Étude multi-temporelle de l’évolution des dépôts pyroclastiques

La méthodologie

En raison de l’absence de données calculées en 2015 excepté des résultats exploités  à partir de fichiers au format PDF, nous recalculerons les classifications supervisées de 2010 et 2011 puis nous réaliserons une comparaison de la classification supervisée orientée pixel avec la classification supervisée orientée objet faite en 2015 qui avait été complétée par les résultats de la méthode MNF (H. Zarate, 2015).
Ne pouvant pas appliquer la même méthodologie que celle utilisée en 2015, une nouvelle procédure d’exploitation des données a été mise en place.
La phase de préparation à la classification va permettre de réaliser les classifications supervisées pour les images allant de 2010 à 2014.

La classification supervisée

Résumé procédure de classification d’une image

L’organigramme présent sur la figure 3 permet d’illustrer la méthode utilisée pour réaliser la classification supervisée d’une image. Les grandes étapes sont numérotées de I à VI. Les opérations sont groupées en deux phases : la phase de préparation à la classification et la phase du processus de classification.

Correction de l’image

Les images satellitaires multi-spectrales sont composées des bandes rouge, vert, bleu, et proche infrarouge. Chaque pixel d’une image satellitaire est composé d’une information radiométrique et d’une information géométrique. Une fois l’acquisition satellitaire réalisée, il est nécessaire de procéder à des corrections atmosphériques et géométriques car les données sont soumises à des phénomènes d’humidité atmosphérique et de distorsion.

Correction géométrique

Des images n’ayant pas été ortho-rectifiées (image de 2010, 2011 et 2014), nous avons commencé par les corriger afin d’éliminer les altérations géométriques et garantir une superposition de chacune de nos images. Afin d’appliquer cette correction nous avons utilisé l’outil ENVI « RPC ortho rectification » permettant d’ortho-rectifier l’image en fonction du type de satellite utilisé. Cet outil va utiliser les métadonnées qui contiendront les informations permettant l’ortho-rectification à l’aide d’un modèle numérique de terrain (MNT).

Correction radiométrique

Sur les images citées précédemment, une correction radiométrique a été appliquée.
Cette correction consiste à obtenir les valeurs physiques utilisées en télédétection, c’est à dire la luminance et la réflectance à partir des comptes numériques des couleurs (valeurs de 0 à 255). Cette correction se décompose en deux étapes : la calibration et la correction atmosphérique.
La calibration permet de convertir les comptes numériques en valeur physique de luminance spectrale mesurée au niveau du capteur. Cette conversion utilise les valeurs de gain et de biais (gain and offset) fournis dans les métadonnées pour chaque bande spectrale.
Pour appliquer cette calibration, nous utiliserons l’outil « radiometric correction » du logiciel ENVI. La correction atmosphérique permet de supprimer la luminance due à l’atmosphère afin de pouvoir obtenir la réflectance au sol.

Extraction de la zone d’étude

Le choix de la zone d’étude consiste à découper l’image afin que celle-ci corresponde à notre zone de recherche. Ces images couvrant parfois une zone bien supérieure à notre zone d’étude, il est nécessaire d’en extraire la zone voulue afin d’optimiser les temps de calculs.
Cette zone d’étude sera ensuite séparée en sous-zones, pour faciliter l’analyse, correspondants aux domaines S, A, B, C et D.

Les masques

Afin d’éviter les confusions lors de la classification entre les espaces forestiers et la zone affectée, il est nécessaire de masquer la zone qui ne fait pas l’objet de l’étude en cours.
Pour pouvoir déterminer la limite entre la végétation et la zone affectée, nous appliquons une classification non supervisée sur l’indice NDVI par la méthode d’IsoData. L’outil IsoData sépare alors l’image d’entrée en faisant un calcul statistique sur les valeurs de l’image, la séparant automatiquement en plusieurs classes. Nous analysons alors les classes obtenues par la classification non supervisée, afin de déterminer les classes qui contiennent de la végétation et celles qui n’en contiennent pas. Nous fusionnons alors les classes selon l’interprétation précédente et nous obtenons ainsi un masque de la végétation.
Un autre élément à masquer lors de la classification est celui représenté par les nuages et leurs ombres. En effet, s’ils étaient pris en compte dans le calcul, ceux-ci pourraient entraîner des erreurs dans le calcul de la classification supervisée. Nous créons donc un masque manuel à l’aide de l’outil ROI entourant chacun des nuages et leurs ombres. Enfin, le dernier élément à masquer comprend les pixels NaN (Not a Number), que l’on peut généralement trouver sur les bordures de l’image sous la forme d’une bande noire. Une fois ces trois étapes accomplies, nous utilisons l’outil « Build mask », nous renseignons alors les différents éléments à masquer, c’est à dire : la végétation ou la zone affectée, les nuages et les pixels NaN.

Les algorithmes de classification utilisés

Le traitement de l’image par une classification supervisée permet de visualiser de manière plus claire les groupements de pixels d’une même classe.

La distance de Mahalanobis

La distance de Mahalanobis est un algorithme de classification. Elle est basée sur la corrélation entre des variables par lesquelles différents modèles peuvent être identifiés et analysés. C’est une manière utile de déterminer la similarité entre une série de données connues et inconnues. Cela permet de déterminer l’appartenance des pixels à chaque classe.
Le logiciel ENVI « suppose » que toutes les covariances sont égales. C’est une méthode de classification rapide de l’image dont tous les pixels sont classés en fonction des données d’apprentissage les plus proches. La distance de Mahalanobis va être calculée pour chaque pixel de l’image à l’aide de la formule suivante.

Estimation qualitative et validation de la classification

L’évaluation qualitative de la validité de la classification est une étape importante afin de déterminer l’efficacité des méthodes utilisées ainsi que la validité des résultats obtenus. Les méthodes de calcul des classifications supervisées se fondent sur des échantillons dits « d’apprentissage ». Afin de contrôler les calculs exécutés à l’aide de ces échantillons d’apprentissage, nous utilisons un jeu de données indépendant des échantillons utilisés, mais qui repose sur les mêmes critères de choix des classes. Ce jeu de données se nomme échantillon de contrôle.
Pour réaliser cette évaluation qualitative de la classification, nous procédons au calcul d’une matrice de confusion à l’aide des échantillons de contrôle. Le principe de cette matrice de confusion est de comparer les classes obtenues lors de la classification avec les échantillons de contrôle.
La matrice de confusion sera de taille n x n, avec n le nombre de classes utilisées pour la classification. Cela fournit alors un tableau à deux entrées, dont les colonnes sont les données des classes issues de la classification et dont les lignes sont les données des classes des échantillons de contrôle. Les valeurs, alors indiquées dans la matrice de confusion, correspondent aux occurrences des pixels de l’échantillon de contrôle, classées dans la classe indiquée par la colonne de la cellule. Nous avons donc une comptabilisation des pixels bien classés et des pixels mal classés des échantillons utilisés pour le test. Les pixels bien classés se situent dans la diagonale de la matrice. Pour calculer les matrices de confusion, nous utiliserons l’outil « Confusion Matrix Using ground truth ROI » d’« ENVI ».

Calcul du réseau hydrographique

L’analyse du réseau hydrographique

Le traitement des données précédentes nous permet de connaître la nature des dépôts à différentes périodes. Ces dépôts sont sujets à des évolutions liées aux phénomènes d’érosion et de dégradation qui sont en partie dus au réseau hydrographique. Dans la partie suivante, nous étudierons la procédure de calcul d’un réseau hydrographique à partir d’un MNT.

Le calcul du réseau hydrographique

Le calcul du réseau hydrographique s’effectue grâce à un MNT. Ce calcul se base sur les altitudes du MNT afin de déterminer le sens de l’écoulement en supposant que celuici se fonde sur le critère de la plus forte pente. L’accumulation et la géométrie de ces écoulements nous donnera alors un réseau hydrographique ou réseau de drainage. La figure 4 nous donne les différentes étapes permettant de calculer le réseau hydrographique à partir d’un MNT.
Un MNT contient des cellules nommées « dépressions ». Ce sont des cellules dont l’altitude est inférieure à celle des pixels voisins. Dans ces cas, l’écoulement ne peut pas s’effectuer et se retrouve piégé entre les cellules, nous obtenons alors un réseau discontinu.
Il est donc nécessaire de procéder à un remplissage de ces cellules. Ce remplissage se fera grâce à l’outil de QGIS « DEM fill ». Nous calculerons alors la direction de l’écoulement à l’aide de ce MNT rempli. Pour cela nous utiliserons l’outil « flow direction» qui nous fournira une image rastérisée de ces directions. Nous calculerons ensuite l’accumulation du flux dans chacune des cellules, qui équivaudra au poids de toutes les cellules situées en amont. Cette accumulation sera déterminée à l’aide de l’outil « Catchment Area». Enfin, grâce au résultat de l’accumulation des flux et du MNT, nous pourrons déterminer le réseau hydrographique. La figure 5 est un organigramme indiquant les outils utilisés et les étapes pour le calcul du réseau.

Validité de la méthodologie

Nous allons dans cette partie proposer une classification supervisée orientée pixel de l’image de 2010. Nous définirons ensuite les caractéristiques des différentes classes obtenues. Après validation de la classification par la matrice de confusion, nous réaliserons une comparaison de la classification supervisée orientée pixel avec la classification supervisée orientée objet réalisée par Thouret et al. (2015). Ce travail préparatoire a pour objectif de valider la classification supervisée orientée pixel qui sera notre image de référence.

Caractéristiques des différentes classes

Afin de justifier et de pouvoir détecter les classes déterminées, des critères spécifiques ont été déterminés pour chacune des classes. Ce tableau est organisé de la manière suivante : le domaine, qui correspond aux différentes zones déterminées (A, B, C ou D). L’unité est la zone située dans un domaine. L’identifiant est déterminé par le logiciel ENVI lors de la classification. Cette colonne contiendra aussi les couleurs associées à chacune des classes. Le nom de la classe nous fournit un nom correspondant à la classe. Les caractéristiques et les critères, qui contiennent la couleur, la régularité (dépôt homogène ou hétérogène) et le grain (fin ou grossier) de l’élément selon l’interprétation de l’image. Et enfin, la définition proposée en télédétection est l’interprétation en télédétection des classes complète les critères avec une définition générale.

Calculs et interprétations

Classifications supervisées

Correction d’images

Nous avons appliqué une correction géométrique aux images de 2010, 2011 et 2014.
Les images de 2011 et de 2014 possédaient toutes les informations dans leurs métadonnées, permettant à l’aide d’un MNT de les ortho-rectifier automatiquement. Ce travail a été réalisé à l’aide du logiciel « ENVI ».
Nous avons rencontré des obstacles concernant l’image de 2010. Cette image étant l’image de référence elle était la plus importante. Il était impératif de procéder à sa correction. Cependant le format de cette image étant un ancien format de partage de données, les métadonnées ne possédaient pas les informations permettant le calcul de l’orthorectification par le logiciel « ENVI ». N’ayant accès qu’aux logiciels « ENVI » et « QGIS », nous ne pouvions procéder à une ortho-rectification correcte de cette image. Nous avons donc, à l’aide de « QGIS », utilisé les images ortho-rectifiées des autres années et sélectionné des points d’appuis qui ont permis d’appliquer des altérations géométriques à l’image de 2010.

Les régions d’intérêts

Détermination des régions d’intérêts (ROI)

Dans un premier temps, les ROIs ont été déterminés par l’interprétation visuelle des images. Pour chacune des images, nous avons construit un tableau récapitulatif des critères et des définitions générales des classes déterminées.
Les annexes 2, 6, 8, 10, 12 (tableaux des critères de sélection des classes) mettent en évidence les variations des classes sur la période de 2010 à 2014. Si les différences sont très importantes entre l’image de 2010, prise juste après l’éruption, et sept mois plus tard sur l’image de 2011, nous avons pu néanmoins observer une certaine continuité lors de la détermination de ces classes sur les images de 2011 à 2014 qui suggère une évolution des dépôts et une recolonisation végétale apparemment plus lente. Il peut être observé des variations telles que le changement d’ordre sur la présence du réseau hydrographique ou l’apparition et la disparition de certaines classes.
A chacune des classes a été associée une couleur. On peut ainsi suivre plus facilement l’évolution des classes dans les tableaux des classifications de 2011 à 2014. Pour suivre l’évolution des classes de 2010 à 2011, il est nécessaire de passer par le tableau d’évolution du fait des nombreux changements survenus.

Calcul des classifications supervisées

Après avoir déterminé les différentes classes et vérifié leurs séparabilités nous avons procédé aux calculs des classifications des images. Les images 2010 et 2011 seront entièrement classées. Cependant, l’image Pléiade de 2012 ne pourra pas faire l’objet d’une excellente classification. En effet cette image est couverte de nuages sur la majorité des zones B, C et D, nous avons donc préféré utiliser l’image QuickBird de 2012 qui a été prise à une date antérieure à l’image Pléiade. Les images Quickbird de 2012 et 2013 ne comportent que les zones S, A et la partie supérieure de la zone B. Les études des images de 2012, 2013 et 2014 se porteront donc uniquement sur ces zones.

Classification des dépôts

La figure 10 nous permet de réaliser une comparaison des résultats produits par une classification produite par la distance de Mahalanobis et celui d’une classification produite par l’utilisation de l’outil Neural Net.

Interprétation des résultats : analyse de l’évolution

Analyse de l’évolution des dépôts

Grâce aux classifications supervisées (annexes 1, 5, 7, 9, 11), il nous est possible de faire une première analyse de l’évolution. Lors de l’observation du segment A, qu’il est possible d’analyser de 2010 à 2014, nous pouvons observer entre l’image de 2010 et l’image de 2011 des résultats qui changent considérablement. Cependant, nous avons une apparente continuité entre les images de 2011 à 2014, les caractéristiques des classes choisies présentent des changements plus subtils. Si nous étudions la classe RL3 (ruissellement et lahars) représentant les dépôts remobilisés et de lahars sur les interfluves entre la vallée Gendol et la vallée Opak, nous pouvons observer que cette classe qui est très présente en 2011 occupe une surface qui diminue avec le temps. On peut prendre comme autre exemple la classe Lahars 1 de 2011, d’une couleur jaune ternis. Cette classe se convertit en classe RL4, cette classe disparaît ensuite en 2014 à cause de l’extraction des dépôts de la vallée Opak. En effet les ruissellements deviennent plus concentrés et se dirigent petit à petit vers des chenaux qui se sont ravinés dans les dépôts. La figure 16 montre un extrait des résultats des classifications de 2010 à 2014.

Analyse de l’évolution de la végétation

Pour chaque année, nous avons calculé sur une même zone la surface occupée et la surface non-occupée par la végétation afin d’évaluer le taux de recolonisation de la végétation. Nous avons fait un premier calcul afin de déterminer l’évolution entre 2010 et 2011. L’image satellitaire de 2010 ne couvrant pas la zone S à cause des nuages produits par le volcan, nous avons calculé la surface recolonisée sur l’ensemble des zones A, B et C en pourcentage.
Afin de calculer cette surface, nous avons utilisé les masques de la végétation produits à partir de l’indice NDVI, délimitant la zone couverte de végétation de la zone non couverte. Ces masques ont été convertis en un format vectoriel à l’aide de l’outil de conversion de QGIS afin de calculer les surfaces.
Nous avons obtenu une recolonisation de la végétation sur 48% de la surface dévastée en 2010 entre 2010 et 2011. Cependant, lorsque nous observons l’évolution de la végétation en 2011, cf. annexe 5, la majorité de cette recolonisation végétale se trouve dans le segment A. La végétation a très rapidement recolonisé la surface couverte par les dépôts de déferlante de 2010 d’une faible épaisseur de quelques dizaines de cm au plus (cf, cronin et al, 2013).
De plus, les dépôts situés sur les rebords de la vallée Gendol sont du type « écoulements de blocs et de cendres », rendant la recolonisation plus lente. Nous avons ainsi calculé que la recolonisation en 2011 du domaine A fût de 67,34% de la surface affectée, tandis que nous avons une recolonisation de 6,85% dans les segments B, C et D.
L’image Pléiade de 2012 étant grandement couverte de nuages, nous n’avons pas pu faire un calcul correct de la surface non recolonisée. Nous avons donc utilisé l’image
QuickBird qui ne contient que les parties S, A, et la partie supérieure de la zone B. L’étude de l’évolution de la végétation s’est donc menée sur le segment A et la partie supérieure du segment B. La recolonisation de la végétation sur la partie commune à l’ensemble des images, peut être étudié avec les extraits de la figure 17.

Conclusion

L’objectif de ce TFE consistait à étudier l’évolution des conséquences de l’éruption du volcan Merapi ayant atteint un VEI de rang 4. Parmi ces évolutions nous souhaitions étudier les dépôts pyroclastiques, le réseau hydrographique ainsi que la végétation. Pour ce faire nous avons mis en place un programme ordonné de la procédure de classification, traitant l’ensemble des images par la même méthode.
Il a été déterminé après comparaison avec la classification supervisée orientée objet de 2015 que la classification supervisée orientée pixel utilisant Neural Net donne des résultats comparables et parfois meilleurs. Il a cependant été observé des inconvénients à cette méthode sur la détection des bâtiments à partir de 2013, que la classification supervisée orientée objet aurait pu résoudre.
Une méthodologie a été mise en place afin de calculer le réseau hydrographique à partir des MNT. Ce calcul a permis d’obtenir un réseau hydrographique en 2011 et 2013.
Cependant après observations du réseau calculé, de l’image associée et comparaison avec les études faîtes en 2015, nous avons conclu qu’il était possible et utile de le compléter en le dessinant. Enfin, nous avons étudié l’évolution de la végétation grâce à des calculs surfaciques et déterminé un pourcentage de recolonisation par rapport à 2010 sur chaque année.
L’ensemble de ses données calculées a été utilisé afin de déterminer et compléter des tableaux d’évolutions selon des critères caractéristiques semi-quantitatifs de ce qui s’est développé entre deux années.
Nous avons eu un problème majeur concernant l’image de 2010. Les données de l’image étaient sous un ancien format et les métadonnées incomplètes. Nous n’avons donc pas pu l’ortho-rectifier. Cependant cette image est la plus importante car elle permet de calculer les dépôts pyroclastiques issus de l’éruption, peu de temps après l’évènement. Nous avons donc appliqué des altérations géométriques sur l’image afin qu’elle puisse se superposer et se comparer aux années suivantes. Ce résultat est cependant imparfait.
Il aurait été intéressant d’avoir à notre disposition deux images par année, une au début de la saison des pluies et une à la fin de la saison des pluies. Nous aurions ainsi pu avoir un facteur d’évolution de la végétation plus juste en fonction des saisons sèches et humides.
Il serait intéressant à l’avenir de calculer, entre la classification d’une année n et d’une année n+1, l’évolution des classes entre elles même. Nous pourrions ainsi observer comment se comporte la classe en calculant un pourcentage d’évolution de la classe de l’année n sur toutes les classes l’année n+1. Il serait ainsi aisé de déterminer comment évolue un dépôt pyroclastique. Nous pourrions, après avoir fait le calcul des classifications supervisées, utiliser une base de données avec un logiciel tel que PG admin afin d’automatiser une grande partie de la procédure d’évolution. En utilisant une base de données il serait possible d’automatiser les calculs surfaciques et la détermination des paramètres ce qui permettrait de compléter automatiquement un tableau d’évolution.
Les résultats des études abordées au cours de ce TFE permettront d’analyser de manière multi-temporelle et semi-quantitative les dépôts pyroclastiques. La mise en place de la procédure simplifiera considérablement les analyses futures. Cette procédure pourrait s’appliquer dans d’autres domaines tels que la déforestation ou les feux de forêt.

Table des matières
Remerciements 
Liste des abréviations
Glossaire 
Table des matières 
Introduction
I LE CONTEXTE
I.1 PRESENTATION DU VOLCAN MERAPI
I.2 PRESENTATION DES DONNEES
I.2.1 Les images satellitaires
I.2.2 Les MNT
I.3 ETAT DE L’ART
I.4 LES OBJECTIFS
II LA METHODOLOGIE
II.1 LA CLASSIFICATION SUPERVISEE
II.1.1 Résumé procédure de classification d’une image
II.1.2 Préparation à la classification
II.1.2.1 Analyse des données
II.1.2.2 Correction de l’image
II.1.2.3 Extraction de la zone d’étude
II.1.2.4 Calcul des indices
II.1.2.5 L’empilement des bandes : le « layerstacking »
II.1.3 Classification de l’image
II.1.3.1 Création des classes
II.1.3.2 Les masques
II.1.3.3 Les algorithmes de classification utilisés
II.1.3.4 Estimation qualitative et validation de la classification
II.2 CALCUL DU RESEAU HYDROGRAPHIQUE
II.2.1 L’analyse du réseau hydrographique
II.2.1.1 Le calcul du réseau hydrographique
II.2.1.2 La classification du réseau hydrographique
II.3 VALIDITE DE LA METHODOLOGIE
II.3.1 Classification orientée pixel de 2010
II.3.2 Caractéristiques des différentes classes
II.3.3 Validité de la classification par la matrice de confusion
II.3.4 Comparaison du résultat de la classification orientée pixel et objet
II.4 LES TABLEAUX D’EVOLUTION CONTEXTUELLE
II.4.1 Le type de couverture végétale
II.4.2 L’utilisation du sol
II.4.3 Le système de pentes
II.4.4 Les formes de relief et la position géomorphologique
II.4.5 L’ordre des drains formant le réseau hydrographique
II.4.6 La géométrie du réseau hydrographique
II.4.7 Les processus d’érosion
II.4.8 Les actions anthropiques
III CALCULS ET INTERPRETATIONS
III.1 CLASSIFICATIONS SUPERVISEES
III.1.1 Correction d’images
III.1.2 Les régions d’intérêts
III.1.2.1 Détermination des régions d’intérêts (ROI)
III.1.3 Calcul des classifications supervisées
III.1.3.1 Classification des dépôts
III.1.3.2 Classification de la végétation
III.1.3.3 Bilan des matrices de confusion des classifications supervisées
III.2 CALCUL ET ANALYSE DES RESEAUX HYDROGRAPHIQUES
III.3 INTERPRETATION DES RESULTATS:ANALYSE DE L’EVOLUTION
III.3.1 Analyse de l’évolution des dépôts
III.3.2 Analyse de l’évolution de la végétation
III.3.3 Bilan des tableaux d’évolution contextuelle
Conclusion
Bibliographie 
Table des annexes
Annexe 1 Classification supervisée Neural Net du volcan Merapi : 15 novembre 2010
Annexe 2 Tableau des critères de sélection des classes en 2010
Annexe 3 Matrice de confusion de la classification supervisée de 2010
Annexe 4 Tableau contextuel de 2010
Annexe 5 Classification supervisée du Merapi : Image GeoEye-1, 11 juin 2011
Annexe 6 Tableau des critères de sélection des classes en 2011
Annexe 7 Classification supervisée du Merapi : Image QuickBird, 12 juillet 2012
Annexe 8 Tableau des critères de sélection des classes en 2012
Annexe 9 Classification supervisée du Merapi : Image QuickBird, 28 août 2013
Annexe 10 Tableau des critères de sélection des classes en 2013
Annexe 11 Classification supervisée du Merapi : Image QuickBird, 6 août 2014
Annexe 12 Tableau des critères de sélection des classes en 2014
Annexe 13 Réseau de drainage observé sur l’image GeoEye-1 du 11 juin 2011
Annexe 14 Tableau de rappel des critères d’évolution
Annexe 15 Tableau d’évolution de 2010 à 2011
Annexe 16 Tableau d’évolution de 2011 à 2012
Annexe 17 Tableau d’évolution de 2012 à 2013
Annexe 18 Tableau d’évolution de 2013 à 2014
Liste des figures
Liste des tableaux

Télécharger le rapport complet