Etudier l’état de l’environnement à l’aide d’images satellites « Sentinelles » et de QGIS

Vous avez des images satellites pour étudier des états physiques de la biosphère, comme celui de la végétation, des eaux continentales, ou encore de la neige et de la glace, mais vous ne savez pas quels indices utiliser, ni comment les utiliser ? Ou bien vous aimeriez comprendre comment et où obtenir des images satellitaires et quels paramètres pourraient vous être utiles ?

Alors cet article invité est fait pour vous !

Afin de vous présenter des calculs d’indices à l’aide de QGIS et d’images satellites « Sentinelles », j’ai le plaisir d’accueillir Hervé Parmentier dans cet article invité ! Géomaticien, Cartographe et Géographe, notre invité travaille dans la Recherche au sein de l’ENS de Lyon, sur des thématiques liant l’étude de l’environnement et les SIG.

Après une présentation des images satellites « Sentinelles » et des méthodes pour les obtenir et les utiliser, Hervé nous présente un peu plus en détail le calcul de trois indices : NDVI, NDMI et NDWI. Ces calculs sont notamment illustrés avec leurs mise en œuvre et leurs résultats obtenus au sein de QGIS. Enfin, vous pourrez découvrir en fin d’article, de nombreux autres usages possibles des images satellites  « Sentinelles ».

Bonne lecture !

Vous pourriez aimer

ajout couche données WMS WFS QGIS

Vecteur et Raster : quelle différence ?

Au sommaire de cet article :

 

Cet article vous est proposé par : 

Hervé PARMENTIER

Hervé PARMENTIER

École normale supérieure de Lyon

Géomaticien / Cartographe / Géographe

 

 

Que représentent les images « Sentinelles » ?

Les images « Sentinelles » constituent le volet spatial du programme Copernicus de l’Union européenne. Copernicus (anciennement GMES acronyme de Global Monitoring for Environment and Security) met à disposition six services :

  • la surveillance des terres ;
  • la surveillance du milieu marin ;
  • la surveillance de l’atmosphère ;
  • le changement climatique ;
  • la gestion des urgences ;
  • les services liés à la sécurité.

 

Satellite Sentinelle 2

Source : Rama, Cc-by-sa-2.0-fr

Les satellites « Sentinelles »

Pour réaliser ces missions, Copernicus utilisent plusieurs générations de satellites financés sur différents contrats et lancés à plusieurs périodes différentes :

  • Tout d‘abord les satellites héliosynchrones Sentinelles-1A : lancé le 3 avril 2014 et Sentinelle-1B : 25 avril 2016 pour une durée de sept ans, embarquant un C-SAR, radar à synthèse d’ouverture en bande C et chargé d’étudier le sol, les océans, le traitement de l’urgence, l’atmosphère, la sécurité et le changement climatique.
  • Puis les satellites Sentinelles-2 qui fournissent l’imagerie optique haute résolution permettant l’observation des sols (utilisation des sols, végétation, zones côtières, fleuves, etc.) ainsi que le traitement des situations d’urgence (catastrophes naturelles…). Le premier exemplaire a été placé en orbite en juin 2015 et le deuxième en mars 2017.
  • Les satellites Sentinelles-3 fournissent des données optiques, radar et altimétrique sur les océans et continents. Le lancement du premier satellite Sentinelles-3 était prévu fin 2017.
  • Enfin, Sentinelles-5 est un instrument spatial qui doit mesurer les concentrations de gaz à l’état de trace et des aérosols présents dans l’atmosphère terrestre. La mission Sentinelle-5 Precursor collecte des données utiles pour évaluer la qualité de l’air, notamment les concentrations de : ozone, méthane, formaldéhyde, aérosol, monoxyde de carbone, oxyde d’azote et dioxyde de soufre.

Quelques éléments de définitions :

  • Bande spectrale : étendue de longueur d’onde à laquelle est sensible un capteur de satellite.
  • Longueur d’onde : une des composantes du rayonnement électromagnétique avec la fréquence, caractérisant la distance entre deux crêtes successives d’une onde mesurée en nanomètres ou micromètres, ou centimètres.
  • Répétitivité : fréquence de passage au-dessus d’une même zone géographique (également appelée capacité de revisite ou répétitivité) et qui varie d’un satellite à l’autre.
  • Résolutions d’une image satellite : ce sont des caractéristiques fondamentales des images de télédétection qui s‘expriment doublement en résolution spectrale (capacité de distinction des rayonnements électromagnétiques de fréquences différentes) et en résolution spatiale (taille de la zone / surface sur la Terre couverte par un pixel). Pour en savoir plus sur les résolutions des images satellitaires : https://eo.belspo.be/fr/les-images-de-teledetection.

Nous nous attacherons dans cet article principalement à utiliser des images Sentinelles-2, satellite ayant une répétitivité de 5 jours.

La mission fournit des prises de vue dans 13 bandes spectrales, avec des résolutions variant de 10 à 60 mètres par pixel, selon les canaux sélectionnés.

Ces satellites répondent bien aux problématiques de suivi d’occupation des sols, aux risques naturels et aux impacts anthropiques : inondations, incendies, glissement de terrain…

Mais au préalable nous allons passer en revue les principaux serveurs d’imageries Sentinelles.

Où télécharger des images Sentinelles ?

Les sources principales d’imagerie Sentinelle

1. DINAMIS : 
Le Dispositif Institutionnel National d’Approvisionnement Mutualisé en Imagerie Satellitaire – (DINAMIS) est une plate-forme d’acquisition et de diffusion de données spatiales d’observation de la Terre dédiée aux utilisateurs institutionnels français et étrangers.

Le dispositif et les services DINAMIS (Source image : DINAMIS)

2. EO Browser : 

EO Browser permet de parcourir et de comparer des images en pleine résolution de toutes les collections de données. Les images Sentinelles y sont bien représentées et facile d’accès.

Des traitements on-line y sont aussi proposés : vraies et fausses couleurs, NDVI, moisture index, SWIR, NDWI…

Accès au site : https://apps.sentinel-hub.com/eo-browser/

L’interface d’analyse d’image on-line d’EO browser.

3. DIAS : 
Les serveurs d’accès du programme COPERNICUS : les Dias, ou services d’accès aux données et à l’information : https://www.copernicus.eu/fr/acces-aux-donnees/dias Cinq plateformes basées sur le cloud DIAS permettent aux utilisateurs de découvrir, manipuler, traiter et télécharger des données et des informations Copernicus.

Les cinq plateformes Dias de Copernicus (Source images : Copernicus)

Les modes d’emploi d’accès aux données

1. DINAMIS : 

Pour le « Dispositif Institutionnel National d’Approvisionnement Mutualisé en Imagerie Satellitaire » – (DINAMIS), les étapes sont les suivantes :

  1. Créer un compte : https://dinamis.data-terra.org/creation-de-compte/
  2. Se connecter au catalogue : https://dinamis.data-terra.org/catalogue/
  3. Sélectionner et télécharger ses images pour un demande en archive, sinon passer commande par l’accès Théia : https://ids.equipex-geosud.fr/49

 

2. EO Browser : 

Pour EO Browser, une fois enregistré et l’application ouverte dans votre navigateur, il suffit de sélectionner avec l‘outil de délimitation géométrique une région d‘étude, puis d’utiliser le curseur main pour se déplacer et la molette de la souris pour le zoom.

La sélection finale s’effectue sous la session du compte personnel, puis l’image peut être téléchargée.

 

3. DIAS, du programme COPERNICUS : 

En revanche pour l’accès au DIAS chaque accès est conditionné par une inscription préalable puis des conditions de sélection et collecte particulières.

Voici quelques indications de serveurs appréciés pour leur simplicité, les options de paramétrage de sélection de données, la richesse de choix en données (Dates, capteurs…) :

Tutoriel QGIS : calculer des indices de végétation avec des images Sentinelles

Utiliser des images Sentinelles dans un projet scientifique ?
Exemples avec le calcul d’indice de végétation et d’autres calculs d’indices

En télédétection, les indices font partie des méthodes de traitement que l’on appelle les transformations multispectrales. Ils consistent à convertir les luminances mesurées au niveau du capteur satellitaire en grandeurs ayant une signification dans le domaine de l’environnement.

La thématique de ce tutoriel sera centrée sur une partie de l’espace indien subhimalayen et orientée vers des études hydrologiques et de couvertures végétales rivulaires, appelée aussi ripisylve.

Définition – Une ripisylve est « l’ensemble des formations boisées, buissonnantes et herbacées présentes sur les rives d’un cours d’eau, d’une rivière ou d’un fleuve, la notion de rive désignant le bord du lit mineur (ou encore lit ordinaire, hors crues) du cours d’eau non submergée à l’étiage. » (Source)

 

Le matériel utilisé mobilise des images Sentinelles 2A, niveau 2a, sur l’Inde avec pour objectif de mesurer diverses d’indices comme le NDVI, le NDWI, ou encore SWIR…

Nous prendrons successivement en cas d’étude d’une image 2017-02-24 sur la zone d’étude sur le Brahmapoutre. Ce cas pourrait être par exemple comparé à une autre image, comme l’image Sentinelle L2a 2021-02-08 en suivant la méthodologie qui va suivre.

Calcul NDMI - QGIS

Image Sentinelle L2a 2017-02-24

Calcul NDMI - QGIS

Image Sentinelle L2a 2021-02-08

Pour le logiciel SIG et traitement d‘image nous avons le choix mais resterons sur l’usage de QGIS 3.16.7 environnements Windows.

Rappels sur les résolutions, les longueurs d’onde et les propriétés des bandes d’une image Sentinelle 2A

Le NDVI (Normalized Difference Vegetation Index) ou indice de végétation

Le NDVI (Normalized Difference Vegetation Index) ou indice de végétation, est construit à partir des canaux rouges et proche infrarouge.

Il met en valeur la différence entre la bande visible du rouge et celle du proche infrarouge pour mettre en valeur l’intensité des espaces chlorophylliens.

NDVI – Formule band math :

(B8-B4) / (B8+B4)

Saisir la formule du calcul d’indice NDVI dans la calculette raster de QGIS

Ouvrir le menu Raster de QGIS  -> Calculette raster.

Afficher les bandes raster dans l’ordre de la formule de 1 vers 2.

Pour formuler (B8-B4) / (B8+B4), je vais choisir les bandes T45RJ………_B04@1, puis et T45RJ………_B08@1.

La sélection des bandes entre guillemet est automatique, reste à appliquer la saisie des opérateurs et des parenthèses comme suit :
(« …B081 » – (soustraction) « …B041 »), divisé (barre de fraction : /) par , (« …B081 » + (addition) « …B041 »)

NB : Les parenthèses doivent être au bon endroit et strictement respecter la syntaxe de la formule (parenthèses, opérateurs et opérandes)

Résultat obtenu dans QGIS par calculette raster du NDVI

QGIS – Exemple d’un résultat de calcul NDVI

Sur ce résultat, en clair proche du blanc apparaissent les espaces en eau et les bancs sédimentaires, puis des dégradés de vert clair au foncé représentent la végétation : plus la teneur chlorophyllienne est forte, plus la végétation prend une teinte foncée.

Attention cette variation de teinte ne renseigne pas forcement sur strates de végétations, mais plus sur leur capacité d’adaptation et de résilience.

Egalement, l’indice de végétation par différence normalisé est un indice simple mais efficace pour quantifier la végétation verte.

C’est une mesure de l’état de santé de la végétation basée sur la façon dont les plantes réfléchissent la lumière à certaines longueurs d’onde.

La plage de valeurs du NDVI est de -1 à 1. Les valeurs négatives du NDVI (valeurs proches de -1) correspondent à l’eau. Les valeurs proches de zéro (-0,1 à 0,1) correspondent généralement à des zones stériles de roche, de sable ou de neige. Les valeurs faibles et positives représentent les arbustes et les prairies (environ 0,2 à 0,4), tandis que les valeurs élevées indiquent les forêts pluviales tempérées et tropicales (valeurs proches de 1).

Résultat NDVI obtenu dans EO browser par calcul automatisé sur plateforme cloud

Eo Browser – Exemple d’un résultat de calcul NDVI

Le résultat est approchant du calcul NDVI sous QGIS, avec toutefois des contrastes plus marqués pour les tresses en eau, les bancs de graviers et de sédiments, les végétations pionnières, la végétation de basse altitude, et les zones forestières de relief montagneux en vert foncé.

L’indice d’humidité différentiel normalisé (NDMI) ou moisture index

L’indice d’humidité différentiel normalisé (NDMI) ou « moisture index » en anglais, revient à évaluer la teneur en eau de la végétation et à surveiller les sécheresses. Il complète bien le NDVI.

La plage de valeurs du NDMI est comprise entre -1 et 1.

NDMI – Formule band math :

(B8A – B11) / (B8A + B11)

Saisir la formule du calcul d’indice NDMI dans la calculette raster de QGIS

Expression de la calculette raster de QGIS :

Résultat NDMI dans QGIS après modification de la symbologie

QGIS – Exemple d’un résultat de calcul NDMI

Dans ce résultat NDMI dans QGIS, en gradients de bleu apparaissent les espaces les plus humides (le bleu foncé représentant le fleuve Brahmapoutre et ses tresses et dans le coin sud-ouest une zone humide.

Plus le gradient tire vers le jaune en passant par le vert, plus les espaces considérés sont secs et dénuées d’humidité relative et absolue, donc en stress hydrique.

Les valeurs négatives du NDMI (valeurs proches de -1) correspondent à un sol stérile. Des valeurs proches de zéro (-0,2 à 0,4) correspondent généralement à un stress hydrique. Des valeurs élevées et positives représentent une canopée élevée sans stress hydrique (environ 0,4 à 1).

Résultat NDMI dans EO browser par calcul automatisé sur plateforme cloud

Eo Browser – Exemple d’un résultat de calcul NDMI

Sur cette image issue de Eo Bower, le NDMI est nettement plus marqué que dans QGIS et permet notamment des analyses plus fines en zone montagneuses et une extension visible de la plaine d’inondation.

Le NDWI (Normalized Difference Water Index), indice d’eau de différence normalisé

Le NDWI (Normalized Difference Water Index), indice d’eau de différence normalisé est le plus approprié pour la cartographie des masses d’eau.

Les valeurs des masses d’eau sont supérieures à 0,5. La végétation a des valeurs plus petites. Les fonctions intégrées ont des valeurs positives comprises entre zéro et 0,2.

NDWI – Formule band math :

(B3 – B8) / (B3 + B8)

Saisir la formule du calcul d’indice NDWI dans la calculette raster de QGIS

Expression de la calculette raster de QGIS :

Résultat NDWI avec Qgis 3.16.7

QGIS – Exemple d’un résultat de calcul NDWI

Sur cette première image du calcul NDWI à partir de QGIS, le réseau hydrographique principal ressort très nettement, et les affluents du Brahmapoutre, bien que moins visibles se détachent.

Le contraste obtenu est correct faisant apparaitre les chenaux principaux et secondaires du Brahmapoutre.

Résultat NDWI dans EO Browser

Eo Browser – Exemple d’un résultat de calcul NDWI

Sur cette seconde image du calcul NDWI à partir de EO Browser, le choix imposé de symbologie en légende rend moins bien que celle de QGIS, le contraste étant moins net notamment pour les affluents et la distinction des primautés des chenaux du Brahmapoutre.

Autres usages possibles des images Sentinelles

En dehors des opérations sur calculette raster, il existe d’autres combinaisons de bandes utiles à connaître de type additif.

L’affichage en vraies couleurs :

Addition des bandes (B) à 10 m : B4 + B3 + B2.

Le composite de couleurs vraies utilise des bandes de lumière visible rouge, verte et bleue dans les canaux de couleur rouge, vert et bleus correspondants, ce qui donne un produit de couleur naturelle, qui est une bonne représentation de la Terre telle que les humains la verraient naturellement.

L’affichage en fausses couleurs :

Addition des bandes (B) à 10 m : B8 + B4 + B3.

Le composite en fausses couleurs utilisant le proche infrarouge, les bandes rouges et vertes est très populaire (une bande est une région du spectre électromagnétique ; un capteur satellite peut imager la Terre dans différentes bandes).

Le composite en fausses couleurs est le plus souvent utilisé pour évaluer la densité et la santé des plantes, car les plantes réfléchissent le proche infrarouge et la lumière verte, tandis qu’elles absorbent le rouge. Les villes et les sols exposés sont gris ou beige, et l’eau apparaît bleue ou noire

Le SWIR (Short-Wave Infrared) :

Addition des bandes (B) composites : B12 + B8A + B4.

Les mesures infrarouges à ondes courtes (SWIR) peuvent aider les scientifiques à estimer la quantité d’eau présente dans les plantes et le sol, car l’eau absorbe les longueurs d’onde SWIR. Ces longueurs d’onde sont également utiles pour distinguer les types de nuages (nuages d’eau contre nuages de glace), la neige et la glace, qui apparaissent en blancs dans la lumière visible.

Dans ce composite, la végétation apparaît dans des tons verts, les sols et les zones bâties sont dans diverses nuances de brun et l’eau apparaît en noir. Les terres nouvellement brûlées se reflètent fortement dans les bandes SWIR (dommages causés par les incendies), ainsi que la géologie des roches selon la lumière infrarouge SWIR réfléchie.

Indice de neige par différence normalisée (NDSI) :

Addition des bandes (B) composites : (B3 – B11) / (B3 + B11).

L’indice de différence de neige normalisé Sentinel-2 peut être utilisé pour différencier les nuages de la couverture neigeuse, car la neige absorbe la lumière infrarouge à ondes courtes, mais réfléchit la lumière visible, alors que les nuages sont généralement réfléchissants dans les deux longueurs d’onde. La couverture de neige est représentée en bleu vif.

Indice de construction de différence normalisée (NDBI-Normalized Difference Built-up Index) :

Addition des bandes (B) : (B12 – B8) / (B12 + B8).

L’indice de construction de différence normalisée (NDBI) décrit la densité de construction de toute zone géographique. Le NDBI est calculé comme un rapport entre l’infrarouge à ondes courtes (SWIR) et le proche infrarouge (NIR).

En bref : avantages et limites de l’utilisation des images sentinelles

En guise de conclusion, nous pouvons dire que la combinaison des bandes spectrales des images Sentinelles 2 des méthodes de traitement que l’on appelle les transformations multispectrales, présentent une richesse et des potentialités variées dans le « monitoring » physique de la surface terrestre continentale compte tenu de leur résolution spectrale et spatiale, de leur répétitivité ainsi que de leur fréquence d’acquisition.

En hydrologie particulièrement, ces images permettent à la fois des calculs d’index, le monitoring des débits (SWAT), le calcul de métriques (longueur, largeur, périmètre et d’aire à des échelles locales.)

Cependant certaines difficultés peuvent être soulignées lors des acquisitions en raison de la multiplicité des sources d’approvisionnement en images Sentinelles, et aussi de la complexité de certains paramètres de recherche.

Enfin, « Les avancées conceptuelles et opérationnelles à l’œuvre dans le secteur privé proposent des plateformes gérées par des opérateurs spécialisés dans la production de données massives, comme Google Earth Engine, ou le réseau européen Earth Intelligence et Planetary Health Intelligence avec 5 plateformes d’exploitation des données Copernicus. Ils permettent la production de bilans géospatialisés à différentes échelles, avec des modélisations des stocks et des flux de ressources accessibles en temps quasi-réel» (H. PARMENTIER et Al.)

Pour aller plus loin

Bibliographie, sitographie indicative

P. DUSSEU, E. MICHEL, A. AIRIAUD, T. GUYET, H. NICOLAS, P. PATTIER « Utilisation des données satellites Sentinel-2 pour quantifier la production d’herbe et de biomasse ». Journées AFPF – Prairies et Fourrages 2.0 – 24 & 25 mars 2021.

DOBRINIĆ, D.[Dino], GAšPAROVIĆ, M.[Mateo], MEDAK, D.[Damir], Sentinel-1 and 2 Time-Series for Vegetation Mapping Using Random Forest Classification: A Case Study of Northern Croatia, RS(13), No. 12, 2021.

A. FAVRO, Utilisation des données satellites pour la détection des impacts du ruissellement intense au sol. Sciences de l’environnement. 2019. ffhal-02609685f.

H. Parmentier, B. Belletti, Université de Lyon, Laboratoire EVS-UMR5600, ENS de Lyon Images « Sentinel-2 et exemples d’usages en géomorphologie fluviale », Conférence francophone SIG live ESRI, 14/10/21 : https://sig2021.esrifrance.fr/programme/60fadf872656954f053d22e0

Télédétection pour l’observation des surfaces continentales. Collection : Écologie – Environnement, série coordonnée par Nicolas Baghdadi, IRSTEA Mehrez Zribi, CESBIO ; ISTE Edition, France, Décembre 2016-Janvier 2017.

V. Wawrzyniak, B. Räpple, K. Michel, H. Parmentier, A. Couturier, H. Piégay. Analyse multi-temporelle des marges fluviales fréquemment inondées à partir d’images satellites Pléiades, October 2014, Revue Française de Photogrammetrie et de Télédétection 208(208):69-75

Auteur de l’article : 

Hervé PARMENTIER

Hervé PARMENTIER

École normale supérieure de Lyon

Géomaticien / Cartographe / Géographe    

Un petit coup de pouce ?

Cet article vous a plu et vous pensez qu’il pourrait être utile à quelqu’un d’autre ? Partagez le sur vos réseaux grâce aux boutons juste en dessous ! Merci !