétisme au niveau local.
Ceci permet de construire une carte de sensibilité magnétique
apparente où un jeu d'ombre nous permet de distinguer
facilement les linéaments (fractures, etc-) en obtenant plus
d'informations sur leur structure, leur forme et leur
géométrie.
Concernant la gestion des ressources d'eaux souterraines,
1 ' imagerie radar est encore peu utilisée. Les modèles
hydrogéologiques qui permettent d'évaluer la vulnérabilité de
la ressource face à la contamination n'intègrent pas ce type de
données (Fortin, 1998 et Pouliot et al., 1995b). L'étude de
Pouliot (1995b) a voulu évaluer le potentiel d'intégration
d'une image RSO de ERS-1 au modèle hydrogéologique DRASTIC.
Dans ce cas, il ne s'agissait que d'une seule image RSO ce qui
limite la portée des résultats. Ceux-ci ont été plutôt
mitigés. Quelques paramètres du modèle comme la topographie,
la conductivité hydraulique du sol et le type de roche sont
insuffisamment reliés à cette image ce qui laisserait peu
d'espoir pour une éventuelle intégration de ce type de données
RSO au modèle.
Selon Carrier (1994), la modélisation des nappes d'eau
souterraines n'inclut pas certains paramètres comme l'humidité
du sol, qui pourtant peut influer sur les conditions de la nappe. Cette exclusion est due à l'absence de mesures
systématiques et continues d'humidité du sol au niveau du bassin versant. Selon l'auteur, des modèles hydrogéologiques
tels que DRASTIC devront être modifiés pour considérer ce
paramètre. La précision des mesures d'humidité du sol par
1 ' imagerie radar est encore relative mais fait l'objet de
plusieurs recherches ce qui laisse entrevoir une possibilité
intéressante d'application du radar. Toujours selon l'auteur,
l'information de texture que 1 'on peut extraire d'une image
radar peut s'avérer intéressante pour un modèle hydrogéologique
puisqu'elle est reliée à la perméabilité du sol.
Les modèles hydrogéologiques utilisent diverses données de
nature géologique, pédologique, topographique, hydrologique,
géomorphologique et lithologique. Plusieurs auteurs font
ressortir 1 ' intérêt de ces disciplines pour 1 ' imagerie radar. Ils n'abordent pas le cas de l'hydrogéologie, mais puisque ces
disciplines sont reliées à l'étude des eaux souterraines, on
peut présumer que les résultats de leur recherche auront un
certain impact, à court ou moyen terme, sur l'hydrogéologie.
On peut ainsi mentionner certains résultats pertinents pour
l'hydrogéologie. Les images radar, intégrées ou non à des
images optiques, à des données de magnétisme ou
géoscientifiques, peuvent être utilisées pour cartographier les
structures géologiques régionales, les linéaments et les unités
lithologiques (Singhroy et al., 1993; Stofan et al., 1995;
Webster, 1997; Budkewitsh et al., 1997). On peut aussi faire
appel au radar pour détecter les déformations géologiques ou de
surface (Rivard et al. , 1997) , pour discriminer les structures et types de roches (Blom et Daily, 1982; Wang et al. , 1997) et fournir de l'information sur la morphologie (Abdellaoui et al.,
1997) et la topographie du terrain. D'un point de vue
hydrologique (Brown et al.. 1993; Pultz, 1997) . les images radar ont été utilisées pour l'estimation de l'humidité du sol,
de l'équivalent en eau du couvert de neige (Bernier et al.,
1996) , du ruissellement (Maxf ield, 1997) et pour la définition
du réseau de drainage,
2 . 2 Modèle hydrogéologique DRASTIC
Parmi les modèles spatiaux conçus pour évaluer la vulnérabilité
de la nappe souterraine à la pollution, le modèle DRASTIC est
le plus couramment utilisé (Merchant, 1994) . 11 a été
développé par deux agences états-uniennes soit la National
Water We11 Association (NWWA) et la U S . Environmental
Protection Agency (EPA) , Ce modèle utilise une méthode
systématique et standardisée pour évaluer et cartographier à
l'échelle régionale ou nationale le risque de contamination de
1 eau souterraine (Aller et al. , 1985) .
Le modèle se base sur la définition d'unités hydrogéologiques
propres à la région d'étude. Chacune de ces unités se définit
comme une entité géographique bien délimitée qui possède les
mêmes caractéristiques d'un point de vue hydrogéologique. Il
s'agit en fait d'une unité de surface qui possède une même
vulnérabilité face aux contarninants et qui est conditionnée par
un certain nombre de facteurs géologiques et hydrologiques qui
influencent et contrôlent le mouvement de l'eau souterraine.
Pour chacune de ces unités, le modèle calcule un indice en
évaluant localement chacun des sept paramètres géophysiques
considérés dans le modèle (profondeur de 1 ' eau, recharge
efficace de la nappe, milieu aquifère, type de sol, pente du
terrain, zone vadose, conductivité hydraulique de l'aquifère) - Chacun de ces paramètres intervient dans le transport ou
l'atténuation de contaminants, que ce soit au niveau du sol, de
la zone vadose (partie du sol non saturée en eau située au-
dessus de la nappe) ou de l'aquifère. 11s ont donc chacun une
influence sur la vulnérabilité de la nappe souterraine
(Champagne et Chapuis, 1993, Griner, 1989 et Aller et al.,
1985).
Les paramètres sont évalués par un système de cotation
numérique qui, de l'avis de Fréchette (1987), est le moyen le
plus efficace pour estimer la vulnérabilité de la nappe. Le
système se base sur la pondération de chacun des sept
paramètres en fonction de leur importance relative sur la
vulnérabilité de l'eau souterraine. Chaque paramètre est
subdivisé en classes représentant soit un milieu particulier ou
un intervalle de valeurs. Les différentes classes d'un
paramètre sont alors cotées en fonction de leur influence
particulière sur la vulnérabilité de la nappe. Le détail des
valeurs de pondération et de cote attribuées ou suggérées par
le modèle DRASTIC pour chaque paramètre et classe de paramètre
est présenté dans Aller et al. (1985) et Fortin (1998) .
C'est à partir de ce système de cotation que le modèle DRASTIC
calcule, pour chaque unité hydrogéologique, un indice de
vulnérabilité (indice DRASTIC). Le calcul est effectué par la
combinaison linéaire des sept paramètres du modèle, soit la
somme des cotes pondérées. Cette combinaison est représentée
par l'expression suivante :
Indice DRASTIC = D,D, + Rc% + AP$ + S,S, + TcT, + ICI, + C,C,
où D, R, A, S, T, 1 et C représentent respectivement
la profondeur de l'eau, la recharge, le milieu
aquifère, le type de sol, la pente, la zone vadose et
la conductivité hydraulique
où l'indice c représente la cote et l'indice p, la
pondération.
Après le calcul des indices DRASTIC associées aux unités
hydrogéologiques de la région, le modèle est en mesure de
cartographier la vulnérabilité de la nappe souterraine. 11
suffit de subdiviser les valeurs d'indices en intervalles et
d'attribuer une couleur à chacun d'eux. Une carte de
vulnérabilité permet de mieux visualiser les zones du
territoire qui ont un fort potentiel de contamination (indice
DRASTIC élevé) . La carte de vulnérabilité de la nappe
souterraine pour la région de Lachute est présentée à la figure
2.1. Dans ce cas, les zones en rouge et orange sont celles qui
présentent la plus forte vulnérabilité aux contaminants
extérieurs. IL est à noter que les conditions hydrodynamiwes
de la nappe souterraine (nappe libre ou captive) ont été prises
en compte lors de l'implantation du modèle dans la région de
Lachute puisqulelles influent considérablement sur le degré de
vulnérabilité de l a nappe. On considère qu'une nappe est
captive lorsqul elle est confinée entre deux couches
imperméables (Pouliot, 1996a) . Le type de nappe est i l l u s t r é à
la figure 2.1 et aux planches 3.1 à 3 . 3 et 3.7 (annexe A) .
Figure 2-1 - Carte de vulnérabilité de la nappe souterraine pour fa rég3on de Lachute (Québec) (tirée de Pouliot, 1996a)
O Libre
L'implantation du modèle DRASTIC dans une région implique une
connaissance approfondie des éléments et phénomènes
hydrogéologiques propres à la région et une disponibilité de
données biogéophysiques permettant de définir spatialement les
sept paramètres du modèle. La délimitation des unités
hydrogéologiques spécifiques à la région constitue la première
et la plus importante étape du processus (kller et al., 1985 et
Champagne et Chapuis, 1993). On peut effectuer cette tâche en
consultant les données disponibles sur le territoire ou en
procédant à 1'acquisition de nouvelles données. Les données
pertinentes sont celles reliées à la géologie de la région, à
1 ' hydrologie, à la lithologie, à la topographie, aux conditions
climatiques, aux forages, sondages ou pompages, à la pédologie
et à ltoccupation du sol (Champagne et Chapuis, 1993) . À
partir de ces multiples données, on peut calculer ou estimer
les paramètres hydrogéologiques du modèle et les présenter sous
forme de cartes superposables. 11 est à noter que plusieurs
données sont ponctuelles (forages et stations météorologiques)
ce qui nécessite une interpolation et la génération de surfaces
pour estimer les paramètres du modèle (Pouliot et al. , 1996b) . Étant donnés le caractère cartographique du processus de
modélisation et l'intégration nécessaire des données multi-
sources, plusieurs auteurs ont utilisé un système d'information
géographique (SIG) pour faciliter l'implantation du modèle
DRASTIC (Griner, 1989, Regan, 1990, Hickey et Wright, 1990 et
Evans et Myers, 1990) .
Cependant, le processus d'implantation peut présenter certaines
difficultés comme le rapportent Merchant (1994) et Pouliot et
al. (199533)- Celles-ci sont souvent attribuables à la quantité
importante de nouvelles données à acquérir, à l'obligation de
convertir et d'intégrer les données multi-sources et multi-
échelles, au manque de données pertinentes et précises sur la
région ou à 1 ' incompréhension des phénomènes hydrogéologiques en cause rendant difficile la détermination des unités
hydrogéologiques homogènes. Pour pallier ces difficultés, on
doit faire certains compromis sur la qualité ou la
disponibilité des données ou encore formuler des hypothèses
limitant la portée des résultats obtenus par le modèle. Malgré
ces difficultés, on a procédé à l'implantation du modèle
DRASTIC dans deux régions du Québec soit la MRC de Montcalm et
la région de Lachute (Champagne et Chapuis, 1993; Pouliot et
al., 1996b). Ces deux exemples marquent le début d'une
adaptation de la méthode DRASTIC aux particularités régionales
du Québec.
Merchant (1994) , Champagne et Chapuis (1993) et Aller et al.
(1985) mettent en garde les utilisateurs du modèle sur la
tendance à mal interpréter les résultats en ne tenant pas
compte des particularités et limites du modèle. D'abord, il
importe d'interpréter les indices de vulnérabilité en rapport
aux unités hydrogéologiques définies au préalable. Ceci permet
d'associer les résultats du modèle aux données-terrain pour
mieux comprendre les conditions réelles de vulnérabilité de la
nappe. 11 faut aussi s'assurer que les hypothèses du modèle
sont respectées. Ces hypothèses sont au nombre de quatre : les
sources de contamination à la surface se déplacent vers
1 'aquifère; on ne considère pas le type de contaminant; la
disponibilité et la précision des données d'entrée au modèle
sont adéquates; l'attribution des pondérations et cotations est
adéquate et reflète la réalité, De plus, les résultats du
modèle ne doivent servir que dans le cas d'études
hydrogéologiques régionales et non au niveau d'un site
particulier.
Plusieurs auteurs font ressortir les avantages de l'utilisation
du modèle DRASTIC : sirnpiicitS et facilité d'utilisation,
possibilité d'intégration à un SIG, documentation suffisante et
guide pour son implantation, bonne performance du modèle malgré
les nombreuses sources d'erreur et les compromis (Kalinski et
a . 1994, Fréchette, 1987, Pouliot et al., 1996b et Griner,
1989) . Quant à Merchant (1994), il présente certaines
faiblesses du modèle DRASTIC : d'abord, le fait de ne pas
connaître les effets de la variabilité de la qualité des
données sur les résultats du modèle; ensuite, le fait de
négliger la corrélation possible entre les paramètres du modèle
ce qui suppose que certaines données sont redondantes et
peuvent fausser les résultats. De plus, le modèle ne considère
pas la propagation d'erreur inhérente à la superposition d'un
certain nombre de paramètres. Certains paramètres comme
Irutilisation réelle du sol et les pratiques de gestion du
territoire, même s'ils influencent l'infiltration de l'eau de
surface donc la vulnérabilité de la nappe, ne sont pas
considérés dans le modèle. Finalement, même si le modèle est
largement utilisé, il existe peu d'évaluation de la performance
du modèle et peu d'études se sont penchées sur la validation de
ce modèle sur le terrain.
Par contre, Merchant (1994) suggère plusieurs améliorations au
modèle DRASTIC. En voici les principales: la superposition de
sources ponctuelles de contamination à la carte des indices,
l'intégration d'un modèle qui délimite les zones de capture
autour des puits, l'ajout de paramètres tels que l'utilisation
du sol et les pratiques de gestion du territoire, la
considération de la variable temporelle dans un modèle à quatre
dimensions, l'utilisation de système expert pour l'implantation
du modèle DRASTIC et finalement l'implantation complémentaire
d'un modèle conçu pour évaluer les effets des pesticides sur la
nappe. Des modèles tels que VULPEST et PRZM sont conçus
principalement pour l'étude de la migration, de la
transformation et des risques de contamination des pesticides.
Ils peuvent donc servir de complément au modèle DRASTIC (Banton
et Villeneuve, 1989a et 1989b; Ehteshami et al., 1991; Gauthier
et al-, 1993).
2.3 Segmentation d' image
La segmentation est un outil de pré-analyse qui a comme
fonction de diviser une image numérique en régions homogènes
(segments) . Cette partition d'image
l'application d'un certain critère qui
lrhomogénéité ou l'hétérogénéité des
est le résultat de
évalue, selon le cas,
différents pixels ou
segments contenus dans l'image. Lorsqu'il s'agit d'un critère
d'homogénéité, les pixels ou segments adjacents dont l'union
satisfait ce critère sont alors regroupés au niveau de l'image
et considérés comme faisant partie d'un même segment ou région.
Si le critère évalue l'hétérogénéité, alors les ensembles de
pixels ou segments voisins qui satisfont ce critère sont
considérés distincts et doivent appartenir à des segments
différents. À la fin du processus de segmentation, chaque
région homogène ou segment de l'image doit contraster avec les
régions adjacentes. On dit alors que l'image est partitionnée
ou segmentée. La figure 2.2 présente un exemple d'une image
segmentée.
Figure 2.2 - Images originale (a) e t segmentée @) (180 segments) (50 1 x 50 1 pixels)
La mesure d'homogénéité ou d'hétérogénéité à la base du critère
est formulée en fonction d'une caractéristique des pixels
(niveau de gris, texture, autre caractéristique statistique,
etc, ) . Selon la méthode de segmentation choisie, la décision
dr appartenance à un segment peut être prise au niveau du
domaine spectral seulement (valeurs d intensité des pixels ) ou
au niveau des domaines spectral et spatial, Dans ce dernier
cas, la méthode considère, en plus des valeurs d t intensité, la
localisation des pixels dans l'image et le voisinage pour
prendre ses décisions au niveau de l'appartenance des pixels.
Peu importe la méthode, les segments formés doivent être
exclusifs c'est-à-dire que les pixels contenus dans un segment
ne doivent pas appartenir à plus d'un segment, Chaque pixel
appartient à au moins un segment. Le chevauchement des
segments au niveau de l'image est donc impossible (Haralick et
Shapiro, 1985) .
Le but d'une segmentation est de repérer et de visualiser les
régions homogènes de 1 image ce qui facilite parfois
l'interprétation et l'extraction d'information pertinente au
niveau de 1' image. Dans certains cas, on utilise la
segmentation comme première étape d'une classification de
l'image c'est-à-dire que ce ne sont pas les pixels qui sont
classifiés un à un mais les segments. La segmentation sert
alors à repérer et à délimiter les éléments ou objets de
Irimage qui sont par la suite identifiés par la classification.
Thomson et al, (1990) ont démontré, dans une étude reliée à
lragriculture, que la segmentation peut faciliter les
opérations de classification et améliorer la précision des
résultats. Le fait de segmenter réduit le nombre d'entités
dans l'image (il ne sragit plus de pixels mais de segments) ce
c p i facilite les traitements ou analyses ultérieurs.
Cependant, certaines difficultés sont inhérentes au processus
de segmentation. D'abord, le choix de la méthode de
segmentation pour un certain type d'image et pour une
application particulière n'est pas simple. Dans tous les cas
de segmentation, il importe que le critère qui est appliqué aux
pixels de l'image ne soit pas trop restrictif ni trop
permissif. Si, par exemple, un critère d'homogénéité est trop
sévère (ou un critère d ' hétérogénéité trop permissif) , l ' image résultante présentera un grand nombre de petites régions
homogènes ce qui peut, dans certains cas, ne pas correspondre à
la réalité sur le terrain. L'application de ce critère
produira aussi des frontières de segments inégales ou mal
définies. À l'inverse, un critère d'homogénéité trop permissif
(OU un critère d ' hétérogénéité trop sévère) effectuera un grand nombre de fusions de segments ce qui aura comme conséquence,
dans certains cas, la perte d'information au niveau des
frontières ou de certains éléments classifiables. Une autre
difficulté concerne le risque de propagation des erreurs de
fusion ou de division des segments à chaque étape du processus.
Elles sont de deux types. Les erreurs de type 1 se produisent
quand il n'y a pas de fusion même si les segments sont
similaires. Ce type d'erreur a habituellement peu de
conséquences au niveau du résultat de la segmentation puisque
la fusion peut avoir lieu plus tard si 1 ' on décide de diminuer le nombre de segments finaux dans l'image. Cependant, les
erreurs de type II se produisent lorsqulil y a fusion même si
les segments sont distincts. Ces erreurs sont plus gênantes
p~isqu'elles sont irréversibles et peuvent se propager dans les
fusions subséquentes.
Plusieurs méthodes de segmentation ont été développées jusqu'à
maintenant. On peut les subdiviser en trois principales
catégories : la définition de régions ou d'entités, la
détection dl arêtes et, dépendant des auteurs, les méthodes
hybrides (Bénié, 1986; Reed et Du Buf, 1993) ou le seuillage
(Pal et Pal, 1993; Buiten et Clevers, 1990) -
En ce qui concerne la première catégorie, il s'agit de méthodes
de segmentation qui appliquent un critère d'homogénéité sur les
pixels de l'image. Les pixels jugés semblables sont affectés à
un segment nouvellement créé. La définition des segments ou
régions peut se faire de diverses façons : par la fusion des
pixels (technique conjonctive ou region growing) , par la
division des segments en sous-segments lorsque le critère n'est
pas respecté (technique disjonctive) ou par une technique mixte
qui consiste à diviser l'image en sous-régions (segments
initiaux) et à fusionner les segments semblables (split and
m e r g e ) . Dans tous les cas, les régions sont définies de façon
itérative et emprunte une structure hiérarchique (Bénie, 1986 ;
Haralick et Shapiro, 1985; Russ, 1992) . Notons que plusieurs
algorithmes de segmentation tels que la segmentation
bayésienne, Iterative Conditional Modes (KM), Extraction et
classification d'objets homogènes (ECHO), ISODATA, le filtrage
par détection des régions homogènes, la segmentation
hiérarchique par optimisation par étape (SHOE), font partie de
cette catégorie (McCauley et Engel, 1995; Légeard et al., 1993;
Rigriot et Chellappa, 1991 et 1992, Fau et al., 1994; Cross et
al., 1988; ERDAS, 1992; Beaulieu, 1996; Beaulieu et Goldberg,
1989).
La deuxième catégorie de méthodes de segmentation se base sur
la détection d'arêtes dans l'image. 11 s'agit, en fait, de
repérer, par l'application d'un critère d'hétérogénéité, les
discontinuités locales dans l'image. Les seules discontinuités
ou arêtes considérées sont celles susceptibles de représenter
les frontières entre les régions homogènes de l'image. C'est à
partir de l'identification de ces frontières, du traçage des
lignes de contours et de leur affinage que peuvent être
délimitées les régions homogènes d'une image. Dans la majorité
des cas, on applique un opérateur ou filtre local tels que
Roberts, Sobel, Prewitt et Laplacien sur l'ensemble de l'image
pour détecter les arêtes (Pal et Pal, 1993; Bénié, 1986).
La troisième catégorie, définie par Reed et Du Bu£ (1993) et
Bénié (19861, comprend des méthodes de segmentation qui
utilisent à la fois la détection des arêtes et la définition
des régions homogènes (méthodes hybrides). D'autres auteurs
comme Pal et Pal (1993) et Buiten et Clevers (1990) considèrent
que les méthodes de segmentation utilisant la technique du
seuillage constituent la troisième catégorie. Le seuillage est
une technique qui distingue les pixels de l'image selon une ou
plusieurs valeurs d'intensité déterminées au préalable
(seuils). Les seuils sont en fait des critères de décision qui
assignent une région à chaque pixel selon que sa valeur
d'intensité est supérieure ou inférieure aux seuils prédéfinis.
L'histogramme est souvent utilisé pour établir ces valeurs de
seuillage (Haralick et Shapiro, 1985; Pal et Pal, 1993; Russ,
1992) -
Certaines méthodes de segmentation font aussi appel à diverses
techniques OU concepts, empruntés parfois dl autres
disciplines, comme le réseau neuronal, la modélisation
markovienne (algorithmes K M et de segmentation bayésienne
mentionnés plus haut), la théorie des ondelettes et la théorie
du f îou (Fau et al., 1994; Ceccarelli et al., 1994; McCauley et
Engel, 1995) -
Lorsque le choix de la méthode de segmentation est fait, on
doit s'assurer que les résultats à obtenir seront satisfaisants
et représentatifs de la réalité sur le terrain. Certains
auteurs suggèrent différentes mesures pour évaluer les
résultats d'une segmentation (Levine et Nazif, 1982; Delves et
al., 1992; Beauchemin et al., 1997; Edwards, 1996). Il s'agit
en fait de comparer quantitativement l'image segmentée avec une
partition de référence soit une vérité-terrain. Les auteurs
utilisent différentes approches pour évaluer la ressemblance
entre les deux images (segmentée et de référence). Il peut
s'agir d'évaluer la proximité spatiale entre les images par une
mesure de distance ou encore la distribution spatiale des
erreurs au niveau des frontières.
En raison de la disponibilité et des avantages spécifiques à
l'algorithme de segmentation hiérarchique appelé SHOE, celui-ci
a été choisi dans le cadre de la présente recherche et fait
l'objet de la section suivante,
2.3.1 Segmentation hiérarchique par optimisation par étape
L'algorithme de segmentation hiérarchique par optimisation
séquentielle ou par étape (SHOE) a été développé par Beaulieu
et Goldberg (1989) . Il s'agit d'une méthode conjonctive de
définition des régions homogènes qui se base sur la fusion de
pixels ou segments considérés semblables. L'algorithme utilise
une structure hiérarchique pour effectuer, de façon itérative,
les fusions de segments selon un critère d'homogénéité
optimisé. La structure est ascendante puisque les fusions
débutent au niveau des pixels individuels de l'image et se
terminent avec un seul segment, l'image entière (figure 2.3) - À chaque itération, le critère de fusion est optimisé en ce
sens que l'algorithme choisit comme critère le coût de fusion
minimum associé à une paire de segments. Cette valeur de coût
représente la perte d'information ou de résolution spatiale
résultant de cette fusion, Le calcul du coût se base sur un
certain nombre de paramètres tels que les valeurs d1 intensité,
les attributs de texture ou de forme. C'est l'utilisateur qui
doit adapter l'expression du coût de fusion selon ses besoins.
Ainsi, à chaque itération, les deux segments qui satisfont le
critère optimisé sont fusionnés et assignés à un nouveau
segment créé au niveau supérieur de la structure.
Figure 2.3 - Structure hiérarchique de I'algorithme SHOE
(tirëe de Beauiieu et Goldberg, 1989)
Les principales étapes de l'algorithme sont les
suivantes (Beaulieu et Golberg, 1989) :
Initialisation des segments ou création de la partition
initiale de l'image par l'attribution d'un numéro de segment
à chaque pixel (ou à chaque segment initial si la partition
est fournie au départ)
Calcul des paramètres descriptifs de chaque segment :
moyenne des valeurs d'intensité des pixels, nombre de pixels
dans le segment
Création des listes de voisins pour chaque segment
Calcul des coûts de fusion pour chaque paire de segments
voisins
Détermination, à chaque itération, du critère de fusion
optimisé (critère d'étape) par la minimisation des coûts de
fusion
Fusion de la paire de segments qui satisfait le critère
d'étape
Création d'un nouveau segment à partir des segments
fusionnés
Calcul des paramètres descriptifs du nouveau segment et
création de la liste de ses voisins
Mise à jour des paramètres descriptifs et des listes de
voisins des segments affectés par la fusion
1 0 ) Création de la structure hiérarchique jusqulau segment
final (l'image)
11) Choix de 1 ' image finale segmentée en fonction du nombre de segments déterminé a priori par l'utilisateur.
L'algorithme présente certains avantages au point de vue du
temps d'exécution et de la probabilité d'erreurs de fusion.
Puisque l'algorithme ne tient compte que des paires de segments
adjacents pour les calculs de coCts et les mises à jour des
paramètres et des listes de voisins, le temps d'exécution est
minimisé. Malgré tout, l'algorithme opère de façon globale
c'est-à-dire qu'à chaque itération, tous les segments de
l'image sont considérés pour l'optimisation du critère. Étant
donné que le critère est modifié et optimisé continuellement,
l'algorithme s'assure de fusionner en premier les segments qui
sont les plus similaires ce qui peut réduire les probabilités
d'erreurs de fusion.
La première version de 1 ' algorithme de segmentation
hiérarchique utilise un critère de fusion qui se base sur la
différence des valeurs moyennes d'intensité de pixels contenus
dans chacun des deux segments. Cette différence est pondérée
par le nombre de pixels dans chacun des segments. L'équation
du coût de fusion entre deux segments (a et b) est la suivante
(critère de Ward) :
où N est le nombre de pixels dans le segment (a ou b)
et p, la valeur moyenne des intensités dans le segment
Ce critère de fusion est conçu principalement pour des images
qui ne sont pas ou peu affectées par le bruit. Dans le cas des
images optiques, par exemple, le bruit est additif ce qui
signifie que l'erreur associée à ce bruit ne dépend pas de la
valeur dl intensité du pixel. Ce type de bruit peut être
éliminé relativement facilement. Ce n'est pas le cas des
images radar qui sont souvent plus bruitées. Le bruit que l'on
retrouve dans ces images est de type multiplicatif ce qui
implique que la variation du bruit augmente avec la valeur
d'intensité sous-jacente. Ce type de bruit est plus difficile
à éliminer. C'est pourquoi un critère basé sur une différence
des valeurs d'intensité comme celui de Ward est plutôt mal
adapté aux images radar, L'emploi d'un tel critère a souvent
comme effet de produire davantage de segments dans les zones
claires de l'image (où il y a une plus grande variance de
l'intensité à cause du bruit) que dans les zones sombres.
Pour adapter le critère
al. (1995) proposent
d'intensité plutôt que
base sur le fait w e la
de fusion aux images SAR, Beauchemin et
d'effectuer le rapport des valeurs
la différence- Cette proposition se
moyenne des intensités d'une image SAR
suit une distribution x2 et que le rapport de deux de ces
variables suit une distribution F, Celle-ci rend la variable
(le rapport) indépendante des valeurs d ' intensité. Une autre
façon, selon les auteurs, de rendre le bruit additif est de
procéder à une transformation logarithmique des intensités
avant d'appliquer le critère de fusion original. Cependant, la
précision des résultats dépend du nombre de vues dans les
images et de la taille des segments. Plus ces nombres sont
élevés, plus la précision des résultats s'approche de celle du
critère modifié. Les auteurs précisent que, si le nombre de
vues est faible, il est préférable d'utiliser le nouveau
critère (rapport des intensités) pour limiter les erreurs qui
apparaissent dans les premières itérations. Ces erreurs
risquent de se propager tout au long du processus.
Quant à auc coules et Thomson (1998) , ils proposent, pour les images SARI un nouveau critère de fusion qui utilise une
fonction logarithmique des valeurs d'intensité. Ce critère
inclut l'information de texture, obtenue par la décomposition
de l'image en ondelettes, et l'information sur les arêtes,
obtenue après l'application d'un détecteur d'arêtes. Pour
contrer un des effets du bruit, le critère utilise un
coefficient de régularisation des frontières de segments. 11
considère aussi la taille des segments tout comme le critère
initial de Ward.
D'autres modifications ont été apportées à l'algorithme de SHOE
pour combler certaines de ses lacunes (Bénié et Thomson, 1992).
Celles-ci concernent d'abord le nombre de pixels voisins
considérés pour créer la partition initiale. De l'avis des
auteurs, ce nombre est trop restreint ce qui limite la
précision des résultats d'une segmentation. Ils suggèrent donc
l'utilisation de mesures de similarité basées sur les
statistiques locales avec un voisinage de huit pixels au lieu
de quatre. Une autre lacune de l'algorithme concerne
l'estimation par l'usager du nombre final de segments, une
tâche considérée souvent difficile. Les auteurs suggèrent la
détermination automatique de ce nombre grâce à l'intégration
dans l'expression statistique du critère (basé sur le test
Student-t) d'un facteur de correction variable- La variabilité
du facteur lui permet de s 'adapter aux variations du nombre de
segments pendant les fusions.
L'algorithme SHOE initial ou modifié a été utilisé par
plusieurs auteurs dont Pouliot et al. (1995a), Bénié et Thomson
(1992). Thomson et al- (lggO), Ait Belaid et al. (l992),
Thomson et al. (1993) et Raucoules et Thomson (1998) - La
plupart d'entre eux y ont apporté des modifications pour
adapter la méthode à d'autres types d'images, pour intégrer des
données additionnelles à la partition initiale, pour mieux
visualiser les résultats de la segmentation ou pour améliorer
la précision de ces résultats.
2 . 4 Analyse d'image multivariée (MIA)
L'analyse d'image multivariée (MIA) est un outil d'analyse
développé en Scandinavie par Esbensen et Geladi (1989). 11
s'agit d'une alternative aux méthodes de classification
traditionnelles. Ces méthodes, qu'elles soient supervisées ou
non, ont souvent tendance à considérer d'abord le domaine
spatial (1 ' image) . C'est le cas lorsqulil s'agit de
sélectionner les classes d'entraînement (pour le calcul du
classificateur) ou d'isoler des objets (régions) en fonction de
la localisation et du voisinage des pixels. Quant à l'analyse
d ' image mult ivariée, elle permet à I ' usager d ' explorer, de façon interactive et progressive, le contenu en information des
données-image et ce, à deux niveaux : au niveau spectral
d u abord (valeurs dl intensité) et ensuite au niveau spatial
(image). Il s'agit pour l'usager de délimiter, dans le domaine
spectral, des regroupements de pixels qu'il ou qu'elle juge
pertinents à son application et de procéder à leur
transposition dans l'image. C'est à partir de l'image que se
fait l'interprétation et l'identification des groupes
prédéfinis. Le passage entre les domaines spectral et spatial
permet à l'usager de classifier, de façon graduelle, les
groupes de pixels préalablement définis.
C'est ainsi que sont définies, à l'intérieur de l'image, des
classes d'objets ou régions jugées homogènes par l'usager. 11
est bon de noter que les régions homogènes identifiées ne
couvrent pas nécessairement toute l'image contrairement à la
segmentation. De façon générale, on peut définir l'approche de
MIA comme une analyse d'image globale qui combine l'exploration
de données, la reconnaissance de formes et la classification
(Esbensen et Geladi, 1989; Lowe11 et Esbensen, 1993; ERDAS,
1992) .
MIA laisse à l'usager le soin de définir, à chaque itération et
de façon visuelle dans le domaine spectral, le critère
d ' homogénéité OU d'hétérogénéité g ~ i lui convient.
Contrairement à la plupart des algorithmes de segmentation, ce
critère n'est pas quantitatif mais plutôt qualitatif. Il
s'agit d'un critère variable qui, au fil des itérations, se
précise en fonction des besoins de 1 >usager. Ceci exige, une
certaine expertise de la part de celui-ci, expertise au niveau
de son domaine d'application et de la région à l'étude. Cet
aspect interactif de la méthode permet à l'usager de créer sa
propre stratégie d'analyse en fonction du problème posé et des
objectifs qu'il ou qu'elle s'est fixés. Ceci constitue une
particularité de MIA qui en fait un outil des plus flexibles
contrairement aux méthodes actuelles d'analyse qui imposent des
contraintes au niveau du type de stratégie à employer (Esbensen
et Geladi, 1989) .
L1anâlyse d'image multivariée se base au départ sur une
représentation particulière des images à traiter- Il s'agit
d'une combinaison d'images reliées par une ou plusieurs
variables (bande spectrale, date d'acquisition, conditions de
visée ou de prise de vue, type de données : télédétection,
géoscientif iques ou autres) . L 1 image est alors appelée
multivariée et représentée par une matrice à trois dimensions
qui contient à la fois l'information spatiale (image à deux
dimensions) et l'information spectrale provenant de chaque
image combinée (vecteurs associés à chaque pixel de l'image
2D) . La figure 2 - 4 présente la structure de l'image
multivariée. Cette nouvelle représentation des images à
traiter fait ressortir davantage la dimension spectrale
comparztivernent aux images standard utilisant les niveaux de
gris (images univariées) . L' image multivariée est ainsi plus
adaptée à une étude au niveau de la structure des données
contenues dans les bandes d' images - En fait, l'image est
caractérisée par un ensemble complémentaire de corrélations
spatiales (entre les pixels) et statistiques (entre les
variables spectrales) (Temnesen Lied, 1997, ERDAS , 19 92 et
Esbensen et Geladi, 1989).
Figure 2.4 - Représentation d'une image m u l t i d é e (3D) (b) à partir d'images u n i d é e s (2D) (a) (tirée de GeIadi et al., 1989)
Combinaison d' images =ivariées (2D) où, pour chaque pixel localisé en (x, y) , correspond un niveau d'intensité
Image multivariée (matrice 3Dl où, pour chaque pixel de l'image de base (information spatiale), correspond un vecteur iD (information spectrale)
Dans le but de condenser l'information structurale contenue
dans l'image rnultivariée, MIA procède à la décomposition de
cette image en ses composantes principales. Celles-ci
permettent de représenter, dans quelques images ou bandes, les
données caractérisées par de grandes variations spectrales au
niveau de toutes les bandes. Cette transformation a comme
effet de séparer les données redondantes des autres données qui
sont indépendantes ou non corrélées entre elles (données
significatives). Ces dernières présentent davantage d'intérêt
puisqu'elles contiennent la majeure partie de l'information qui
peut être extraite de l'ensemble des images. Le résultat de la
transformation de l'image multivariée en ses composantes
principales se présente sous deux formes I les composantes-
images ou score images (à deux dimensions) et les vecteurs ou
loadings (une dimension) - Cette transformation est illustrée à
la figure 2.5 (Geladi et al - , 1989) -
Figure 2.5 - Composantes principales d'une image multivariée (tirée de Geladi et al., 1989)
Image multivariée c o n t a a n t une image 2D (NxM) et un vecteur ID (Q)
=ère composante principale comprenant une composante-image (Tl) et un vecteur (pl)
Erreur résiduelle (El
L'espace spectral qu'utilise l'usager est construit à partir
des composantes principales de l'image multivariée. Il s'agit
en fait d'une série d'histogrammes à deux dimensions (scatter
plots) dont les axes représentent différentes composantes
principales choisies par 1 ' usager (sous la forme composantes-
images ou vecteurs) - Celui -ci peut donc visualiser, parmi
toutes les décompositions de l'image multivariée qui sont
disponibles, celles qui lui semblent pertinentes à son analyse.
Un exemple de l'espace spectral de MIA est présenté à la figure
2 .6 .
Figure 2.6 - Espace spectral de MIA (composantes-images) (exemple tiré de Esbensen et Geladi, 1989)
Dans le but de faciliter la visualisation, chaque histogramme
2D de composantes-images (score images) utilise un jeu de
couleurs représentant les différentes densités de pixels pour
chaque valeur spectrale. Le blanc est associé à une forte
densité et le brun, à la plus faible densité de pixels. Quant
aux h i s t o g r a m m e s 2 D de vecteurs (loadings), ils utilisent les
numéros des différentes bandes d'images et les positionnent aux
valeurs spectrales correspondant aux composantes choisies
(figure 2.7). On peut ainsi visualiser la corrélation ou la
similarité qui existe entre les bandes du point de vue spectral
(ERDAS, 1992 et Esbensen et G e l a d i , 1989).
Figure 2.7 - Espace spectrai de MïA : composantes-images (a) et vecteurs @) (exemple tiré de Esbensen et Geladi. 1989)
C'est à partir du domaine spectral que l'usager définit les
regroupements de pixels qui l'intéressent. Cette définition se
fait à 1 'aide de masques sur une section de l'histogramme 2D
qui semble, de l'avis de l'usager, représenter une classe de
l'image. Les masques sont en fait des polygones fermés dont
les limites sont déterminées par l'usager à l'aide du curseur
et qui se superposent à l'histogramme 2D. La zone choisie peut
contenir une forte densité de pixels si l'on recherche les
classes dominantes ou une faible densité si l'on préfère une
classification plus détaillée. Plus la forme de l'ensemble des
points s'éloigne du cercle [forme linéaire ou irrégulière,
petits ilôts de points) , plus facile est la définition des
classes. Lorsqu' une zone est délimitée et jugée pertinente,
l'usager peut faire une transposition de la zone du domaine
spectral au domaine spatial (1 ' image) . Tous les points de la
zone sont positionnés dans l'image initiale. En superposant ce
résultat à 1 ' image ou à toute autre domée-image, 1 'usager est
en mesure de faire une interprétation de ce groupe de pixels
selon sa connaissance du terrain et ses objectifs de recherche,
C'est par un travail d'essais et d'erreurs que l'usager définit
graduellement des classes significatives. La figure 2.8
présente un exemple d'une transposition du domaine spectral au
domaine spatial. L'image a été superposée au résultat de la
transposition-
Selon Esbensen et Geladi (1989) ainsi que Geladi et Grahn
(1996) , MIA a de bonnes capacités pour la définition détaillée des classes. En effet, il peut arriver que certaines classes
de l'image soient représentées par un petit nombre de pixels et
que ceux-ci soient dispersés ou distribués aléatoirement dans
l'image. Dans ce cas, MIA est mieux disposé à détecter ces
classes comparativement aux méthodes qui se basent sur le
voisinage des pixels. De même, lorsqu'urie zone ou classe
d' entraînement doit être échantillonnée dans 1 ' image, il n ' y a
pas de garantie que ces échantillons représentent bel et bien
une même classe-objet. Dans le cas de MIA, ce type d'erreur ne
peut survenir puisque tous les pixels ayant des valeurs
spectrales similaires ont été sélectionnés à l'intérieur d'une
zone de l'espace spectral.
Figure 2.8 - Transposition d'une classe du domaine spectral (a) au domairie spatial @) (exemple tiré de Esbensen et Geladi, 1989)
Les résultats d'une application de MIA en foresterie (Esbensen
et al., 1993) ont démontré sa bonne capacité de définition de
classes- Les auteurs rapportent que MIA a
classes représentant la vieille forêt,
régénération, la route et les zones d'ombre.
pu ident if ier des
les zones de
Ainsi, dans le cadre de la présente recherche, la segmentation
hiérarchique par optimisation par étape (SHOE) et I ' analyse d'image multivariée (MIA) sont les deux outils d'analyse qui
ont été choisis pour repérer les régions homogènes des images.
Il en existe plusieurs autres qui auraient pu être utilisés
pour cette recherche. Dans ce cas-ci, le choix est basé sur la
disponibilité des outils- Ce qui importe, c'est de pouvoir
utiliser au moins deux outils qui diffèrent au niveau de leur
approche, de leurs contraintes et des résultats qu'ils
présentent. Ceci permet de comparer deux façons d'analyser les
images pour obtenir le plus de corrélation possible avec les
paramètres du modèle DRASTIC.
3 -1 Site d f étude
La région sur laquelle se base la présente étude est celle de
Lachute, située au nord-ouest de Montréal (Québec) . Le choix
de cette région est justifié par la grande quantité de données
géoscientifiques disponibles et par le fait qu'un modèle
DRASTIC associé à cette région a déjà été implanté. Notons
que la région de Lachute, principalement agricole, est à la
frontière de deux unités géographiques : les Basses Terres du
Saint-Laurent au sud et le Bouclier Canadien (Hautes Terres) au
nord. Elle est traversée par la Rivière du Nord qui sépare les
deux unités géographiques. Au sud, on retrouve la Rivière des
Outaouais et son barrage de Carillon et à l'est, l'aéroport
Mirabel. C'est à partir de cette région, qui couvre un
feuillet cartographique au 1:5000C, que la base de données
géoscientifiqyes a été construite (voir la prochaine section).
Le site choisi pour l'étude couvre seulement une partie de la
région, soit principalement les terres agricoles au sud-est de
la ville de Lachute. La réduction de la zone d'étude est
nécessaire pour permettre l'analyse d'image multivariée (MIA).
Cet outil d'analyse présente certaines limitations dont celle
concernant la taille des images à traiter. Ainsi, le site,
caractérisé par un faible relief (pente moyenne de 1 % ) ,
comprend quelques zones boisées dispersées sur les terres
agricoles. La dimension du territoire couvert est d'environ 12
kilomètres carrés ce qui correspond à une image de 501 lignes
par 501 colonnes avec une maille de 25 mètres- La figure 3 - 1
montre le site d'étude sur une carte routière et sa
correspondance sur une image (RADARSAT, 7 novembre 1996) -
Figure 3.1 - Site d'étude (Lachnte, Québec) : carte rontière (a) et image RADARSAT (b) 1.
(al N (b 1
Rivière des Outaouais Échelle : 1 : 800 000 Échelle : I : 164 474
Centre de l'image : 4S036'30" N
3.2 Base de données géoscientifiques
Une base de données géoscientifiques de la région de Lachute a
été construite et validée dans le cadre drune étude faisant
partie du projet PREDIR (Pouliot et al., 1995b). Cette base de
données comprend entre autres:
C'est
une carte géologique 1:63360 (1981) numérisée;
une carte pédologique 1:63360 (1955) numérisée;
une carte topographique 1:50000 (1984) numérisée;
des levés géophysiques (champ magnétique total et
gradient vertical ) ;
des données de forages (1978, 1985 à 1991);
des données de stations météorologiques (1994) ;
un modèle
de 50 m;
une image
une image
une image
1987)
à partir
numérique de terrain 1 : 50000 (1985) , résolution
RSO de ERS-1 géocodée (12 août 1992) ;
SPOT/HRV panchromatique géocodée (2 août 1987);
Landsat/m ( 6 bandes) géocodée ( 5 septembre
de ces données qu'ont été calculés ou estimés
des paramètres hydrogéologiques qui sont à la base du modèle
DRASTIC. Ces paramètres sont de deux types : quantitatifs et
nominatifs. Le tableau 3 -1 présente les douze paramètres
hydrogéologiques qui ont fait l'objet de la présente étude et
les données à partir desquelles ils ont été calculés ou
estimés. La dernière colonne représente les paramètres
intermédiaires calculés à partir des données d'origine e t qui
entrent dans le calcul ou l'estimation des douze paramètres
étudiés,
Tableau 3.1 - Paramètres hydrogéologiques de l'étude (d'après Pouliot, 1996a)
Type de nappe (libre,
I 1 I captive)
40
Tableau 3.1 (suite) - Paramètres hydrogéologiques de l'étude (d'après Pouliot, 1996~)
Recharge annuelle
Conductivité hydraulique
Pente
courbe
Élévation
Indice DRASTIC
Quantitatif Image TM7432 Modèle numérique de terrain Carte pédologique Stations météo
Quantitatif - --
Forages
Quantitatif - --
Modèle Numérique de Terrain Carte topographique (courbes de
Quantitatif
Quantitatif
niveaux, points cotés) Image TM7432 Modèle numérique de terrain Carte pédologique Modèle Numérique de Terrain Carte topographique (courbes de niveaux, points cotés) Forages
I Stations météo I Image TM7432
Modèle numérique de terrain Carte pédologique
I Carte topographique
I Carte géologique I Forages stratigra-
phiques
Occupation du sol Pente Texture du sol Classe de drainage Numéro de courbe Récipitation totale Évapo transpiration
= Ruissellement Type de nappe (iibre, captive) Capacité spécifique du Sol
Occupation du sol Pente Texture du sol
rn Classe de drainage ,
Occupation du sol CIasse de drainage Texture du sol Profondeur à l'eau Pente Conductivité hydraulique Type de nappe
I Transmissivité sol Capacité spécifique du sol
I Numéro de courbe I Précipitation totaIe L Évapotranspiration r Ruissellement I Perméabilité de la zoiie
vadose Degré de fissuration de la zone vadose d
41
Tableau 3.1 (suite) - Paramètres hydrogéologiques de l'étude (d'aprës Pouliot, 1996a)
vadose
Milieu aquifere Nominatif Occupation du Nomiriatif sol Classe de Nominatif
[ drainage I
= Profondeur théorique de points de Iacs et cours d'eau impact de la zone vadose W e u aquifère ~ e c h e annuelle
Carte pédologique Forages Perrnéabiiité de la zone stratigraphiques vadose 1 8 Degré de fissuration de 1
i la zone vadose Carte géologique Image TM7432
4
Carte pédologique
Pour voir le détail des transformations et calculs effectués à
partir des données d'origine, on peut consulter ~ouliot
(1996a) . On note alors que certains paramètres ont subi des
interpolations durant leur transformation, d'autres non.
Quelques paramètres comme le numéro de courbe et la
perméabilité de la zone vadose ont été estimés à partir de
tables de valeurs théoriques (valeurs discrètes) tandis que les
autres ont fait l'objet de calculs (valeurs continues). Ces
différences ont un impact sur la précision des résultats
obtenus par le modèle DRASTIC. Pour en savoir davantage sur
les sources d'erreurs du modèle et sur la précision de ses
résultats, on peut consulter Fortin et al. (1997).
À l'origine, la taille des pixels de la majorité des paramètres
à l'étude était de 50 mètres. Ces paramètres ont &té
rééchantillonnés à 25 mètres (interpolation par le plus proche
voisin) pour pouvoir les comparer aux images satellites de la
région- En plus des douze paramètres de la base de données,
l'étude tient compte des données de magnétisme de la région
( levés géophysiques ) . Ces données, transformées en format
matriciel, présentent deux types d'information : gradient
vertical et champ magnétique total. À l'origine, leur maille
était de 200 mètres. Ces données ont également été
rééchantillonnées à 25 mètres pour permettre leur combinaison
avec une image RADARSAT (voir section 3.4) -
Les images des douze paramètres hydrogéologiques ainsi que les
données de magnétisme du site de Lachute sont présentées à
l'annexe A. On y retrouve aussi la liste des classes pour
chaque paramètre nominatif.
3.3 Images satellites du site
La base de données géoscientifiques comprend des images SPOT
(HRV), Landsat (TM) et E R S 4 de la région de Lachute (annexe
A) . Ces images ont été géocodées avec une maille de 25 mètres.
Leurs caractéristiques sont décrites à la section précédente.
À noter que l'image TM comprend les six bandes suivantes : T M l ,
TM2, TM3 (visible) , TM4 (proche infrarouge) , TM5 et TM7 (moyen in£ rarouge ) .
Les images RADARSAT de la région de Lachute sont au nombre de
six- Elles ont été sélectionnées pour couvrir différentes
périodes de captage (saisons), angles de visée, résolutions et
sens de l'orbite (figure 3.2). Ces images ont été corrigées
géométriquement par le logiciel Station Cartographique Radar
(SCR) conçu par Viasat en collaboration avec le Centre Canadien
de Télédétection, TGIS et l'université Laval. Crest à partir
du Modèle Numérique de Terrain de la région de Lachute qu'on a
pu effectuer cette correction. Dans le cas des images W A R S A T
comme dans celui des autres images de la base de données, on a
procédé à leur découpage pour qufelles délimitent parfaitement
le site d'étude (dimension des images de 501 lignes par 501
colonnes). À noter que les deux images RPDARSAT à 10 m de
résolution ont été rééchantillonnées à 25 mètres (méthode du
plus proche voisin) pour permettre les combinaisons d'images.
43
Figure 3.2 - Images RADARSAT du site de Lachute
A) 7 novembre 1996 mode standard 7 angle de visée: 470 résolution (portée): 25 rn 4 vues orbite descendante
B) 7 mars 1997 mode standard 7 angle de visée: 470 résohtion: 25 m 4 vues orbite descendante
C) 6 mars 1997 mode standard 3 angle de visée: 370 résolution: 25 m 4 vues orbite ascendante
D) 29 juillet 1997 mode standard 7 angle de visée: 470 résolution: 25 m 4 vues orbite descendante
Figure 3.2 (suite) - images RADARSAT du site de Lachute
E) 31 juillet 1997 mode firi 1 (haute résolution) angle de visée: 380 résolution: 10 m 1 vue orbite ascendante
F) 22 août 1997 mode &I 5 champ proche angle de visée: 460 résolution: 10 m 1 vue orbite descendante
3 . 4 Combinaisons d' images
À partir des images satellites du site de Lachute ainsi que des
données de magnétisme, on a effectué différentes combinaisons
selon une ou plusieurs variables (temps, angle de visée,
résolution, type de capteur ou de domées) Ces combinaisons
permettent de prendre en compte la variabilité de llinformation
que l'on peut extraire d'un même objet sur le territoire,
Les images ainsi combinées sont utilisées comme données
supplémentaires pour la segmentation et l'analyse d'image
multivariée (voir le prochain chapitre). Comme on le sait, ces
outils d'analyse sont utilisés pour délimiter les régions
homogènes de 1 ' image. Le fait que plusieurs images d'une même
variable soient combinées rend la délimitation de régions plus
indépendante des particularités de cette variable.
Le tableau 3.2 présente les différentes combinaisons d'images
qui ont été effectuées pour l'étude. Au nombre de dix, elles
sont présentées en fonction de la variable sur laquelle se base
chacune des combinaisons. On y retrouve aussi le nombre
d'images par combinaison ainsi que leurs caractéristiques
communes et distinctives.
Tableau 3.2 - Combinaisons dYimaGes du site de Lachute
I 2 l Angle de visée 2
Résolution 1 I
5 1 Temps,
I 1
5 1 Capteur radar 1 2
l Capteur 2
RADARSAT mars RADARSAT juillet
RADARSAT 470-descendante
Résolution 25 rn Angle de visée 470 Orbite descendante RADARSAT
RADARSAT 370-ascendante Résolution 25 m Temps : mars
RADARSA?* 460-descendante RADARSAT RADARSA?* 38"-ascendante Résolution 10 rn
Temps : août RADARSA'I' 25 m RADARSAT' 10 rn
RADARSAT nov. 470 25m desc
RADARSAT SPOT/ HRV RADARSAT TM1 TM2 TM3 TM4 TM5
RADARSAT Angle de visée 470 Temps : août Orbite descendante RADARSAT
RADARSAT mars 470 25m desc 1
iMf
RADARSAT novembre 25 m
RADARSAT mars 370 25rn asc EiADARSAT jui1.470 25m desc RADARSAT jui1.380 10m asc RADARSAT août 460 10m desc ERS-1 230 W RADARSAT 47O HH
Gradient vertical 200 m W A R S A T novembre 25 m Gradient vertical 200 m Champ total 200 m
Résolution 25 m Temps : août Orbite descendante Résolution IO m Temps : août Résolution 25 rn Temps : automne
4.1 Analyse de corrélation
Pour évaluer le potentiel d'intégration des images RADARSAT au
modèle hydrogéologique DRASTI C, on veut dl abord identifier les
paramètres du modèle qui sont reliés d'une certaine façon à
l'intensité du signal de RADARSAT (objectif 1). On veut aussi
savoir j usqu ' à quel point les régions homogènes des dif f éreats
paramètres correspondent aux segments ou classes définis à
l'intérieur des images du site. Si certaines correspondances
existent, cela suppose que les images de RADARSAT pourraient
faciliter la détermination drunités hydrogéologiques homogènes
sur le territoire (objectif 2 ) .
Pour évaluer et quantifier l'importance de ces relations ou
niveaux de correspondance (objectifs 1 et 2) , on procède à une
analyse de corrélation entre les douze paramètres
hydrogéologiques définis au chapitre précédent et les diverses
images ou combinaisons d'images des satellites RADARSAT,
Landsat, SPOT et ERS-1. Par le calcul d'un coefficient de
corrélation, on peut quantifier la relation de type linéaire
entre deux variables (dans ce cas-ci, un paramètre et une image
satellite). Les relations qui existent entre les paramètres et
les images peuvent être de plusieurs types mais dans ce cas-ci,
il n'est question que de la relation linéaire- Ce qui importe,
ce n'est pas tellement de connaître le type de relation qui
existe entre ces deux variables, mais plutôt de tester cette
relation, de mesurer le degré d'association entre ces
variables. S i existe une relation plus ou moins étroite
entre celles-ci (coefficient de corrélation relativement
élevé), on doit vérifier que cette relation est bien réelle
c'est-à-dire qu'elle n'est pas seulement causée par le hasard.
À l'aide d'un test statistique de
chaqcie valeur du coefficient de
confiance qui quantifie le risque
ne soit pas significative.
signification, on associe à
corrélation un niveau de
que la corrélation calculée
L'analyse de corrélation prend une forme différente selon le
type de paramètre que l'on veut évaluer (quantitatif ou
nominatif) . LI explication de cette différence est donnée aux
deux prochaines sous-sections. Notons que toutes les analyses
de corrélation ont été effectuées sur le logiciel SAS.
4.1.1 3aramètre quantitatif
Les paramètres quantitatifs sont au nombre de sept : recharge
annuelle, pente, conductivité hydraulique, profondeur de l'eau,
élévation, numéro de courbe et indice DRASTIC- Parmi ces
paramètres, seul le numéro de courbe présente des valeurs
discrètes estimées à partir de tables.
Le coefficient de corrélation qui a été choisi pour 1 'analyse
est celui de Spearrnan. Il s'agit d'une mesure non paramétrique
qui est utilisé dans le cas où la distribution des données ne
suit pas une loi normale. Puisque les images radar sont
affectées par u n bruit multiplicatif, il existe une corrélation
entre la moyenne et 1' écart-type des domées-image, ce qui
n'est pas représenté dans une distribution normale. Les images
radar suivent plutôt, selon le nombre de vues et le type de
mesures (intensité ou amplitude), une distribution de ~ayleigh,
exponentielle ou gamma (Ulaby et al. , 1982 ; Lee et ~urlcevich, 1989). Le coefficient de Spearman est aussi adapté aux valeurs
discrètes comme c'est le cas pour le numéro de courbe.
Le coefficient de Spearman est en fait une approximation du
coefficient traditionnel (Pearson). Les données des deux
variables (paramètre et image) sont d'abord ordonnées selon
leur rang et c'est à partir de ces valeurs de rang que ie
coefficient est calculé. L'équation utilisée est la même que
celle du coefficient Pearson sauf qu'il s'agit dans ce cas-ci
de rangs :
où Ri et Si sont les rangs des deux variables
où kOy et S, sont les moyennes des rangs Ri et Si
Le logiciel SAS attribue à chaque valeur de coefficient une
probabilité de signification qui représente le niveau de
confiance que l'on peut accorder à la valeur calculée. Cette
probabilité nous indique jusqutà quel point la valeur du
coefficient représente une relation réelle entre les deux variables c'est-à-dire une relation qui ne dépend pas seulement
du hasard. La probabilité est calculée suivant le test de t
avec n-2 degrés de liberté, n étant le nombre de paires
d'observations ou de pixels dans l'image :
où t, est la statistique du test
où r est le coefficient calculé
où a est le niveau de signification da test
La valeur fournie par SAS est le complément du niveau de
signification soit 1-a (SAS Institute, 1990).
4.1.2 Paramètre nominatif
Les paramètres nominatifs sont au nombre de cinq : texture du
sol, zone vadose, aquifère, occupation du sol et drainage. Les
différentes classes de chaque paramètre sont présentées à
l'annexe A-
Pour évaluer les différentes corrélations associées aux
paramètres nominatifs, on a choisi l'analyse de variance de
type ANOVA incluant le test de Scheffé-F. ANOVA est un procédé
mathématique qui décompose la variance entre deux ou plusieurs
variables. Dans ce cas, les variables sont les classes d'un
paramètre définies à partir des intensités moyennes des régions
de 1 ' image qui leur correspondent. Il s ' agit ici dl évaluer la correspondance entre les classes d'un paramètre et les
intensités moyennes des régions de lrimage. ANOVA décompose
donc cette variance selon des sources de variations connues
soit la variance sur les classes et celle sur les observations
(ou intensité de pixels) d'une même classe. Par un test
statistique de comparaison de moyennes de plusieurs classes
(test de F), ANOVA évalue la signification de la différence
entre les variables (ou classes définies par des intensités
moyennes de 1 ' image) . Si cette différence est due au hasard
(différence qu'on ne peut qualifier de significative), ANOVA
considère semblables les classes de l'image et du paramètre.
Le niveau d'association encre ces deux entités est alors
quantifié et représenté par un coefficient de détermination
(r2). Le test de Scheffé, plus sévère que le test de F, est
appliqué à posteriori pour évaluer la signification des
différences entre toutes les paires possibles de moyennes de
classss. On peut alors connaître le niveau de différence entre
les classes de l'image et évaluer ainsi son potentiel à
représenter le paramètre. Le fait qu'il y ait un haut niveau
d'association (ou de corrélation) entre un paramètre et une
image ne garantit pas que l'image peut facilement distinguer
les classes du paramètre. Le test de Scheffé permet d'évaluer
au niveau de l'image cette capacité de distinction.
En utilisant ANOVA, on suppose que les classes sont homogènes
et qu'elles sont représentées par une seule valeur d'intensité
moyenne. Les différences par rapport à cette moyenne à
l'intérieur d'une classe ne devraient être considérées que
comme des erreurs aléatoires. De plus, ANOVA présume que les
variances des classes à comparer sont semblables (Collin,
1994) .
De façon plus détaillée, ANOVA procède comme suit :
1) Calcul de la variance des intensités correspondant à chaque
classe du paramètre
2) Estimé de la variance à l'intérieur des classes ( i n t r a ) en
calculant la moyenne des variances obtenues en 1) : cet
estimé représente la variance due aux erreurs
3) Estimé de la variance entre les classes (inter) en calculant la variance des moyennes des classes : cet estimé représente
la variance au niveau du modèle défini par SAS
4 ) Calcul de la statistique F (rapport des deux variances :
inter/intra) qui représente la correspondance entre le
modèle et le comportement des classes
5 ) Comparaison de F calculé avec la valeur théorique de F
(tables) selon les degrés de liberté des deux variances
estimées et un niveau de confiance prédéfini (dans ce cas-ci
5 % )
6 ) Décision sur la signification de la différence entre les
classes : si F calculé est supérieur à F théorique, les
classes sont considérées différentes au niveau de confiance
prédéfini. Le niveau de confiance correspondant à la valeur
de F calculée peut être interpolé à partir des valeurs de la
table
7 ) Calcul du coefficient de détermination qui représente
niveau d'association entre les classes du paramètre et
variations au niveau des intensités de l'image
le
les
8) Application du test de Scheffé sur les moyennes des classes
pour évaluer la signification des différences entre les
groupes de pixels représentant les classes. L'expression
mathématique du test est la suivante (SAS Institute, 1990):
où yi,, et y,,représentent chaque paire de moyennes
comparées
où s est l'erreur quadratique basée sur v degrés de
liberté
où a est le niveau de signification du test
où F(a;k-1,v) est la valeur critique du test de F
(appliqué sur chaque paire de moyennes) avec k-ï/v
degrés de liberté.
Que ce soit pour un paramètre quantitatif ou nominatif,
l'analyse de corrélation a été effectuée d'abord sur les images
de départ (images non traitées) (objectif 1) et ensuite sur les
images ou combinaisons d'images ayant subi une segmentation ou
une analyse d' image multivariée (objectif 2 ) . La préparation
des images pour l'analyse de corrélation est expliquée aux
sections suivantes.
4 . 2 Images non traitées
II s'agit ici des images RADARSAT 6 Landsat TM (6 bandes de
la même image), SPOT/HRV (1) et E R S 4 (1) considérées
séparément et qu'on dit non traitées parce qu'elles n'ont pas
été segmentées ou analysées par MIA. Les caractéristiques des
différentes images ont été présentées au chapitre 3. Selon le
premier objectif du projet, il s'agit d'effectuer une analyse
de corrélation entre les douze paramètres hydrogéologiques et
les images RADARSAT représentant le plus fidèlement possible le
signal radar. Quant aux images optiques (Landsat et SPOT) et
ERS-1, elles ont été analysées de la même façon que les images
RADARSAT dans le but de comparer les niveaux de corrélation
obtenus par les différents capteurs.
Seules les images RADARSAT ont été analysées sous trois
formes : l'image originale, l'image filtrée (filtre médian avec
fenêtre 3x3) et l'image logarithmique et filtrée (même filtre).
Ces trois conditions d'images permettent d'évaluer l'effet du
filtrage et de la transformation logarithmique sur les valeurs
de corrélation.
4 . 3 Images segmentées
La segmentation des images a été effectuée par le logiciel de
segmentation hiérarchiwe par optimisation séquentielle (SHOE)
développé par Jean-Marie Beaulieu. Le critère de fusion du
logiciel a cependant été modifié pour s'adapter aux images
radar à segmenter. La modification s'est inspirée de celle
présentée dans Raucoules et Thomson (1998) . 11 s'agit de deux
nouveaux critères utilisa~t chacun une certaine fonction
logarithmique des valeurs d'intensité. Dans ce cas-ci
cependant, aucune information de texture et d'arêtes n'est
incluse dans le critère. Les deux critères sont définis de la
façon suivante :
C, .,, = N,N,/ (N,+N,) L~/S fI (1+ 1 p,-pb 1 4 . 5
c, .,, = N,NJ (N,+N,) L ~ / S z (pa-pbI2 4.6
avec p=dog(l+I) >
où c > représente la moyenne
Dans ces équations, I représente 1' intensité d'un pixel, p la
moyenne des logarithmes des intensités de pixels contenus dans
un segment, N le nombre de pixels dans le segment, L et S
respectivement le périmètre et la surface du segment résultant
de la fusion. Le produit ou la somme de la fonction
logarithmique, selon le critère, e s t effectuée sur 1 ' ensemble des images faisant partie d'une même combinaison.
La segmentation hiérarchique permet à l'usager de choisir le
nombre final de segments dans l'image. Dans ce cas-ci, on
choisit trois types d'images segmentées : images de 20, 100 et
180 segments. La figure 4.1 présente un exemple des
différences au niveau de l'image segmentée lorsque le critère
de fusion et le nombre de segments varient. Comme on le voit,
ces différences sont significatives au niveau des deux critères
ce qui suppose que la définition d'un critère de fusion influe
considérablement sur le résultat de la segmentation. Le fait
de définir deux critères distincts permet d'évaluer l r effet du
changement de critère sur les niveaux de corrélation entre les
images segmentées et les paramètres de DRASTIC.
Figure 4.1 - Images segmentées selon deux critères et trois nombres différents de segments
20 segments 100 segments 180 segments
20 segments 100 segments 180 segments
Les images initiales qui font l'objet d'une segmentation sont
réparties en deux catégories : les images seules (non
combinées) de RADARSAT, ERS-1, Landsat TM et SPOT/HRV et les
images combinées de la façon décrite au chapitre précédent.
Les images seules et combinées, filtrées (filtre médian avec
fenêtre 3x3) et non filtrées sont soumises à l'analyse de
corrélation. Dans le cas d'une image combinée, la corrélation
est calculée entre chacune des images constituant la
combinaison et le paramètre considéré,
Le fait de segmenter une image selon différentes conditions
(deux critères de fusion, trois nombres finaux de segments,
présence ou non de filtrage et combinaisons d'images ou images
seules) permet d'évaluer les effets drune modification de ces
conditions sur les niveaux de corrélation.
Avant de procéder à l'analyse de corrélation comme telle, on
doit modifier l'image résultant de la segmentation. Pour ce
faire, on procède au calcul des moyennes d'intensités pour
chaque segment et on attribue aux pixels d'un même segment la
valeur moyenne correspondante. Cette valeur d'intensité
remplace le numéro de segment attribué à chacun des pixels par
l'algorithme de segmentation. Ainsi, chaque segment représente
une région homogène dans 1 ' image (même valeur d ' intensité) . L'image modifiée subit ensuite une transformation logarithmique
avant d'être mise en corrélation avec un paramètre. L'analyse
de corrélation peut alors évaluer la correspondance entre les
régions homogènes de l'image et celles du paramètre considéré.
4.4 Images analysées par MIA (analyse d'image multivariée)
L'analyse d'image multivariée ne s'applique qu'aux combinaisons
d l images. Il s'agit des mêmes combinaisons que celles
utilisées pour la segmentation. L'exploration des données-
image et la classification d ~ s groupes de pixels définis par
l'usager fournissent différentes images résultantes (une image
par classe) . Ces images sont constituées de points qui
représentent l'emplacement des pixels considérés homogènes.
Même s'il y a un certain espacement entre ces points, ils
forment un ensemble, une région homogène qui est visuellement
identifiable sur l'image. À noter qu'il n'y a que deux niveaux
de gris possibles dans ces images : O et 255 (noir et blanc) . De plus, les classes identifiées ne couvrent pas nécessairement
toute l'image comme dans le cas de la segmentation.
Dans un premier temps, pour chaque combinaison d'images
analysée par MIA, on construit une image finale à partir des
valeurs d'intensité correspondant aux points identifiés sur
toutes les images-classes. Il s'agit de la première image
soumise à l'analyse de corrélation. Dans ce cas, les régions
homogènes ne présentent pas les mêmes valeurs d'intensité.
Lorsqu'aucun point n'est identifié à un endroit de 1' image, la
valeur O est attribuée au pixel. La deuxième image finale que
l'on soumet à l'analyse de corrélation est celle constituée des
valeurs moyennes d'intensité calculées et attribuées aux pixels
de chacune des classes. Quant à la troisième et quatrième
images finales, on procède au filtrage des images initiales
(images de points) pour réduire 1 'espacement entre les points
identifiés . L'application d'un filtre moyen (fenêtre 7x7)
permet d'englober dans une même classe tous les pixels
adjacents aux points identifiés. Ainsi, la troisième image
comprend les valeurs d'intensité initiales correspondant aux
points identifiés et filtrés et la quatrième image contient des
valeurs moyennes d'intensité attribuées aux pixels d'une même
classe. En plus de ces quatre images finales, on soumet à
l'analyse de corrélation les quatre mêmes images mais cette
fois-ci filtrées (filtre médian avec fenêtre 3x3) . Le fait de
construire plusieurs images finales différentes (pour une seule
combinaison dl images analysées par MIA) permet dl évaluer
l'effet du traitement des images classifiées sur les valeurs de
corrélation. La figure 4.2 présente un exemple d'images de
points obtenues par MIA (chaque image représente une classe)
ainsi que certaines transformations effectuées avant l'analyse
de corrélation.
Figure 4.2 - Images résultantes de MIA et transformations d'images avant l'analyse de corrélation
CIasse 1 Classe 2
IMAGE RÉSULTANTE DE LA FUSION DES DEUX CLASSES (image de points)
IMAGE D'INTENSITÉ IMAGE D'INTENSITÉ MOYENNE (moyenne pour chaque classe)
57
Figure 4.2 (suite) - Images résultantes de MIA et transformations d'images avant l'analyse de corrélation
Image de points de Ia cIasse I
Image de points fiItr6e (filtre moyen 7x7)
CHAPITRE 5
RÉSULTATS ET DISCUSSION
Dans ce chapitre, les résultats des différentes corrélations
entre les paramètres et les images sont présentés sous forme de
tableaux. Chaque tableau est associé à l'un des trois cas
suivants : images non traitées, images segmentées et images
analysées par MIA. Dans chacun de ces cas, les valeurs de
corrélation associées aux paramètres quantitatifs et nominatifs
sont présentées dans des tableaux séparés. Il est à noter que
la majorité des valeurs de corrélation présentent un niveau de
confiance de 9 9 , 9 9 % (ou P=0,0001, telle que fournie par SAS,
qui représente la probabilité que la corrélation soit nulle).
Lorsque cette probabilité est différente de 0,0001, elle est
indiquée entre parenthèses dans les tableaux. Quant au test de
Scheffé utilisé pour les paramètres nominatifs, un niveau de
confiance de 95 % est associé à la distinction des cfasses dans
l 1 image.
Les prochaines sections présentent, de façons séparées, les
résultats obtenus avec les images non traitées, segmentées et
analysées par MIA.
5.1 Corrélations
Les coefficients
59
des images non traitées
de corrélation obtenus pour les
traitées de RADARSAT, Landsat/TM, SPOT/HRV et
présentés aux tableaux 5 -1 et 5 - 2 . On y retrouve
de coefficients de corrélation correspondant aux
images et paramètres,
images non
ERS-1 sont
les valeurs
différentes
Dans le cas des paramètres quantitatifs (tableau 5.1), les plus
fortes corrélations obtenues à partir des images RADARSAT
varient entre 0,20 et 0,3 0 (en valeurs absolues) . Ces valeurs
se rapportent aux paramètres suivants (par ordre décroissant) :
la recharge (0,291, le numéro de courbe ( O r 2 1 ) , l'élévation
(0,19) et l'indice DRASTIC (0,19). Il s'agit principalement
d'images d'hiver filtrées (filtre médian 3x3). À noter que
1 'épaisseur de neige au sol au moment de Iracquisition des
images dl hiver de RADARSAT dépasse les 60 centimètres. Dans
des conditions de neige sèche, il est possible que les ondes
radar pénètrent suffisamment le couvert de neige et atteignent
le sol sous-jacent. Mais il se peut que les valeurs plus
élevées de corrélation pour les images hivernales soient dues
au fait que le couvert de neige homogénéise la rugosité de
surface et que ces régions de rugosité homogène correspondent
davantage aux valeurs du paramètre. Les résultats nous
démontrent aussi qu' il n'y a aucun effet sur le coefficient de
corrélation lorsqu'on utilise le logarithme des valeurs
d'intensité de pixels plutôt que la valeur initiale d'intensité
(voir la méthodologie à la section 4.2)-
Quant aux images optiques (Landsat/TM eC SPOT/HRV), elles
présentent des corrélations légèrement plus fortes (en valeurs
absolues) que les images RADARSAT : recharge (0, 43 1 , numéro de courbe (0,321, indice DRASTIC (0,30) et élévation (0,24), Ces
valeurs sont sensiblement les mêmes pour toutes les bandes
optiques sauf TM4 (dans le proche infrarouge) qui est la
plupart du t e q s moins corrélée avec ces paramètres.
60
Tableau 5.1 - Corr6lations entre les images non traitées et les paramétres quantitatifs
NOVEMBRE 47°/desd3~m 0.10 1 med3 1 0.14
med3 log RADARSAT
med3 med3 log 0.29
RADARSAT MARS 3 7O/asc/3 0m 0.18 1 me& 1 026
med3 log 0.26 RADARSAT JUILLET
0.06
med3 log 0.10 RADARSAT JUILLET 3 8°/asc/1 0m 0.04
med3 0.07 med3 log 0.07
RADARSAT
med3 log 0.04 ERS- 1 0.08
On note que Les corrélations sont inversées par rapport aux
images RADARSAT ce qui est normal puisque les zones claires
dans un type d'image (fortes réponses de la surface)
correspondent souvent aux zones sombres dans 1 ' autre image
(faibles réponses de la surface) . Prenons comme exemple le
boisé (figure 5.1) qui se distingue moins bien sur une image
optique que sur une image RSO. Dans le cas d'un capteur
optique, la réflectance de la végétation est relativement
élevée (tout dépend du type de végétation) mais la forte
rétrodifEusion de cette même végétation dans le cas du radar
(sensibilité du radar à la rugosité de surface) est plus
évidente -
Figure 5.1 - Comparaison entre les zones de boisé d'une image RADARSAT et d'une image Landsat-TM
RADARSAT Boisés Landsat-TM (vhible)
Quant à ERS-1, les coefficients de corrélation sont toujours
plus faibles que les valeurs optimales obtenues avec RADARSAT.
Ceci peut être dû au fait que la seule image disponible de ERS-
1 a été prise durant Ifété ce qui ne semble pas, selon les
résultats obtenus avec RADARSAT, être une période favorable
pour l'obtention de corrélation optimale avec les paramètres.
Dans le cas des paramètres nominatifs (tableau 5.2), les plus
fortes corrélations obtenues à partir des images RADARSAT
varient entre 0,40 et 0,50. Ces valeurs se rapportent aux
paramètres suivants (par ordre décroissant) : 1' occupation du
sol (0,51), les classes de drainage (0,39) et la texture du sol
(0,38). Pour ces paramètres, il s'agit d'images filtrées où on
a considéré le logarithme des intensités de pixels plutôt que
les valeurs initiales d'intensité. Contrairement aux
paramètres quantitatifs, il semble avantageux du point de vue
de la corrélation d'utiliser le logarithme des valeurs
intensités et ce, pour la plupart des images.
Tableau 5.2 - Corrélations entre les images non traitées et les paramètres nominatifs
KAUAKSA 1 NOVEMBRE 47'/desc/3 0rn 0.14
med3 024 med3 log 0.3 8
RADARSAT
med3 log 0.30 RADARSAT
med3 log 0 -26 RADARSAT JUILLET 47'/desc/3 0m 0.15
me& 0.25 med3 log 0.36
RADARSAT JUILLET 3 8'/asc/ 1 0m 0.08
me& 0.17 med3 log 0.26
RADARSAT b - 0 0 ~ 46'/desc/ 10m O. 10
me& 0.20 medj Iog 0.32
ERS- I 0.08 SPOT/HRV 0.32 TM 1 0.24 TM2 0.3 I Th43 0.24 TM4 0.44 TM5 0.39 TM7 0.27
Pour ces paramètres, on note que les valeurs de corrélation
sont légèrement inférieures lorsqu'il s'agit d'images de 10
mètres de résolution (une seule vue) et/ou d'angle de visée de
3 7 O .
Selon le test de Scheffé, les classes des paramètres nominatifs
ne sont pas toutes bien distinguées dans les images RADARSAT et
ce, indépendamment des valeurs de corrélation obtenues. La
capacité de ces images à distinguer les différentes classes est
fonction du paramètre et des conditions d'image (période
d'acquisition, angles de visée, résolution). Le tableau 5 . 3
présente, pour les valeurs de corrélation optimales, les
classes distinguées de façon significative par les images
RADARSAT. Dans le tableau, il n'est question que d'une seule
valeur de corrélation par paramètre (valeur la plus élevée)
malgré le fait que pour d'autres images, les corrélations
peuvent être du même ordre de grandeur et présenter différentes
distinctions de classes-
Tableau 5.3 - Classes distinguées par les images RADARSAT (selon le test de Scheffé Za 5 % de niveau de confiance)
Quant aux images optiques, elles présentent un niveau de
Occupation du sol
Classes de drainage Texture du sol
corrélation semblable aux images RADARSAT sauf dans le cas de
l'occupation du sol où la corrélation est nettement plus forte
* / signifie que les classes ne sont pas distinctes
Novembre, 47", 2Sm, desc. (filtre, log) Novembre, 47", 25m, desc. (filtre,log) Novembre, 47", 25m, desc. (filtre,log)
(0,77 vs 0,51 pour les images RADARSAT). C'est d'ailleurs pour
cette raison que l'utilisation des images optiques se résume
0,51
0,3Ç
0,38
souvent à la cartographie de l'occupation du sol (Pouliot et
al., 1995b) . D'après les résultats, RADARSAT n'apporte rien de
Eau, boise, agriculture intensive, agriculture extensive, zone urbaine Très mauvais, rnauvaislirnparfait*, très bon/excessif, variable Argile, limon, Iirnon-argile, terre noue, sabiehon déterminée, sable-Iimon
plus aux images optiques dans l'estimation de ce paramètre.
Pour l'ensemble des paramètres nominatifs, le niveau de
corrélation est sensiblement le même pour toutes les bandes
optiques [SPOT et LANDSAT) . Le tableau 5.4 présente, pour les
valeurs de corrélation optimales, les classes distinguées par
les images optiques.
Tableau 5.4 - Classes distinguées par les images optiques
Quant à l'image ERS-1, les coefficients de corrélation sont
encore une fois plus faibles que les valeurs optimales obtenues
avec RADARSAT. Ceci peut être dû au f a i t que, dans ce cas-ci,
on cherche davantage une information au niveau de surfaces
horizontales (le sol) et RADARSAT est plus adapté, par ça
polarisation horizontale, à ce type de surface.
Occupation du sol Classes de drainage Texturedusol
À la lumière de ces résultats, on ne peut que constater le
faible lien qui existe entre le signal de RADARSAT et les
paramètres du modèle. Ces images sont par ailleurs davantage
corrélées, mais de façon modérée, à lloccupation du sol, les
classes de drainage et la texture du sol. 11 semble que
l'application d'un filtre médian pour réduire le chatoiement
dans les images RADARSAT améliore le niveau de corrélation.
Lorsqu'on compare les corrélations obtenues pour les différents
capteurs, on s'aperçoit que les images non traitées de RADARSAT
sont davantage reliées aux paramètres hydrogéologiques que
celles de ERS-1 mais présentent moins d'intérêt pour la
modélisation hydrogéologique que les images optiques.
5 . 2 Corrélations des images segmentëes
Landsat-TM 3
Landsat-TM 4
Puisque toutes les valeurs de corrélation des images segmentées
0,77
0,45
Eau, borsé, agncuiture rntensive, agriculture extensive, zone urbaine Très mauvais, mauvais, imparfait, très bon, excessif, variable Argile, limon, limon-argile, terre noire/sable/non déterminée, sable-limon
Landsat-TM4 0,44
sont trop nombreuses pour être présentées dans cette section,
elles ont été placées en annexe. Les tableaux 5 - 5 et 5.6 de
l'annexe B présentent donc, pour les paramètres quantitatifs et
nominatifs, les valeurs de corrélation obtenues à partir des
images segmentées (seules ou combinées) de RADARSAT,
Landsat/TM, SPOT/EZRV et ERS-1. On y retrouve les valeurs de
coefficients de corrélation correspondant aux différentes
images et condit ions de segmentation (critère de fusion,
filtrage, nombre de segments).
De façon générale, on note une amélioration des corrélations au
niveau des images RADARSAT segmentées comparativement aux
images non traitées et ce, pour la majorité des paramètres
(nominatifs et quantitatifs). Dans le cas des images RADARSAT
segmentées, les plus fortes corrélations obtenues, toutes
combinaisons confondues, varient entre 0,60 et 0,80 pour les
paramètres nominatifs et entre 0,30 et 0,50 pour les paramètres
quantitatifs. Ces valeurs sont associées aux paramètres
suivants (en ordre décroissant) : la texture du sol (O, 78) , les classes de drainage (O, 78) , 1 ' occupation du sol (0, 76) , le milieu aquifère (O, 64) , la zone vadose (0, 60) , la conductivité hydraulique (0,49), l'élévation (0.41). lfindice DRASTIC
(0,39), la recharge (0,38), le numéro de courbe (-0.32), la
profondeur de l'eau (-0,29) et la pente du terrain (-0,29). Il
s'agit de corrélations optimales obtenues selon diverses
conditions de segmentation qui dépendent du paramètre considéré
(tableau 5.7). Quant aux paramètres nominatifs, la distinction
des classes, selon le test de Scheffé, pour les meilleures
corrélations obtenues est présentée au tableau 5-8.
Lorsquton considère les images optiques et RADARSAT séparément,
on note que SPOT et Landsat présentent des corrélations
supérieures à RADARSAT pour certains paramètres : la recharge
( -0 ,44 vs 0,32) et lïoccupation du sol (0,74 vs 0,451.
Cependant, sous certaines conditions de segmentation (tableau
5 . 9 ) , les images RADARSAT sont plus corrélées que les images
optiques pour les paramètres suivants : la conductivité
hydraulique (0,49 vs -0,24), la pente (-0,29 vs -0,09),
l'élévation (0,41 vs -0,30), le milieu aquifère (0,64 vs 0,45)
et la zone vadose (O, 60 vs 0,47) . Cette distinction entre les
deux types d'images permet d'évaluer les relations que chacune
entretient avec les paramètres du modèle. On peut alors
comparer les performances de chacune d'entre elles pour le cas
où une combinaison des deux types dl images ne serait pas
possible.
Tableau 5.7 - Conditions de segmentation des images ICADARSAT correspondant aux plus fortes corrélations
Classes de drainage Occupation du SOI Milieu aquifere
Zone vadose
1 Om, desc. (Iog) RADARSAT août, 46", IOm, desc. (log) RADARSAT novembre, 47', 25m, desc. (log) RADARSAT mars, 47', 35m, desc. (log) RADARSAT mars, 47', 25m, desc. (log)
RADARSAT 0,60 novembre et juillet,
médian 3x3
1" critère, 20 segments
la critère, 20 segments
Conductivité
I -- I
* I " critère : CI 4, = N,Nd(N,, Nb) . L'/S . II(1 +[pÏpbl)2 1
hydraulique Elévation
Indice DRASTIC
Recharge
Numéro de courbe Profondeur de l'eau
Pen te
Le fait de combiner les images RADARSAT et optiques permet
d'obtenir de meilleures corrélations pour les classes de
RADARSAT juillet, 47", 25m, desc. (log) RADARSAI mars, 47', 25m, desc. (log) RADARSAT novembre, 47', 25m, desc. (log)
RADARSAT novembre, 47', 25m, desc. (iog) RADARSAT mars, 37*, 25m, asc. (log) RADARSAT mars, 47',
47', 25m, desc. (log)
5 autres images RADARSAT RADARSAT mars et juillet, 47', 25m, desc. (log) Landsat-TM
RADARSAT
0,49 2' critère, 20 segments, médian
0,4 1
0,39
0,3 8
-0,32
-029 25m, desc. (log)
RADARSAT juillet, 47", 25m, desc. (log)
3x3 2' critère, 20 segments, médian 3x3 lu critère, 20 segments, médian 3x3
1 a critére, 20 segments
1 " critère, 1 80 segments
1 " critère, 1 80 segments,
-0,29
novembre et juillet, 474 25m, desc. (log)
médian 3x3
2' critère, 20 segments, médian 3x3
drainage (0, 7 8 ) et la texture du sol (Cl, 78) . Ces valeurs sont
inférieures lorsque les images sont considérées séparément. Ce
sont d'ailleurs ces combinaisons d'images et ces deux
paramètres nominatifs qui présentent les plus fortes
corrélations parmi toutes les conditions d'images. Cependant,
pour certains paramètres comme lrélévation et le milieu
aquifère, une combinaison entre les images RADARSAT et optique
n'est pas souhaitable. En effet, les valeurs de corrélation
sont plus élevées dans le cas des images RADARSAT considérées
séparément des images optiques.
Tableau 5.8 - Distinction des classes (test de Scheffé) correspondant aux plus fortes corrélations avec les images RADARSAT segmentées
Zone vadose 1 RADARSAT mars, 47", 25x11, desc.
Classes de drainage Occupation du sol Milieu aquifère
terre noire, sable, sable-limon Très mauvais, mauvais, très bodimparfait, excessif, variabIe
(log) + SPOT (HRV) RADARSAT août, 46", 10m, desc. (log) + SPOT (HRV) RADARSAT novembre, 47", 25m, desc. (log) + Landsat (TM) RADARSAT mars, 47", 25m, desc.
Eau, boisé, agriculture intensive,
0,78
0,76
o s a agriculture extensive, zone urbaine Calcaire-crist-quartzite-gneiss/dolornie- calcaire-shale, &ès-arkosite, grès-qumite, grès-dolomie, intrusion alcaline Schiste-non déterm., argiIe-non ddterm~ar~ile-hét&ogène-blocaux, argile- hétérogène, argile-hétérogène-sablonneux, argile-hétérogène-graveleux, silt-non déterm., sables-non déterm./sabIes- hétérogène-argileux/sables-hétérogène- graveleux, sables-grain fui, sables- hétérogène-blocaux, graviers-non déterm.
La combinaison du gradient vertical et d'une image RADARSAT
(automne, 47", 30 m, orbite descendante) permet d'obtenir de
meilleures corrélations avec 1 ' élévation (-0,52 vs 0 r 4 1 ) et la
zone vadose (0,65 vs 0,6O) . Mais il s ' agit dans ces cas d'une corrélation avec les valeurs du gradient vertical et non avec
l'image de RADARSAT. Puisqulaucune analyse de corrélation n'a
été effectuée sur le gradient vertical seul, on ne peut
connaître l'influence de l'image RADARSAT dans cette
combinaison.
Tableau 5.9 - Comparaison des conditions de segmentation des images RADARSAT et optiques considérées séparément pour les valeurs optirnaIes de corr6lation
Occupation du sol
25% desc. 180 segments, image filtrée
25m, desc. 180 segments + mars, 37'
Mars, 47', 2' critère, 25m, desc. 180 segments, + 5 autres image filtrée W A R S A T août, 46', 10m. 2' critère, desc. 100 segments, + 5 autres image filtrée RADARSAT
Conductivité Juillet, 47', 2' critère, hydraulique 25m, desc. 20 segments,
image filtrée Pente juillet, 474 2' critère,
25m, desc. 20 segments, image filtrée
Elévation M m , 47O, 2' critère, 25m, desc. 20 segments, + 5 autres image filtrée RADARSAT
Aquifere Mars, 47', 1 " critère, 35x1, desc. 20 segments
Zone vadose Mars, 47', la critère, Xm, desc. + 20 segments novembre + I i u i ~ e t I
-0,29 SPOT (HRV) 7
lQ critère, 180 segments I 0774
2' critère, 20 segments
1 critère, 100 segments
2' critère, -0,30 20 segments
2e critère, 1 0,45
2' * critère, 20 segments
Quant à l'image ERS-1 considérée séparémerit, e l l e ne présente
aucune corrélation supérieure ou égale à celles obtenues avec
les images RADARSAT.
Dans la plupart des cas de segmentation, on ne peut déterminer
le critère de fusion ni le nombre de segments optimaux. Le
fait de combiner les images RADARSAT entre elles ne produit pas
davantage de fortes corrélations que l e s images non combinées.
De plus, le filtrage d'une image segmentée ne semble pas avoir
d'influence générale au niveau de la corrélation avec l e s
paramètres du modèle. Les conditions optimales de
segmentation, comme on le voit dans la plupart des tableaux de
cette section, varient selon le paramètre considéré. Pour un
même paramètre, ces conditions optimales varient aussi selon
l'image considéré (à noter que les tableaux ne présentent
qu'une seule valeur maximale de corrélation par paramètre). On
ne peut donc pas établir de condition optimale de segmentation
pour les images traitées du point de vue de la modélisation
hydrogéologique. Puisquraucune condition de segmentation ne se
distingue au niveau des corrélations même si les images
segmentées sont fort différentes, on peut supposer la chose
suivante : le seul fait de segmenter une image (regrouper les
pixels en segments ou zones homogènes) , peu importe les
conditions, améliore la corrélation avec les paramètres du
modèle. Ainsi, il ne semble pas nécessaire de poursuivre les
efforts pour trouver un nouveau critère ou un nombre de
segments qui soit adapté aux paramètres de DRASTIC.
5.3 Corrélations des images analysées par MIA
Lorsqufil s'agit drune image RSO multivariée, il est difficile
de définir les classes dans le domaine spectral. Comme on peut
le voir sur le l'histogramme 2D de la figure 5.2, construit à
partir d'images radar, l'ensemble des points présente une forme
plutôt ovale comprenant un seul noyau (zone blanche) et peu ou
pas de formes linéaires ou saillantes. Cette distribution de
points représente en fait une variation graduelle des valeurs
d'intensité de pixels qui ne permet pas de repérer de façon
claire les frontières entre les zones-classes de l'espace
spectral. Drailleurs, un nombre restreint de classes ont pu être identifiés dans le cas d'images de RADARSAT. 11 sragit de
deux classes représentant de façon imparfaite les zones boisées
et agricoles (zones claires et sombres respectivement). Quant
à la classe eau, elle n'a pas été considérée dans l'analyse de
corrélation. Puisquron a attribué aux points non identifiés
par MIA une valeur nulle dl intensité (valeur associée de façon
claire les frontières entre les zones-classes de l'espace
spectral. D'ailleurs, un nombre restreint de classes ont pu
être identifiés dans le cas d'images de RADARSAT. Il s'agit de
deux classes représentant de façon imparfaite les zones boisées
et agricoles (zones claires et sombres respectivement) . Quant
à la classe eau, elle n'a pas été considérée dans l'analyse de
corrélation. Puisqulon a attribué aux points non identifiés
par MIA une valeur nulle d1 intensité (valeur associée de façon
générale à la classe eau). le fait de négliger cette classe
n'aura pas d'effet majeur sur les valeurs de corrélation. De
plus. il ne s'agit pas d'une classe dominante dans la zone
d'étude. Aucune autre classe associée à l'un ou l'autre des
paramètres du modile n'a pu être identifiée.
Ce qu'on constate après la définition des classes par MIA c'est
que, dans le cas des images RSO, les classes sont tout autant
et même plus facilement identifiables en visualisant l'image
radar directement. Il s'agissait de la première fois où des
images RSO étaient analysées par MIA et les résultats se sont
avérés plutôt décevants au niveau de la classification de ces
images. Ceci est probablement dû au bruit encore présent dans
les images radar analysées. Cependant, le fait d'inclure une
image optique dans la combinaison (image peu ou pas bruitée)
permet de mieux définir les classes (délimitation des
frontières) et de les distinguer plus facilement comme
1 ' illustre la figure 5.3. En ef £et, la densité de pixels pour
chaque classe est plus importante ce qui facilite leur
délimitation. De plus, on peut mieux distinguer les classes de
l'image puisque la distribution des points dans l'histogramme
2D présente plus d'un noyau et des formes irrégulières de
points. C'est ainsi qu'une nouvelle classe représentant les
zones urbaines a pu être identifiée. De plus, la classe
associée aux zones agricoles peut, dans certains cas, être
subdivisée en deux sous-classes représentant les champs
d'agriculture intensive et extensive.
Figure 5-2 - Délimitation des classes par MIA pour la combinaison des 6 images RADARSAT
Classe 1
Classe 2
Concernant les différentes combinaisons d'images qui ont été
analysées par MIA, seulement cinq d'entre elles ont donne des
résultats acceptables au niveau de la délimitation de classes.
Il s'agit des combinaisons temporelles et d'angles à 25 mètres
de résolution, la combinaison des six images RADARSAT ainsi que
les deux combinaisons avec SPOT et Landsat-TM (combinaisons
1,2,5,7 et 8 du chapitre 3) . En effet, il n' a pas été possible
de définir de classe avec les combinaisons comportant une image
de 10 mètres de résolution. Ces images étant plus bruitées que
celles de 30 mètres (une vue au lieu de quatre), elles rendent
la définition de classes par MIA quasi impossible- Cependant,
lorsqu'une image optique est incluse dans la combinaison (dans
ce cas-ci, il s'agit de SPOT), l'image de 10 mètres n'a aucune
incidence sur la définition de classes. En effet, puisque
l'image optique a une bonne capacité à délimiter les classes,
il devient inutile de recourir aux images RSO. Avec les
combinaisons inc luant l'image ERS-1 et les données de
magnétisme, aucune classe n'a pu être identifiée par MIA.
Figure 5.3 (a) - Délimitation des classev par MïA pour la combinaison d'images radar avec tandsat/TM
Classe 1
Figure 5 3 (b) - Délimitation des classes pnr MZA pour la combinaison d'images radar avec SPOTIARV
Classe 1
Classe 2
En visualisant conjointement les histogrammes 2D des
composantes-images (score images) et des vecteurs (loadings),
il est possible d'évaluer l'apport de chacune des six images
RADARSAT à la définition de classes (figure 5 .4 ) .
Figure 5.4 - Espace spectral des composantes-images (a) et des vecteurs (b) pour la combinaison des six images RADARSAT
On note que les images de novembre, mars et juillet dont la
résolution est de 25 mètres (images 1,2 et 4) fournissent la
même information sur les classes de l'image (les chiffres se
chevauchent dans l'histogramme 2D des vecteurs). Quant à
l'image de 46" d'angle et de 10 mètres de résolution (image 61,
elle fournit une information complémentaire (le chiffre 6
s'éloigne des autres dans lr histogramme 2D) . Il s'agit de la
même information du point de m e de la première composante
principale (sensiblement la même position sur l'axe des X) mais
d'une complémentarité drinformation du point de vue de la
seconde composante (axe des Y). Cette image est d'ailleurs
plus utile à la classification que l'image de 38" d'angle et de
10 mètres de résolution (l'image 5) puisque le chiffre 6 est
plus éloigné du centre de l'histogramme 2D (où il n r y a aucun
apport de la bande à la classification) que le chiffre 5.
Quand à l'image de 37O d'angle et U e 25 mètres de résolution
(1 ' image 3) , elle est pratiquement inutile pour la définition des classes (le chiffre 3 est près du centre selon la première
et deuxième composantes principales) .
Les coefficients de corrélation obtenus pour les cinq
combinaisons d'images analysées par MIA sont présentés aux
tableaux 5.10 et 5.11. On y retrouve les valeurs de
coefficients de corrélation correspondant aux différentes
images et conditions d'analyse. De façon générale, les
corrélations sont nettement plus faibles que celles obtenues
par la segmentation et ce, pour tous les paramètres.
Cependant, dans le seul cas du numéro de courbe et de la
combinaison d ' images RADARSAT-SPOT, les valeurs de corrélation sont plus élevées avec MIA qu'avec la segmentation (0,43 vS
0,32 pour l'image RADARSAT et 0,43 vs 0,39 pour l'image SPOT).
Nonobstant ce cas, notons quand même que, pour les images
RADARÇAT analysées par MIA, les plus fortes corrélations
obtenues varient entre 0,20 et 0,30 pour les paramètres
quantitatifs et entre 0,35 et 0,55 pour les paramètres
nominatifs. Ces valeurs s'apparentent à celles obtenues avec
les images non traitées. Elles se rapportent aux paramètres
suivants (par ordre décroissant) : 1 ' occupation du sol (0, 54) , le drainage (0,36) , la recharge (0,29) et 1 ' indice DRASTIC (0.19). 11 s'agit de corrélations optimales obtenues selon
diverses conditions d'analyse (tableau 5.12). Quant aux
paramètres nominatifs, la distinction des classes, selon le
test de Scheffé, pour les meilleures corrélations obtenues, est
présentée au tableau 5.13.
Tableau 5.10 - Corrblations entre les combinaisons d'images anaIysées par MIA et les paramètres
= ANGLES
4 7 O
37"
TEMPS
NOVEM.
MARS
IUILLET
quantitatifs
O Pixel
Med3 Moy 2 classes
Med3 Filt moy7
Medj Filt rnoy 2ct
Med3
Pixel M d 3
Moy 2 ciasses Med3
Filt moy7 Med3
Filt moy 2cl Med3
Pixel Med3
Mou 2 classes Med3
Filt moy7 Med3
Filt moy 2cl Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt rnoy 2cl Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Me&
tilt moy 2cI Med3
Tableau 5.10 (suite) - Corrélations entre les combinaisons d'images analysées par MIA et les parametres - 6 IMAGE! W A R
NOVEMB. 47' - 30m
MARS 37" - 30m
MARS 37" - 30m
IUILLET 37" - 30m
lUILLET 18"- 10m
~0U-r 16" - 1 Om
- Pixel
Mcd3 Moy 2 classes
Me& Filt m0y7
Mcd3 Filt moy 2cI
Med3
Pixel Med3
Moy 2 classes Mcd3
Fïlt mop7 Med3
Filt rnoy 2cI Med3
Pixel Mcd3
Moy 2 classes Me&
Filt moy7 Med3
Filt moy 2cI Mcd3
PixcI Med3
Moy 2 classes Med3
Filt moy7 Med3
Fiit moy 2cI Me&
?keI Med3
Moy 2 ctasses Med3
'ilt moy7 MeG
'ilt moy 2cl Med3
'ixel Me&
vfoy 2 classes Med3
'ilr moy7 Mcd3
=ilt moy 2cl Med3
quantitatifs
77
Tableau 5.10 (suite) - CorréIations entre les combinaisons d'images analysées par MIA et les paramètres quantitatifs
SPOT ET m SPOT
RADAR ET ThII A7
RADAR
TM1
1
Putel Me&
Moy 2 classes Me&
FiIt moy7 Med3
Filt moy 2cl Med3
Pixel Moy 2 cIasses FiIt mop7 Filt moy 2cl
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt rnoy 2cI Me&
Pixel Moy 2 ciasses Filt moy7 Filt rnoy Zcl
Pixel Moy 2 classes FiIt moy7 Fi11 moy 2cI
Pixel Moy 2 classcs Filt moy7 Filt mou 2cl
'ixcl Mou 2 classes Silt moy7 'ilt moy 2cl
'ixel Moy 2 classes 'ilt m0y7 :ilt rnoy 2cl
'ixel vIoy 2 classes 'iIt moy7 'ilt rnoy 2cI
- lfie que les v
4.04 -0.07 0.96 4.06 4.05 4.08 -0.04 -0.04
0.13 0.06 0.13 0.04
0.14 0.06 0.14 0.04
0.12 0.06 0.12 0.04
0.07 0.06 0.09 0.04
0.13 0.06 0.13 0.04
0.12 0.06 O* 12 0.04
'intensité des
0.01 (.0002) 0.0 1 0.0 1 0.0 1
keIs sont consic Moy 2 classes signifie que la valeur moyenne des intensités pour chacune des 2 classes est considérée Fil[ moy7 signifie qu'un filtre moyen 7x7 a été utilisé pour mieux définir les regions homogènes
(Ies valeurs initiales d'intensité sont considérées) FiZr rnoy Zcl signifie qu'un filtre moyen 7x7 a été utilisé et que la valeur moyenne des intensités pour
chacune des 2 classes est considérée Med3 signifie qu'on a appliqué un fiItre médian 3x3.
78
Tableau 5.11 - Corrélations entre les combinaisons d'images analysées par MIA et les paramétres nominatifs
ANGLES
4 7
37"
TEMPS
NOVEM.
MARS
JUILLET
6 IMAGES RADAEt
KOVEMB . 4;" - 3Om
Pixel Mcd3
Moy 2 classes Med3
FiIt moy7 Mcd3
Filt moy 2cl Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Mcd3
Fiit moy 2cI Med3
Pixel Med3
Moy 2 classes Med3
FiIt moy7 Med3
Filt rnoy 2cl Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt rnoy 2cI Meci3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Meà3
Filt moy t c l Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
'ilt rnoy 2cl Med3
79
Tableau 5.11 (suite) - Corrélations entre les combinaisons d'images analysées par MIA et les paramétres nominatifs -
6 IMAGE! RADAR (suite)
MARS 47" - 30m
MARS 37" - 3Om
JUILLET 17" - 30m
l UILLET 38'- 1Om
s o ü ~ 16' - 10m
SPOT ET t 4DAR
W A R
;POT
Pixel Mcd3
Moy 2 classes Med3
Filt moy7 Med3
ïil t rnoy 2cl Med3
Pixel Mcd3
Moy 2 classes Med3
FiIt moy7 Meci3
FiIt moy 2cI Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt rnoy 2cl Med3
Pixei Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt moy 2cl Med3
Pixel Med3
Moy 2 classes Med3
Filt moy7 Med3
Filt moy 2cl Med3
Pixel Med3
Moy 2 cIasses Med3
=ilt moy7 Med3
'ilt moy 2cl Med3
'ixel wloy 2 classes 'ilt moy7 7lt moy 2cI
80
Tableau 5-11 (suite) - Corrélations entre les combinaisons d'images analysees par MIA et les paramètres nominatifs -
R-AR ET TM1 a 7
RADAR
TM 1
TM2
TM3
TM4
TM5
TM7
- Pixcl
M e 0 Moy 2 cIasses
Med3 Filt moy7
Med3 Filt moy 2cI
Med3
Pixel Moy 2 classes Filt moy7 Filt moy 2cl
Pixel Moy 2 classes FiIt moy7 Fil t rnoy 2cl
Pixel Moy 2 classes Filt moy7 Filt moy 2cl
Pixel Moy 2 classes Filt moy7 Filt moy 2cI
Pixel Moy 2 classes Filt moy7 Filt moy 2cl
Pixel Moy 2 classes Filt moy7 FiIt mov 2cl
0.03 0.03 0.03 0.0 1
leurs initiales d'
0.08 0.08 0.07 0.04
itensite des pixe Mo): 2 cZasses signifie que la valeur moyenne des intensités pour chacune des 2 classes est considérée FiZt moy7 signifie qu'un filtre moyen 7x7 a été utilisé pour mieux dChir les régions homogènes
(les valeurs initiales d'intensité sont considérées) Filr moy 2cZ signifie qu'un filtre moyen 7x7 a eté utilisé et que la valeur moyenne des intensités pour
chacune des 2 classes est considérde Med3 signifie qu'on a appIiqué un filtre médian 3x3.
Quant aux images optiques, elles présentent de meilleures
corrélations que les images RADARSAT pour les paramètres
suivants : la recharge (-0,45 vs O,29), l'indice DRASTIC (-0,34
vs 0,19) et l r occupation du sol (0, 77 vs 0,54) . Le tableau
5-14 présente les conditions optimales d'analyse pour les
images optiques.
81
Tableau 5.12 - Conditions d'analyse (MU) des images R A D W A T correspondant aux plus fortes corrélations
Occupation du sol Numéro de courbe CIasses de drainage
Recharge
Indice DRASTIC
25m. desc. RADARSAT a o û ~ 46', 10m, desc- RADARSAT mars, 47"- 25m, desc.
RADARSAT mars, 47', 25m, desc,
RADARSAT mars, 47', 25m, desc. RADARSAT mars, 47", 25m, desc.
RADARSAT mars, 37', 25m. asc.
RADARSAT mars, 47', 25m, desc.
RADARSAT mars, 47', 25m, desc. RADARSAT mars, 47", 25m, desc.
RADARSAT mars, 47', 25m, desc.
RADARSAT novembre, 47', 25m, desc.
SPOT (HRV)
RADARSAT novembre et juillet
RADARSAT mars, 37', 25m, asc.
5 autres RADARSAT
RADARSAT mars, 37', 25m, asc.
RADARSAT mars, 47', 25m, desc.
RADARSAT novembre et juillet
5 autres RADARSAT
RADARSAT mars, 37', 25m, asc.
5 autres RADARSAT
médian 3x3
Moyenne des intensités pour chacune des 2 cIasses Filtres moyen 7x7 et médian 3x3
médian 3x3
médian 3x3
Médian 3x3
Médian 3x3
Filtres moyen 7x7 et médian 3x3
Filtres moyen 7x7 et médian 3x3 Filtres moyen 7x7 et médian 3x3
Filtres moyen 7x7 et médian 3x3
Moyenne des intensités pour chacune des 2 classes
Tableau 5.13 - Distinction des classes (test de Scheffé) correspondant aux plus fortes corrélations avec les images RADARSAT analysées par MIA
Occupation du
drainage
RADARSAT mars, 37' RADARSAT mars, 47', 25m, desc. + 0.36 Très mauvais, mauvais, très bon, imparfait, RADARSAT novembre + excessiflvariable RADARSAT juillet
RADARSAT mars. 47', 25x11, desc + 1 0,36 1 RADARSAT mars, 37'
RADARSAT man, 47; 2Sm, desc. + 1 0,36 1 Très mauvais, mauvais, très bon, imparfait, 5 autres RADARSAT excessiflvariable
Tableau 5.14 - Conditions dyanaIyse (MIA) des images optiques correspondant aux plus fortes corrélations
Recharge
Indice DRASTIC t- Occupation du r
novembre, 47', 25m, desc.
I RADARSAT novembre, 47', 25m,
1 desc.
novembre, 47', 25m, desc.
Landsat-TM 1
W A R S A T novembre, 47', 25m, desc.
RADARSAT novembre, 47', 25x11,
-0,45 Vaieurs brutes d'intensité
À l a l u m i è r e de ces résultats, on constate que la segmentation
d 1 image est préférable à l'analyse dl image multivariée et ce,
pour la majorité des paramètres. MIA ne permet pas de définir
suffisamment de régions homogènes (2 ou 3 classes
comparativement à 20,100 ou 180 pour la segmentation) pour que
les images soient corrélées de façon significative avec les
paramètres du modèle. De plus, dans le cas de MIA, les classes
des images RSO sont difficiles à définir et le processus est
beaucoup plus long que celui de la segmentation.
-0,34
0'77
0,77
Pour llensemble des résultats (images non traitées, segmentées
et analysées par MIA) , on note que les valeurs de corrélation sont nettement plus élevées dans le cas des paramstres
nominatifs que dans celui des paramètres quantitatifs. Il est
possible que ce soit dû, comme dans le cas de la segmentation,
au fait que les images contiennent des zones homogènes (ici,
des classes) et que celles-ci présentent plus de corrélation
avec les paramètres du modèle DRASTIC.
Vaieurs brutes d'intensité
Valeurs brutes d'intensité
Valeurs brutes d'intensité
CHAPITRE 6
CONCLUSION
Dans le cadre de la présente recherche, on a voulu évaluer le
potentiel d'intégration des images RADARSAT au modèle
hydrogéologique DRASTIC. Une telle intégration permettrait
d'exploiter pour la première fois les données RSO pour la
production et/ou la mise à jour de cartes de vulnérabilité de
la nappe souterraine. Cette étude constitue la suite d'une
recherche menée dans le cadre du programme gouvernemental
PREDIR pour intégrer une image RSO de ERS-1 au même modèle
hydrogéologique (DRASTIC) . La flexibilité des images RADARSAT
du point de vue de l'angle de visée, des périodes de captage et
de la résolution spatiale a permis d'évaluer de façon plus
complète le potentiel hydrogéologique des données RSO.
Le projet de recherche s'est divisé en deux parties. La
première consistait à effectuer l'analyse de corrélation entre
le signal de RADARSAT et douze paramStres hydrogéologiques du
modèle DRASTIC, Ceci a permis de caractériser les données RSO
de RADARSAT en fonction des paramètres du modèle et ainsi
d'identifier les phénomènes hydrogéologiques qui peuvent être
captés par RADARSAT- La deuxième partie consistait à effectuer
une autre analyse de corrélation mais cette fois-ci eptre les
régions homogènes des images RADARSAT et celles des douze mêmes
paramètres. Ceci a permis d'évaluer le potentiel de ces images
à détecter et cartographier les unités hydrogéologiques de la
zone d'étude (unités qui servent de base au modèle DRASTIC) . Dans cette deuxième partie, on a procédé à différents
traitements et analyses d ' images (filtrage, valeur
logarithmique, segmentation, analyse d'image multivariée) ainsi
que diverses combinaisons intégrant les images de Landsat , SPOT et ERS-1 ainsi que les données de magnétisme (champ total et
gradient vertical). Ceci a permis d'évaluer l'effet de ces
traitements et combinaisons d'images sur les valeurs de
corrélation.
Les résultats de ces analyses nous doment une bonne indication
de la capacité des images RSO de RADARSAT à cartographier la
vulnérabilité de la nappe souterraine - Tout dl abord, on a
constaté que le signal radar de RADARSAT est relié de façon
modérée à certains paramètres nominatifs du modèle (occupation
du sol, classes de drainage et texture du sol). À ce niveau,
le potentiel d'intégration de ces images (non traitées, non
analysées et non combinées) au modèle DRASTIC est plutôt
faible. 11 est alors préférable de se tourner vers les images
optiques (SPOT et Landsat) qui présentent des degrés de
corrélation légèrement plus élevés avec les paramètres du
modèle.
Quant aux traitements et analyses d'images effectuées dans
cette étude, la segmentation hiérarchique par optimisation
séquentielle s'est avéré un bon choix pour détecter les unités
hydrogéologiques homogènes de la zone d f étude. Il n ' a pas été
possible de définir des conditions optimales de segmentation
quant au nombre de segments finaux et au critère de fusion.
Cependant, les résultats de corrélation ont démontré que les
combinaisons d'images RADARSAT et optiques (SPOT ou Landsat)
segmentées peuvent s ' avérer fort utiles lors de I implantation du modèle DRASTIC. En effet, pour les paramètres classes de
drainage et texture du sol, les valeurs de corrélation avec les
images RADARSAT combinées sont suffisamment élevées (0,78) pour
justifier leur intégration au modèle DRASTIC. Ces images
RADARSAT ne peuvent cependant pas distinguer toutes les classes
de ces deux paramètres. La distinction des classes dépend du
paramètre lui-même, de la combinaison d'image et des conditions
de la segmentation, Les bons résultats obtenus avec les
paramètres nominatifs semblent être dû à la division des images
en classes (ou zones homogènes) tendant ainsi à mieux
représenter les paramètres du modèle DRASTIC.
Lorsque la combinaison avec une image optique n'est pas
possible, il peut être avantageux d1 intégrer une ou plusieurs
images RADARSAT au modèle pour les paramètres zone vadose et
milieu aquifère. En effet, ces images RSO, qu'elles soient
seules ou combinées, présentent aussi de bonnes corrélations
avec ces deux paramètres quoique légèrement plus faibles
qu'avec les classes de drainage et la texture du sol- On a
constaté, dans le cas de la zone vadose, qu'il est préférable
de combiner une image RADARSAT aux données de magnétisme
(gradient vertical) . Quant à l'occupation du sol, les images
RADARSAT, malgré le fait qu'elles présentent de bonnes
corrélations, n apportent rien de plus aux images optiques qui
servent déjà à l'estimation du paramètre.
Les images RPDARSAT présentent donc un bon potentiel
d'intégration au modèle DRASTIC, principalement au niveau de
ces quatre paramètres nominatifs (texture du sol, classes de
drainage, zone vadose et milieu aquifère) . Il peut s ' agir de compléter ou remplacer les données terrain servant à estimer
ces paramètres ou alors servir à définir, en tant que données
géoscientifiques, les unités hydrogéologiques homogènes de
région. 11 n'en reste pas moins que l'apport de ces images
modèle est complémentaire aux images optiques et aux données
magnétisme. Une combinaison de ces données-images permet
maximiser la contribution des images RSO à la cartographie
la vulnérabilité de la nappe souterraine. Quant aux données
RSO de ERS-1, les résultats semblent moins encourageants mais
on ne peut exclure pour autant la possibilité de les utiliser
comme intrant du modèle DRASTIC- Pour mieux comparer 1 ' apport de RADARSAT et ERS-1 au domaine hydrogéologique, il aurait
fallu étudier plus d'une image ERS-1 en faisant varier les
conditions de visée et les périodes de captage. Il est bon de
spécifier que les images satellites en général (optiques, RSO
ou autres) améliorent la représentation spatiale des paramètres
du modèle. Rappelons simplement que plusieurs données qui
servent présentement d'intrants au modèle DRASTIC sont de type
ponctuel ce qui nécessite la génération de surfaces et, par
conséquent, une incertitude au niveau de la précision des
résultats. À ce niveau, l'utilisation d'images satellites
représente un avantage certain.
Se basant sur ces résultats qui ne s'appliquent, il faut le
spécifier, qu'à une zone restreinte de la région de Lachute, il
serait intéressant d'intégrer effectivement les images RSO de
RADARSAT au modèle DRASTIC déjà implanté, On pourrait alors
évaluer de façon quantitative l'effet de cette intégration sur
Piridice DRASTIC et la cartographie de la vulnérabilité de la
nappe. Étant donnée la forte corrélation qui existe entre une
image RSO combinée de RADARSAT et les paramètres de texture du
sol et de classes de drainage, l'intégration pourrait se faire
au niveau du repérage, à l'échelle régionale, des zones du
territoire susceptibles de représenter des classes pour ces
deux paramètres. L'acquisition de nouvelles données terrain,
cartographiques ou autres, nécessaires à la détermination de
ces paramètres, est ainsi facilitée puisqulon a restreint la
zone à échantillonner. Ceci a un impact certain sur le coût
d'acquisition de ces données et sur la rapidité à les obtenir.
L'intégration des données RSO de RADARSAT au modèle DRASTIC ne
devrait se faire sans avoir au préalable évaluer, par un test
de sensibilité, son impact sur la fiabilité du modèle.
Ainsi, l'application du modèle d'erreur proposé par Fortin
(1998) sur les paramètres texture du sol et classes de drainage
semble tout indiqué.
Pour profiter des résultats encourageants de cette recherche,
il serait préférable de les valider sur d'autres régions ou
zones dl étude ce qui impliquerait une nouvelle implantation du
modèle DRASTIC- Dans ce cas, les images RSO de RADARSAT
pourraient servir, en complémentarité avec d'autres données
géoscientifiques, à définir les unités hydrogéologiques
homogènes drune région, une étape essentielle à l'implantation
du modèle.
Étant donné que la segmentation d'image a d o ~ é de bons
résultats au niveau des valeurs de corrélation, il pourrait
être intéressant de faire appel à d'autres méthodes de
segmentation pour la détection de régions homogènes dans les
images - On pourrait aussi se servir des résultats de
segmentation comme données initiales pour une classification
supervisée ce qui permettrait d'identifier les régions
homogènes qui ont été détectés dans les images. De plus,
puisque la combinaison d'images RSO et optiques a donné aussi
de bons résultats, il pourrait s'avérer utile de tester
dl autres combinaisons d'images incluant des données
géoscientifiques-
Dans l'ensemble, les résultats de la présente recherche sont
encourageants puisqutils laissent entrevoir la possibilité
d'utiliser les images RSO dans un contexte hydrogéologique. Le
projet aura aussi mis en évidence l'intérêt de combiner les
images RSO, optiques et domges de magnétisme pour bénéficier
de leur complémentarité au niveau de 1 ' information hydrogéologique que l'on peut en tirer.
ABDELLAOUI, B. , MERZOUK, A. , ABERKAN, M. et HOUSSA, R- , 1997. CC Apport des imageries Landsat-TM & WARSAT-1 à 1 ' analyse morphostructural : cas de la zone de Manzla (Ri£ occidental
Maroc) >> - Compte-rendu du symposium international : La
géomatique à Père de Radarsat (GER '97), Ottawa, Canada, 25-30
mai 1997, CD-ROM.
AIT BELAID, M., BEAULIEU, L M . , EDWARDS, G., JATON, A. et
THOMSON, K.P.B., 1992. cc Post-Segmentation Classification of
Images Containing Small Agricultural Fields >>. Geocarto
International, Vol. 7, No 3, p. 53-60.
ALLER, L., BENNETT, T,, LEHR, J.H. et PETTY, R.J., 1985.
CC DRASTIC : A Standardized System for Evaluating Ground Water
Poluution Potential Using Hydrogeologic Settings ». National
Water Well Association, 455 p,
BAILSY, M.E. et HALLS, H.C., 1997. CC Remote Sensing Studies of
Dykes and Faults Related to Groundwater >>. Compte-rendu du
Symposium international : La géomatique à Père de Radarsat
(GER ' 971, Ottawa, Canada, 25-30 mai 1997, CD-ROM, 13 p.
BANTON, O. et VILLENEUVE, J. P. , 1989a. << Évaluation de la
vulnérabilité des eaux souterraines à la contamination par les
pesticides. Une application du modèle VLTLPEST dans la région de
Portneuf ». Water Pollution Research, Journal of Canada, Vol.
24, NO 1, p. 163-177.
BANTON, O. et VILLENEUVE, %P., 1989b. cc Evaluation of
Groundwater Vulnerability to Pesticides : a Comparison Between
the Pesticides DRASTIC Index and the PRZM Leaching
Quantities S . Journal of Contaminant Hydrology, Vol. 4, p. 285-
296.
BEAUCHEMIN, M., THOMSON, K.P.B. et EDWARDS, G., 1997. cc On the
Hausdorff Concept of Distance U s e d for the Evaluation of
Segmentation Results in Remote Sensing >>. Compte-rendu du
Symposium international : La géomatique à l'ère de Radarsat
(GER ' 9 7 ) , Ottawa, Canada, 25-30 mai 1997, CD-ROM.
BEAUCHEMIN, M., THOMSON, K.P.B. et EDWARDS, G., 1995. << SAR
Adapted Techniques for Image Analysis S . 1995 International
Geoscience and Remote Sensing Symposium (IGARSS ' 95) , 10-14
juillet.
BEAULIEU, J.M., 1996. << Filtrage des images radar par détection
des régions homogènes > - . ge Congrès de 1'Association Québécoise
de Télédétection, Duchesnay, Québec, 30 avril-3 mai 1996.
BEAULIEU, % M . et GOLDBERG, M., 1989. CC Hierarchy in Picture
Segmentation : A Stepwise Optimization Approach S . IEEE
Transactions on Pattern Analysis and Machine Intelligence, Vol.
11, NO 2, p. 150-163.
BEILHADJ-AISSA, A. et SMARA, Y, 1995. << Mise en évidence des
phénomènes hydriques sur le piémont sud de l'Atlas saharien
algérien à l'aide de la télédétection satellitaire S. Actes des
Journées scientifiques de Tunis, 21-24 septembre 1993, Presses
de l'université du Québec/~mE~F, p. 3-10.
BÉNIÉ, G.B. et THOMSON, K.P.B., 1992. or Hierarchical Image
Segmentation Using Local and Adaptive Simularity Rules ».
International Journal of Remote Sensing, Vol. 13, No 8, p.
1559-1570-
BÉNIÉ, G.B., 1986. c< Segmentation df images de hautes limites de
résolution pour fin d'inventaire agricole au Canada :
Adaptation et développement d'algorithmes ». Thèse de Ph.D.,
Université Laval, Québec, p. 7-109.
BERLIN, G.L., SHEIKHO, K.M. et AL-NASER, A.H., 1987, cc SIR-B
View of the Jabal H a d n Lineament and its Groundwater
Implications a. 21"' International Symposium on Remote Sensing
of Environment, Michigan, 26-30 octobre 1987, p. 709-719.
BERNIER, M., FORTIN, J-P., GAUTHIER, Y., VINCENT, P., BISSON,
J-L, GAUTHIER, R. et TREMBLAY, D., 1996. cc Traitemnt d'images
ERS-1 pour la prévision hydrologique >>. 9' Congrès. de
L'Association Québécoise de Télédétection, Duchesnay, Québec,
30 avril-3 mai 1996.
BLOM, R.G. et DAILY, M., 1982. cc Radar Image Processing for
Rock-Type Discrimination >>. IEEE Transactions on Geoscience and
Remote Sensing, Vol. GE-20, No 3, p. 343-351.
BROWN, N.N., 19%. << Integrating Structural Geology with Remote
Sens ing in Hydrogeologicaf Resource Evaluation and
Exploration » - Proceedings of the Tenth Thematic Conference on
Geologic Remote Sensing, Vol. 2, p. 158-169.
BROWN, R . J . , BRISCO, B., LECONTE, R., MAJOR, D.J., FISHER,
J.A. , REICHERT, G. , KORPORAL, K. D. , BULLOCK, P. R. , POKRANT, H.
et CULLEY, J , 1993. << Potential Applications of RADARSAT Data
to Agriculture and Hydrology S . Journal Canadien de
Télédétection, Vol. 19, No 4, p. 317-329.
BUDKEWITSH, P - , DfIORIO, M., WILKINSON, L. et HENDERSON, Z.,
1997. Radar Images as a Source of Geological Information in
Northern Barren Environments S . Compte-rendu du Symposium
international : La géomatique à l'ère de Radarsat (GER ' 971 ,
Ottawa, Canada, 25-30 mai 1997.
BUITEN, H.J. et CLEVERS, J.G.P.W., 1990- Land Observation by
Remote Sensing, Theory and Applications >>.
CARRIER, M-, 1994- *: Les applications du radar en géologie.
Revue bibliographique. . Rapport interne du Centre de
recherche en géomatique, Université Laval, Québec, janvier
1994, 40 p.
CECCARELLI, M-, FARINA, A., PETROSINO, A., VACCARO, R. et
Vinef li, F . , 1994. CC SAR Image Segmentation Using Textural
Information and Neural Classif iers >> . L ' Onde Électrique, Vol. 74, NO 3, p . 24-28.
CHAMPAGNE, L. et CHAPUIS, R.P., 1993. «Évaluation et
cartographie de la vulnérabilité à la pollution des formations
aquifères de la MRC de Montcalm selon la méthode DRASTIC S .
Sciences et techniques de l'eau, Vol. 26, No 3, p. 169-176.
COLLIN, J., 1994. CC Dispositifs expérimentaux - Notes de
cours ». Chapitres 5 et 6 Département de phytologie,
Université Laval, Québec.
CROSS, A.M., W O N , D.C. et DURY, S. J., 1988. << Segmentation of
Remotely-Sensed Images by a Split-And-Merge Process ».
International Journal of remote Snesing, Vol. 9, No 8, p. 1329-
1345.
DELVES, L.M., WILKINSON, R., OLIVER, C. J. et WHITE, R . G . , 1992.
cc Comparing the Performance of SAR Image Segmentation
Algorithms S . International Journal of Remote Sensing, Vol. 13,
NO 11, p . 2121-2149.
EDWMDS, G . , 1996. La comparaison de résultats de
segmentation et de classification d'image à l'aide des matrices
PSE S. ge Congrès de 1 'Association Québécoise de Télédétection,
Duchesnay, Québec, 30 avril-3 mai 1996.
EHTESHAMI, M., PERALTA, R.C. , EISELE, H., DEER, H. et TINDALL,
T., 1991. cc Assessing Pesticide Contamination to Ground Water :
a Rapid Approach ». Ground Water, Vol . 29, No 6, p. 862-868.
ENGMAN, E.T. et GURNEY, R.J., 1991. e Remote Sensing in
Hydrology S . Chapitre 8. Chapman et Hall, p. 155-174,
ERDAS , f 9 92. cc Image Processing and Multivariate Image
Analysis ». ERDAS, p. 113-117 et p.. 233-282.
ESBENSEN, K.H. et GELADI, P., 1989. CC Strategy of Multivariate
Image Analys is (MIA) >> . Chemometrics and Intelligent Laboratory
Systems, Vol. 7, p. 67-86.
ESBENSEN, K, H , , EDWARDS , G - et ELDRIDGE, N., 1993.
<< Multivariate Image Analysis in Forestry Applications
Involving High Resolution Airbome Imagery S . Proceedings 8ch
Scandinavian Conference on Image Analysis, Tromsa, 25-28 mai
1993, p . 953-963.
EVANS, B.M. et MYERS, W . . 1990, << A GIS-Based Approach to
Evaluating Regional Groundwater Pollution Potential with
DRASTIC ». Journal of Soi1 and Water Conservation, mars-avril,
p - 242-245.
FAU, R., BÉNIÉ, G.B., BOUCHER, J-M. et HE, D-C., 1994.
cc Segmentation markovienne pyramidale d ' images >>. Journal
Canadien de Télédétection, Vol- 20, No 2, p . 150-155.
FORTIN, M. , 1998. cc Analyse de la propagation des erreurs
spatiales induites par l'intégration de données multisources
dans le modèle de vulnérabilité de la nappe d'eau souterraine
DRASTIC S . Mémoire de mai-trise en sciences géomatiques, Faculté
de foresterie et de géomatique, Université Laval, Québec, 129
FORTIN, M., THOMSON, K. RB. et EDWARDS, G., 1997. cc Intégration
de données multisources et propagation des erreurs dans un
modèle de vulnérabilité de la nappe dr eau souterraine >> . Compte-rendu du symposium international : La géomatique à l'ère
de Radarsat (GER '97), Ottawa, Canada, 25-30 mai 1997, CD-ROM.
F&CHETTE. R. , 1987. a: Étude comparative des méthodes
d'évaluation de la vulnérabilité des eaux souterraines face aux
risques de contamination engendré par l'usage de pesticides ».
Institut National de la Recherche Scientifique, Québec.
GAUTHIER, E., DUPUIS, P., BANTON, O. et VILLENEUVE, P . , 1993-
<< Utilisation d'un modèle de simulation stochastique et d'un
SIG pour l'analyse et la représentation spatiale des risques de
contamination des eaux souterraines par les pesticides ».
Sciences et techniques de l'eau, Vol, 26, No 4, p. 273-282.
GELADI, P. et GRAHN, H. , 1996. cc Multivariate Image Analysis » . John Wiley & Sons.
GELADI, P . , ISAKSON, H,, LINDQUIST, L., WOLD, S. et ESBENSEN,
K.H. , 1989. cc Principal Component Analysis on Multivariate
Images ». Chemometrics and Intelligent Laboratory Systems, Vol.
5, p. 209-220.
GRINER, A. J., 1989. cc The Automation of DRASTIC - A Regional Mode1 for Mapping Susceptibility of groundwater
Contamination » - Proceedings of the GIS/LIS '89 Symposium,
2merican Society for Photogrammetry and Remote Sensing,
Maryland, Etats-Unis, p.679-684,
HARALICK, R.M. et SHAPIRO, L.G., 1985. cc Image Segmentation
Techniques ». Computer vision, graphics and Image Processing , 29, p. 100-132.
HICKEY, D.D- et WRIGHT, J.R., 1990- Evaluating Groundwater
Pollution Potential Using Geographic Information Systems S .
Irrigation and Drainage, 1990 National Conference, p. 323-329.
KALINSKI, RJ., KELLY, W.E., Bogardi, I., EHRMAN, R,L- et
YAMA.YOT0, P - D . , 1994. << Correlation Between DRASTIC
Vulnerabilities and incidents of VOC Contamination of Municipal
Wells in Nebraska ». Ground Water, Vol- 32, No 1, p . 31-34.
LEE, J -S - et JURKEVICH, I., 1989. «Segmentation of SAR
Images ». IEEE Transactions on Geoscience and Remote Sensing,
Vol, 27, NO 6, p . 674-680.
LÉGEARD, V., BOUCHER, J-M., BÉNIÉ, G.B. et GWYN, H., 1993.
Segmentation non supervisée d'images radar par l'algorithme
ICM ». 8' Congrès de l'Association Québécoise de la
Télédétection, Sherbrooke, Québec, 7-10 juin 1993, p. 723-727.
LEVINE, M.D. et NAZIF, A-M., 1982. An Experimental Rule-Based
System for Testing Low Level Segmentation Strategies S .
Multicomputers and Image Processing : Algorithrns and programs,
Academic Press, New York, p. 149-160.
LOFTELL, K.E. et ESBENSEN, K.H., 1993. <c 1s Image Classification
Really a Valid Technique for Information Extraction? - - A Re- examination of Conventional Reasons for Ciassifying Remotely-
sensed Images S. Proceedings ath Scandinavian Conference on
Image Analysis, Troms~, 25-28 mai 1993, p- 973-979,
MAHMOOD, A., 1996. cc Lineaments as Groundwater Exploration
Guides in Hard-rock Terranes of Arid Regions D. Journal
Canadien de Télédétection, Vol. 22, No 1, p. 108-116.
MAXFIELD, A.W., 1997. << Forecasting Snowmelt Runoff Using Radar
Maps 2 . Compte-rendu du symposium international : La géomatique
à l'ère de Radarsat (GER '971, Ottawa, Canada, 25-30 mai 1997-
McCAULEY, J . D . et ENGEL, B-A,, 1995. cc Comparaison of Scene
Segmentations : SMAP, ECHO and Maximum Likelihood S . IEEE
Transactions on Geoscience and Remote Sensing, Vol. 33, No 6,
p - 1313-1316.
MERCHANT, J.W., 1994, CC GIS-Based Grounwater Pollution Hazard
Assessrnent : A Critical Review of the DRASTIC Mode1 >>,
Photograrnmetric Engineering & Remote Sensing, Vol. 60, No 9,
PAL, N.R. et PAL, S-K., 1993. <c A Review on Image Segmentation
Techniques >>. Pattern Recognition, Vol. 26, No 9, p. 1277-1294.
POULIOT, J., 1996a. CC Mode d'emploi pour 1 'utilisation des
modèles DRASTIC et HYDROSIG sur le SIG Arc/info S . Rapport
interne du Centre de recherche en géomatique, Université Laval,
Québec, 10 juin 1996, 36 p.
POULIOT, J., THOMSON, K.P.B. et RHEAULT, M., 1996b. cc Analyse
de corrélation entre les paramètres du modèle DRASTIC et les
images satellite ». 9' Congrès de IfAssociation Québécoise de
Télédétection, Duchesnay, Québec, 30 avril-3 mai 1996.
POULIOT, J. , THOMSON, K. P B. , CHEVALLIER, J O J O , CHUMOVA, M. et BOUSSEMA, M.R., 1995a. cc Intégration de la pente lors du
processus de segmentation des images satellitaires pour la
cartographie de l~occupation du sol : résultats
préliminaires >>. Actes des Journées scientifiques de Tunis, 21-
24 septembre 1993, Presses de l'université du Québec/AUPELF, p-
43 -51.
POULIOT, J., THOMSON, K - P - B . , RHEAULT, M - et EDWARDS, G-,
1995b. « Exploitation des images ERS-1 pour la cartographie de
la vulnérabilité de la nappe souterraine ». Symposium
international sur l'extraction des paramètres bio-géophysiques
à partir des données RSO pour les applications terrestres,
Toulouse, France, 10-13 octobre 1995.
PULTZ, T.J., 1997. cc Radarsat Applications in Watershed
Management >>. Compte-rendu du Symposium international : La
géomatique à l'ère de Radarsat (GER '971, Ottawa, Canada, 25-30
mai 1997.
RAUCOULES, D. et THOMSON, K - P - B . , 1998. cc Adaptation of the
Hierarchical Stepwise Segmentation Algorithm for SAR Mosaic
Automatic Segmentation >>. (soumis pour publication)
REED, T.R. et DU BUE', J.M.H., 1993- A Review of Recent
Texture Segmentation and Feature Extracation Techniques ».
CVGIP : Image Understanding, Vol. 57, No3, p. 359-372.
REGAN, J.%, 1990. cc DRASTIC : Ground Water Pollution Potential
Mapping in Arizona Counties Using a PC-Based GIS >>. Proceedings
of the Third Forest Service Remote Sensing Applications
Conference, Maryland, Etats-Unis, 1990. American Society for
Photogrammetry and Remote Sensing, p.232-240.
RIGNOT, E. et CHELLAPPA, R., 1992. c< Segmentation of
Polarimetric Synthetic Aperture Radar Data S . IEEE Transactions
on Image Processing, Vol. 1, No 3, p. 281-300.
RIGNOT, E. et CHELLAPPA, R,, 1991. cc Segmentation of Synthetic-
Aperture-Radar Complex Data S . Journal of the Optical Society
of America A, Vol. 8, No 9, p. 1499-1509.
RIVARD, B., CORRIVEAU, L. et HARRIS, L-, 1997. a Analysis of
Geological Styles of Deformation Using Radarsat Data : Examples
f rom the Southwestern Grenville Province of Quebec S . Compte-
rendu du symposium international : La géomatique à l'ère de
Radarsat (GER '971, Ottawa, Canada, 25-30 mai 1997, CD-ROM.
ROBINSON, C. et EL-BAZ, F., 1997. << A Lake Beneath the Selima
Sand Sheet, Southwest E g y p t : Evidence from RADARSAT Data » -
Compte-rendu du symposium international : La géomatique à 1 ' ère de Radarsat (GER '97), Ottawa, Canada, 25-30 mai 1997, CD-ROM.
RUSS, J - C . , 1992 - e The Image Processing handbook S. CRC, Boca
Raton, Etats-Unis, p. 225-276.
SAS INSTITUTE, 1990. SAS/STAT Usert s Guide : version 6 s r 4e
éd., Cary, N.C., 1686 p.
SINGHROY, V., SLANEY, R., LOWMAN, P., HARRIS, J. et Moon, W.,
1993. a RADARSAT and Radar Geology in Canada Journal
Canadien de Télédétection, Vol. 19, No 4, p. 338-351.
STOFAN, E . R . , EVANS, D , L . , SCHMULLIUS , C . , HOLT, B. , PLAUT, J.L, VAN ZYL, J., WALL, S.D. et WAY, J., 1995. << Overview of
Results of Spaceborne Imaging Radar-Cr X-Band Synthetic
Aperture Radar (SIR-C/X-SAR) S . IEEE Transactions on Geoscience
and remote Sensing, Vol. 33, No 4, p. 817-828.
THOMSON, K . P . B . , EDWARDS, G., BOULIANE, E., JATON, A. et
CADIEUX, S-P., 1993. G Image Segmentation for the production of
Thematic Maps : An Application Using Discriminant Analysis
Classification » . Manuscrit, Centre de recherche en géomatique, Université Laval, Québec, il p.
THOMSON, K . P . B . , EDWARDS,
S.P. et GWYN, Q.H.J., 1990
Multiband Correlation and
Télédétection, Vol. 16, No
G,, LANDRY, R., JATON, A., CADIEUX,
- cc SAR Applications in Agriculture :
Segmentation a . Journal Canadien de
3, p. 47-54.
T0NNESEN LIED, T . , 1997. cc Multivariate Image Analysis (MIA) -- An Introduction ». Hagskolen i Telemark, Porsgrunn, Norvège, 11
ULABY, F. T. , MOORE, R. K. et FüNG, A - K . , 1982. CC Microwave
Remote Sensing : Active and Passive S . Addisson-Wesley Press.
VINCENT, R.K., 1997 - cc Fundamentals of Geological and
Environmental Remote Sensing ». Prentice Hall, 366 p.
WANG, Z . L . , GUPTA, M.M. et NIKIFORUK, P.N., 1997. cc Rock
Sructure Extraction in Satellite Images by ART2-A Neural
Networks ». Compte-rendu du symposium international : La
géomatique à l'ère de Radarsat (GER 97) , Ottawa, Canada, 25-30 mai 1997, CD-ROM.
WATERS, P., 1990. cc Image Interpretation for Hydrogeological
Research S . Satellite and Remote Sensing for Hydrology and
Water Management : the Mediterranean coasts and Islands,
Proceedingç International training course, Rabat, Malta, 2-12
octobre, p. 185-196.
WAYNAKH, G. 1. , 1 9 97. cc The Use of RADARSAT lmagery for Mapping
Groundwater Recharge Zone in the Madaba Area ». Compte-rendu du
Symposium international : La géomatique à l'ère de Radarsat
(GER '97), Ottawa, Canada, 25-30 mai 1997, CD-ROM.
WEBSTER, T., 1997. CC Remote Sensing and GIS Analysis of the St-
Marys Basin, Central Nova Scotia >> - Compte-rendu du Symposium
international : La géornatique à Père de Radarsat (GER ' 9 7 ) ,
Ottawa, Canada, 25-30 mai 1997, CD-ROM.
Cote
Legende
recharge
O -5
5-10
10-18
1825
25+
Riu iereatlaca
Libre
Cap ti v e
P l a n c h e 3.1 - Recharge annuelle (tirée de Poul io t , 1996a)
Le!
:e prc
Planche 3 -2 - Profondeur à l'eau (tirée de Pouliot, 1996a)
Libre
Cap ti ve
aca
-... -- - Legende
Cote conductiv ite(rnlj)
1 O -4
2 4-1 2
4 1 1 2 2 9
6 2941
8 41 -82
1 0 1 82 + Riv iereaflaca
Libre
Captive
Planche 3 . 3 - Conchctivité hydraulique (tirée de Pouliot, 1996a)
Legende
Cote pente [%)
1 O O -2
9 2-6
5 6-1 2
3 12-1 8
1 18-100
[7 R i v ierea+iace
Planche 3 . 4 - Pente (tirée de Pouliot, 1996a)
Planche 3.5 - Modèle Numérique de Terrain
Legende
Numero de courbe
Planche 3.6 - Numéro de courbe (t irée de Pouliot, 1996a)
Legende
indice-d raatic
52
8 74
99
118
140
1 62
184
1 206
Riv i ares* lacs
Libre
fl Captive
Planche 3.7 - Indice DRASTIC (tirée de Pouliot, 1996a)
Legende
:e texture-801
argile
Emon
limon-argile
murbe
terre-n oire
sable
sable-argik
sable-han
sable-limon-argil
O n on-denminee
0 Riiieres+ lacs
Planche 3.8 - Texture du sol (tirée de Pouliot , 1996a)
Legende
e uadoaezone
sedimentaire 8$ schiste
calcaire gres co n gi orne rar . ignee+merarno
5 gran i~e+~neks ca leai re-G risrall quamire argile a rgile-herer silr silr+arg ile leables sabfe+argile
W graviers a grav+argiie
blocaux
Planche 3.9 - Zone vadose (tirée de Pouliot , 1996a)
Lëgende
Cote aquifere
3
7
7
6
B
5
4
-
c a h i re-a iat-
gr--ar koaite
gr--quartzite
gr--dolomie
dolomie-caioa
gres-ahaie-ver
intrusion-aicai
Riu ierea+Iaca
-a---
Planche 3.10 - Milieu aquifère (tirée de Pouliot, 1996a)
Occuparion du aol
eau
boisee
0 ag tioo la-inr
agricoiearr
0 urbain
0 Riv ieres + lacs
Planche 3.11 - Occupation du sol (tirée de Pouliot, 1996a)
Legende
Classes de drainage
TRES-MAUVAIS
MAUVAIS
BON
TR ES-BO N
IMPARFAIT
EXICESSIF
VARIA0 LE
Rir ieres + lacs
Planche 3.12 - Classes de drainage (tirée de Pouliot, 1996a)
Planche 3.13 - Image E R S 4 (12 août 1992)
Planche 3.14 - 'Image SPOT/ERV (2 août 1987)
Planche 3.15 - Image ~andsat/TM (5 septembre 1987)
CLASSES DES PARAMËTRES NOMINATIFS (dr après Pouliot, 1996a)
Texture du sol
Zone vadose (degré de fissuration)
Occupation du sol
Drainage r
Argile Limon Limon-argile Sable Sable-argile Sable-limon Sable-limon-argile Schiste (non déterminé) Argile (ion déterminé)- Argile (hétérogène) Argile (hetérogène sablonneux) Argile (hetérogène graveleux) Argile (hétérogene blocaux) Silt (non déterminé) Sables (non déterminé) Sables (grain fin) Sables (hétérogène argileux) Sab tes (hétérogène graveleux) SabIes (hétérogène blocaux) Graviers (non déterminé) Calcaire cristallin-quartzite-gneiss Grès-arkosite
Eau Boisé Urbain Culture intensive Culture extensive Très mauvais Mauvais Bon Très bon Excessif Variable
ANNEXE B
DRASTIC ET LES IMAGES SEGMEN-s
TabIeau 5.5 - Corrélations entre les images segmentées et les parametres quantitatifs - RADARSAT NOVEMBRE 47"Idesc~Om
RADARS AT MARS
47'"dcsd30m
RADARSAT iw
37"IasfiOm
- CRI 20
Io0 180
rned 20 100 180
CR2 20 LOO 180
rned 20 1 O0 180
CR1 20 100 180
rned 20 1 O0 180
cm 20 100 180
rned 20 1 O0 180
CR1 20 100 180
rned 20 100 180
CR2 20 100 180
rned 20 1 O0 180
116
Tableau 5.5 (suite) - Corrélations entre les images segmentees et les paramétres quantitatifs - RADARSAT JUILLET
47"/dcscBOm
RADARSAT JUILLFT
38°/asdIOrn
RADARSAT AOÛT
46"/desdl Orn
ERSI
SPOTMRV
= CRI 2C
roa 180
med 20 I oa 180
CR2 20 IO0 180
med 20 1 O0 180
CRI 20 1 00 180
med 20 100 180
CR2 20 1 O0 180
med 20 100 180
CR1 20 100 180
med 20 1 O0 I8O
CR2 20 100 180
med 20 IO0 I8O
CRI 20 1 O0 180
CR2 20 1 O0 180
CRI 20 IO0 180
CR2 20 100 180
TabIeau 5.5 (suite) - Corrélations entre les images segmentées et les paramètres quantitatifs
= CRI 2i
1 OC 18C
CR2 2C 1 OC I8C
CRI 2C 1 O0 180
CR2 2C Io0 180
CRI 20 100 180
CR2 20 1 O0 180
CRI 20 IO0 180
CR2 20 1 O0 180
CRI 20 100 180
CR2 20 1 O0 I8O
CRI 20 1 O0 180
CR2 20 1 O0 180
EiT 1 O0 180
ned 20 100 180
CR2 20 1 O0 180
ncd 20 100 180
118
Tableau 5.5 (suite) - Corrélations entre les images segmentées et les paramétres quantitatifs - RXDARSAT TEMPS
NOVEMBRE- MARS-
nilLLFr
MARS
RADARSAT TEMPS
NOVEMBRE- MARS-
JUILLEï
JUILLET
RADARSAT ANGLES
(30 mldesc- ==)
47-3 7
47
RADARSAT ANGLES
(30 m/desc-
47-37
3 7
- CRI 2a
1 O0 180
med 20 1 O0 180
CR2 20 IO0 180
rned 20 1 O0 i 80
CR1 20 IO0 180
rned 20 100 180
cm 20 1 O0 180
mcd 20 1 O0 180
CRI 20 1 O0 I8O
med 20 1 O0 180
CR2 20 100 180
rned 20 100 180
CR1 20 100 180
rned 20 IO0 180
CR2 20 100 180
rned 20 100 180
Tableau 5.5 (suite) - Corrélations entre les images segmentdes et les paramètres quantitatifs
I RGDARSAT
-4iNGLES (1 0 ddesc-
= = )
46-38
36
RADARSAT ANGtES
(1 O midac- =)
46-38
3 8
RApARsAT RESOLUT
30 m-10 rn
30 rn
R+IARSAT RES0LLJ-r
30 rn-IO rn
10 m
= CRI 2C
1 OC 18C
rned 20 1 oa 180
CR2 2C Ioa 18a
rned 20 100 180
CR1 20 100 180
mcd 20 1 oa 180
CR2 20 100 180
rned 20 1 O0 180
CRI 20 1 O0 180
rned 20 100 180
CR2 20 100 180
med 20 IO0 I8O
CR1 20 100 180
rned 20 1 O0 180
CR2 20 1 O0 180
rned 20 100 180
12 0
Tableau 5.5 (suite) - Corrélations entre les images segmentées et les paramètres quantitatifs
ERS- RADARSAT
RADARSAT
ERS- RADARS AT
ERS-I
R4DARSAT- SPOT
RADARS AT
R4DARSAT- SPOT
SPOT
RADARS AT- TM 1 à7
RADARS AT
RADARSAT- TM 1 A7
TM1
= CR1 20
1 O( 18(
med 2C 1 OC 1 SC
CR2 20 1 OC I8C
med 2C 1 oc 18C
CRI 20 1 OC 18G
CR2 20 100 180
CRI 20 I oa I sa
med 20 roo 180
CRZ 20 1 O0 180
rned 20 100 180
CEim 1 O0 I8O
CR2 20 1 O0 180
ëïa-25 1 O0 I8O
med 20 100 I6O
CR2 20 1 O0 180
ned 20 100 180
ZR1 20 100 180
ZR2 20 1 O0 180
121
Tableau 5.5 (suite) - Corrélations entre les images segmentées et les paramètres quantitatifs - RADAFSAT- TM 1 à7
TM2
EUtDARSAT- TM1à7
Th43
RADARSAT- TM 1 a7
TM4
W A R S A T - TMIà7
T M 5
RADARSAT- TMIà7
TM7
RADARSAT- G W . VERT
RADARSAT
RAD.4RSAT- GRAD. VERT
GRAD. VERT
_I CR1 20
1 O0 180
CR2 20 100 180
CR1 20 1 O0 180
CR2 20 IO0 180
CRI 20 1 O0 180
CR2 20 100 180
m 1 O0 180
CR2 20 1 O0 180
m 1 O0 180
CR2 20 100 180
1 O0 180
mcd 20 100 I8O
CR2 20 1 O0 180
rned 20 1 O0 180
CR1 20 100 180
322 20 1 O0 180
122
Tableau 5.5 (suite) - Corrélations entre les images segmentbes et les paramètres quantitatifs
I RADARSLiT 6 IMAGES
NOVEMIRE
RADARSAT 6 IMAGES
MARS 47O
R4DARSAT 6 IMAGES
MARS 370
RADARSAT 6 IMAGES
JUILLET 47O 30 rn
RADAR!SAT 6 IMAGES
JUILLFT 38O 10 rn
RADARSAT 6 MAGES
AOÛ~ 46' IO m
Med 100 0.007 180 / 0.006
0.005 (.02) Mcd 100 0.009
180 0.0 1
Med 100
0.005 (.OOS) Med IO0 0.003 (-12)
0.002 (29)
CR2 20 Mcd 100
180 CRI 20 Med 100
180
Med 100 0.06
123
Tableau 5.6 - Corrélations entre les images segmentées et les paramétres nominatifs - RADARS AT NOVEMBRE 47'?desc~Om
RADARS AT MW 37<Ydad3Om
R4DARSAT MARS 3 7°/asd30m
W A R S A T JUILLFT 17°/desd30rn
RADARS AT lUILLET 38°/asdl Orn
- CRI 20
1 O0 180
rned 20 100 180
CR2 20 100 180
rntd 20 100 180
CRI 20 100 180
med 20 100 180
CR2 20 1 O0 180
rned 20 100 180
CRI 20 100 I8O
rned 20 100 180
CR2 20 1 O0 180
med 20 IO0 180
CR1 20 1 O0 180
rned 20 1 O0 180
CR2 20 1 O0 180
rned 20 1 O0 180
CRI 20 1 O0 180
mcd 20 1 O0 ! 80
CR2 20 1 O0 180
rned 20 100 180
124
Tableau 5.6 (suite) - Corrélations entre les images segmentées et les paramètres nominatifs
180 0.40 038 CRI 20 0.18 029
CRI 20 0.40 0.46 0 2 5 0.44 024
125
Tableau 5.6 (suite) - Corrélations entre Ies images segmentées et les paramhtres nominatifs
1
2
3
4
5
7
W A R S A T TEMPS
NOVEMBRE- MARS- JUILLET
NOVEMBRE
- CRI 20
1 O0 180
CR2 20 1 O0 I8O
CRI 20 1 O0 180
CR2 20 100 180
CR1 20 1 O0 180
CR2 20 1 O0 180
CRI 20 1 O0 180
CR2 20 1 O0 180
CRI 20 1 O0 180
CR2 20 1 O0 180
CRI 20 1 O0 180
CR2 20 1 O0 I8O
CRI 20 100 180
rned 20 100 180
CR2 20 100 180
med 20 1 O0 180
12 6
Tableau 5.6 (suite) - Corr6lations entre les images segmentées et les paramètres nominatifs - RADARSAT TEMPS
NOVEMBRE- MARS- JUILLET
MARS
RADARSAT TEMPS
NOVEMBRE- MARS- JUIUET
JUILLFf
RADARSH ANGLES (30 midesc- w 47-3 7
47
RAD.4SAT ANGLES (30 mldesc-
47-37
37
I CR1 20
IO0 180
rned 20 100 180
CR2 20 1 O0 180
rned 20 100 180
CR1 20 1 O0 180
rned 20 1 O0 I8O
CR2 20 1 O0 180
rned 20 1 O0 180
CR1 20 1 O0 180
rned 20 100 180
CRZ 20 1 O0 180
rned 20 1 O0 180
CR1 20 1 O0 180
rned 20 1 O0 180
CR2 20 1 O0 180
med 20 1 O0 180
Tableau 5.6 (suite) - - RADARSAT ANGLES ( 10 ddesc-
46-3 8
46
RADARSAT ANGLES (10 ddcsc- =cl
46-3 8
38
R 4 D r n A T RESOLUT
30 rn-10 m
30 m
W A R S A T RESOLUT
30 rn-10 m
10 rn
ERS- RADARS AT
RADARSAT
- CR1 20
IO0 I8O
rned 20 IO0 180
CR2 20 100 180
med 20 1 O0 180
CRI 20 1 O0 180
rned 20 100 180
CR2 20 1 O0 180
rned 20 1 O0 180
CR1 20 1 O0 I8O
rned 20 100 180
CR2 20 100 180
rned 20 1 O0 180
CR1 20 1 O0 180
med 20 1 O0 180
CR2 20 1 O0 180
med 20 1 O0 180
i3n-z- 1 O0 180
rned 20 1 O0 180
CR2 20 LOO 180
med 20 IO0 180
Corrélations entre les images segmentées et Ies paramètres nominatifs
12 8
Tableau 5.6 (suite) - Corrélations entre les images segmentees et Ies paramètres nominatifs
ERS- RADARSAT
ERS-1
RADARSAT- SPOT
RADARSAT
RADARSAT- SPOT
SPOT
RADARSAT- TM 1 a7
W A R S A T
' R4DAUAT- TMIà7
TM1
RADARSAT- TM 1 a7
TM2
RADARSAT- TM 1 a7
TM3
- CRI 20
1 O0 180
CR2 20 IO0 180
CRI 20 1 O0 180
med 20 1 O0 180
CR2 20 1 O0 180
med 20 100 180
CRI 20 1 O0 180
CR2 20 100 180
CR1 20 1 O0 180
med 20 IO0 180
CRI 20 1 O0 180
med 20 1 O0 180
CRI 20 1 O0 180
CR2 20 1 O0 180
CR1 20 1 O0 180
CR2 20 1 O0 180
CR1 20 IO0 I8O
CR2 20 1 O0 180
12 9
Tableau 5.6 (suite) - Corrélations entre les images segmentées et les paramètres nominatifs - RADARSAT- m 1 à 7
TM3
RADARS AT- m i à 7
TM5
RADARSAT- TM 1 à7
TM7
RADARSAT- GRAD. VERT
RADARS AT
R4DARSAT- GRAD. VERT
GRAD. VERT
--
I CRI 20
100 180
CR2 20 100 180
CR1 20 1 O0 180
CR2 20 100 180
CRI 20 100 180
CR2 20 1 O0 180
CR1 20 100 180
med 20 100 180
CR2 20 1 O0 180
med 20 100 180
CRI 20 1 O0 180
CR2 20 1 O0 I8O
13 O
Tableau 5.6 (suite) - Corrélations entre les images segmentées et les paramètres nominatifs
I RADARS AT 6 IMAGES
NOVEMBRE
RADARSAT 6 IMAGES
MARS 470
EMDARSAT 6 IMAGES
MARS 370
R4DARsA-T 6 IMAGES
JUILLET 47' 30 m
RADARSAT 6 IMAGES
JULLET 38' 10 rn
RADARSAT 6 IMAGES
AOÛT 46' 10 rn
Med LOO 0.02 180 1 0.03
Med 100
Mcd 100 0.0 1 0.0 1
CR2 20 Med 100
180 CRI 20 Med 100
180
CR2 20 Med 100
180 CRI 20 Med 100
180
0.58 0.0 I
Med 100 0.02 0.02
CR2 20 0.39 Med 100 0.59
180 0.55 CR1 20 0.01 Med 100 0.02
180 0.02
0.43 Med 100
180
Top Related