Détermination de la transmittance atmosphérique

Détermination de la transmittance atmosphérique

(Gillespie & et al., 1998), ont proposé pour le satellite Terra-ASTER une technique température émissivité séparation (TES).

Sur la base de la simulation numérique la méthode TES permet de calculer correctement Tsavec une erreur de ± 1.5°K et l’émissivité avec ±0.015(Gillespie & et al., 1998). La méthode TES tente de compenser l’irradiance descendante réfléchie et d’estimer l’émissivité spectrale absolue (Dash & et al., 2002). L’algorithme repose sur une relation empirique entre le contraste spectral et l’émissivité minimale, déterminée à partir du laboratoire et l’émissivité du terrain pour équilibrer le nombre d’inconnues avec les mesures afin que l’ensemble des équations de Planck pour les radiances thermiques mesurées puisse être inversées. Le problème de base dans l’estimation de la température de surface Ts et l’émissivité ε,réside dans le fait que = 1 le calcul des données est non-déterministe ; il y a plus d’inconnues que de mesures parce qu’il y a une émissivité ε pour chaque bande en plus de la température Ts et les paramètres atmosphériques. Dans le cas d’un capteur avec N canaux, on a N équations (une pour chaque canal) pour résoudre le problème avec N+1 inconnues (les N émissivités plus la température de surface). Les radiances thermiques TIR varient à la fois avec la température T et l’émissivité ε qui doivent être récupéréesà partir des mesures.

Les températures de surface sont indépendantes de la longueur d’onde et peuvent être récupérées à partir d’une seule bande des données de radiance à condition que les caractéristiques atmosphériques puissent être spécifiées et que l’émissivité de surface soit connue. L’inversion de T et ε produit donc des valeurs sous-estimées ; il y a toujours au moins une inconnuede plus que le nombre de mesures. La séparation des données de T et ε à partir des radiances mesurées nécessite donc des informations supplémentaires déterminées indépendamment. La contrainte supplémentaire dans cet algorithme provient de la régression de l’émissivité minimale en fonction du contraste spectral calculée à partir des spectres de laboratoire. Au moins trois ou quatre bandes spectrales sont nécessaires pour mesurer le contraste dans les images. Donc il est nécessaire de faire des mesures multispectrales pour déterminer la température de surface. La méthode utilise des données corrigées des effets atmosphériques (la radiance qui quitte le sol et l’irradiance atmosphérique descendante) et une relation semi empirique déterminée à partir des spectres du laboratoire, entre l’émissivité minimum (εmin) et le contraste spectral (maximum– minimum différence, MMD). La relation semi-empirique entre εmin et MMD a été initialement calculée pour le capteur ASTER, avec 5 bandes thermiques dans la région entre 8 et 12μm, utilisant 86 spectres(Salisbury, 1995). Les avantages principaux de cette méthode sont les suivants:

Elle fournit simultanément la température et l’émissivité de surface – Elle est a priori applicable à tout type de surface naturelle (également applicable à des données de haute résolution spatiale pour la cartographie minérale). D’autre part, les principaux inconvénients sont les suivants: – Des corrections atmosphériques précises sont nécessaires et certains problèmes ont été trouvés grâce à la classification entre les pixels de contraste spectral faible ou élevé, ce qui provoque des discontinuités artéfacts dans les produits d’émissivité (Sobrino & et al., 2008).

L’algorithme TES n’est pas applicable à la plupart des capteurs opérationnels, car il nécessite au moins quatre bandes TIR situées dans les fenêtres atmosphériques. La méthode TES utilise trois modules successifs pour estimer Ts et LSE (Land-Surface d’émissivité) dans 5 canaux TIR d’ASTER (10 à 14). Elle repose sur l’équation de transfert radiatif appliquée à des données thermiques, dans laquelle la radiation au niveau du capteur pour la bande i est:

Développement de l’interface de calcul

La température de surface (plus exactement la température à l’interface sol-atmosphère communément appelée température de surface), étudié pourtant depuis plusieurs années, reste un paramètre difficile à extraire et à mesurer directement sur le terrain ; l’une des raisons principales est la difficulté de définir justement la surface.Cette complexité a poussé les équipes à créer leurs propres algorithmes qui ne sont pas toujours implémentés dans les logiciels de traitement numériques d’images satellitales. De ce fait, un utilisateur ne possédant pas forcément les bases physiqueset devant utiliser la température de surface pour des thématiques concernant le territoire se trouve démuni. Notre objectif principal dans ce travail est d’élaborer un outil pratique d’extraction de la température de surface, à partir d’images satellitales, et son exploitation dans le suivi de l’évolution du paysage. L’outil software à développer utilise un tcertain nombre d’algorithmes de calcul de la température de surface à partir des données satellitales.

Les différents algorithmes nécessitent de disposer d’un certain nombre de paramètres d’entrée (paramètres indépendants) pas toujours facile à déterminer et souvent non disponibles pour toute zone d’étude. Ils permettent par ailleurs d’obtenir en sortie d’autres paramètres (paramètres dépendants) pour calculer la température de surface. Tous ces algorithmes se présentent globalement sous la forme suivante:

Choix d’un langage de programmation

Le choix du langage est fortement lié à l’aptitude à manier des images, c’est à dire de disposer d’une bibliothèque de formats d’image, ceux utilisés dans de domaine de la télédétection qui intègrent une information de localisation. Cette information est :i) soit incluse dans le fichier image c’est à dire qu’elle est dans la structure de l’image ; c’est le cas des images de type:GEOTIFF, NAT, JP2, etc… ;ii) soit mise dans un fichier séparé mais dans le même workspace ; c’est le cas des images HDF ou le format natif d’ENVI (logiciel de traitement d’image de RSI). Au début nous avons concentrés nos efforts vers une solution libre, comme Java ou QT(C++), mais nous avons rencontrés quelques problèmes techniques, à titre d’exemple: la gestion des formats des images géoréférencées (geotiff, jpeg2000). Ces langages peuvent facilement gérer des formats d’image de type standard, c’est à dire des images non géoreférencées et non géocodées, mais exige une bibliothèque spéciale pour leur gestion. Notre choix s’est porté sur le langage IDL (Interactive Data Language)qui est un langage de programmation propriétaire développé à la fin des années 1970 au Laboratoire de Physique Atmosphérique et de l’espace (LASP) à l’Université du Colorado à Boulder ;il est rapidement monté en puissance dans le domaine de la télédétection, de l’astronomie et dumédical. Il offre des capacités intégrées de traitement d’images et de visualisation avec une interface graphique conviviale (IDL, 1999).

C’est un langage vectoriel de traitement de données et de visualisation très répandu dans l’industrie et dans la recherche actuellement détenu par EXELIS (Visual Information Solutions). Il offre un cheminement simple et rapide des données aux résultats. C’est un langage très concis qui manipule les images 2D ou 3D aussi simplement que des scalaires. Il dispose d’une bibliothèque très riche concernant la manipulation et le traitement des images que ce soit satellitaires ou médicales. Cette bibliothèque lit la majorité des formats de données (images) qui existent sur le marché (TIF, HDF, Dat, JPG, BPM, JPG2000.etc…). Il dispose aussi d’une bibliothèque spéciale de fonctions prédéfinies couvrant la majorité des fonctions de gestion et de calcul matriciel. IDL n’est pas puissant dans le design des interfaces homme-machine(IHM), mais il est suffisant pour créer des interfaces de communication avec les utilisateurs avec ce qu’il contient comme composantes visuelles (forme, bouton, radio bouton, menu, combo box, onglet). Il est aussi rapide dans l’exécution des programmes et ne nécessite pas un grand temps de compilation.

Conclusions et perspectives

Les principaux apports de cette thèse sont l’élaboration d’un outil pratique d’extraction de la température de surface, à partir d’images satellitales, et son exploitation dans le suivi de l’évolution du paysage. Nous avons développé un outil software qui utilise des algorithmes de calcul de la température de surface à partir des données satellitales à savoir la méthode du canal unique, split-window et TES. L’outil software intègre aussi des méthodes de calcul des différents paramètres d’entrée (paramètres indépendants) qui ne sont pas toujours facile à déterminer; et peuvent ne pas être disponibles pour toute zone d’étude. De même pour les paramètres de sortie (paramètres dépendants) permettant de calculer la température de surface par le biais de ces différents algorithmes. Nous avons mis à la disposition de l’utilisateur intéressé à la température de surface, une méthode de choisir l’algorithme d’estimation ainsi que les différentes données d’entrée. L’outil software offre les principales caractéristiques suivantes :

• Facilité de mise en oeuvre,

• Facilité de repérer rapidement les paramètres d’entrée requis par chaque algorithme d’estimation,

• Facilité d’analyser et de comparer la performance de ces différents algorithmes qui ont été appliqué pour les différents capteurs à bord du satellite,

• Facilité de Nous avons montre d’après le résultat de comparaison de certains paramètres d’entrée des algorithmes que cet outil offre des résultats acceptable par rapport à des résultats issus en utilisant le software ENVI.

La radiance au niveau du capteur Lsen ainsi que la température de surface Tsen a été calculée pour l’image Landsat ETM+ et ASTER en utilisant l’ENVI et notre programme. Le résultat de comparaison montre les mêmes valeurs, a différence après virgules avec une bonne corrélation entre les valeurs obtenues par les deux approches. De même le calcul de NDVI pour l’image ASTER et Landsat donne un résultat identiquequand on utilise notre outil et ENVI. De plus, le programme calcule aussi NDVI et diffère de ENVI qui demande d’avoir une image constituée au moins de deux bandes (R et IR). Notre outil accepte des bandes séparées. Pour le résultat de l’émissivité de surface, pour l’image Landsat les valeurs d’émissivités entre les deux méthodes (Emis-Class& Emis-Ratio) sont bien corrélées ; cela signifie que l’un ou Conclusions et perspectives 103 l’autre des algorithmes peut être appliqué indifféremment. La corrélation est très faible avec l’algorithme basé sur le seuil du NDVI ; cette comparaison réduit ainsi l’intervalle de choix mais ne permet pas, à elle seule, de finaliser le choix d’algorithme. Nous avons analysés le résultat de température de surface pour le même type d’image en utilisant les deux algorithmes du canal unique (QK&B et JM&S). Pour l’image Landsat les valeurs de température du sol obtenues par les deux algorithmes du canal unique appliquées à la bande 61 de l’image Landsat du 12-02-2002 sont fortement corrélées avec un coefficient de corrélation de 0.99. Pour l’image ASTER, les températures trouvées par l’algorithme du canal unique (SC-JM&S) en utilisant les deux types d’émissivité (Emis-Class& Emis_05) se rapprochent avec le produit de température AST_08.

Table des matières

Chapitre I Introduction générale
I.1. La température de surface – un paramètre clé pour de nombreuses applications
Chapitre II Techniques d’extraction de la Température de surface (Ts)
II.1. Presentation des méthodes
II.1.1. Contexte théorique
II.2. Les différentes méthodes de calcul de Ts
II.2.1. La méthode du canal unique
II.2.2. La méthode split- window
II.2.3. La méthode TES
II.3. Détermination des paramètres
II.3.1. Calcul de l’émissivité
II.3.2. Calcul de la température atmosphérique moyenne
I.3.3. Calcul des fonctions atmosphériques AFs
II.3.3. Calcul de la vapeur d’eau atmosphérique
A. La méthode SWCVR
B. La méthode LASTR
C. L’approche de Li (Li & et al., 2003)
D. L’approche de Sobrino (Sobrino & et al., 2003)
E. L’approche de Kaufman (Kaufman & Gao, 1992)
II.3.5. Détermination de la transmittance atmosphérique
Chapitre III Développement de l’interface de calcul
III.1. Introduction
III.2. Analyse des algorithmes choisis pour le développement de notre outil
III.2.1. La méthode du canal unique
III.2.2 La méthode Split-Window
III.2.3. La méthode TES
III.3. Les paramètres dépendants et indépendants dans les algorithmes
III.3.1. L’algorithme Qk&B
III.3.2. L’algorithme SCJM&S
III.3.3. L’algorithme Split-Window
III.3.4. L’algorithme TES
III.4. Présentation de l’interface
III.4.1. Impératifs et contraintes
III.5. Structure générale de l’interface
III.6. La programmation
III.6.1. Choix d’un langage de programmation
III.6.2. Choix d’une plateforme
III.6.3. Développement et implémentation
III.7. Exploitation
III.7.1. Présentation de l’interface utilisateur réalisée
III.7.2. Chargement des paramètres d’entrée et connexion à des bases de données externes
III.8. Traitements
III.8.1. Calcul de la Radiance et de la Température au niveau du capteur
III.8.2. Calcul du NDVI
III.8.3. Calcul de l’émissivité
III.8.4. Calcul de la vapeur d’eau atmosphérique
III.8.5. Calcul de la transmittance atmosphérique
III.8.6. Le module de calcul de la température de surface LST
Chapitre IV Résultats et interprétations
IV.1. Lazone d’étude
IV.2. Les données disponibles
IV.3. Comparaisons des résultats et justification
IV.3.1. Résultat de la radiance au niveau du capteur Lsensor
IV.3.2. Résultat du NDVI
IV.3.3. Résultat de l’émissivité
IV.3.4. Résultat de la température au niveau du sol et interprétation
A. L’algorithme du canal unique
B. L’Algorithme split-window
C. L’algorithme TES

Télécharger le rapport complet