Indices de bande
Les images en vraies couleurs, comme celles RVB que nous avons créées dans les sessions 2 et 3, sont une manière intuitive d’afficher les données spatiales telles qu’elles apparaissent à nos yeux. Cependant, les satellites capturent beaucoup plus de couches de données: leur portée s’étend en dehors du spectre visible. Nous pouvons également utiliser ces mesures pour effectuer différents types d’analyse de données.
Une technique d’analyse établie pour identifier des caractéristiques spécifiques du terrain, comme l’eau ou le sol nu, consiste à calculer un indice de bande.
Vidéo: indices de bande
Regardez la courte vidéo ci-dessous pour en savoir plus sur les indices de bande. Ensuite, lisez le texte ci-dessous pour plus de détails.
Télécharger les diapositives de la vidéo au format PDF
Qu’est-ce qu’un groupe?
Une section du spectre électromagnétique montrant certaines des bandes de Landsat 8. [Source]
Vous vous souvenez peut-être de la introduction aux produits satellitaires que la gamme de données acquises par un satellite est définie par ses bandes. Les bandes sont des subdivisions du spectre électromagnétique dépendant des capteurs du satellite.
Une sélection de bandes Landsat 8 et Sentinel-2 couramment utilisées est présentée dans le tableau ci-dessous. Nous pouvons voir que les plages spectrales entre Landsat 8 et Sentinel-2 sont similaires, mais pas les mêmes. Notez également que les numéros de bande ne correspondent pas toujours à la même plage spectrale.
Sources: Landsat 8 bandes, Sentinel-2 bandes
Bandes et caractéristiques du terrain
Différents types de couverture du sol absorbent et réfléchissent différentes quantités de rayonnement le long du spectre électromagnétique. Cela dépend des propriétés physiques et chimiques de la surface.
Par exemple:
Eau: Les plans d’eau ouverts reflètent généralement la lumière dans le spectre visible et absorbent davantage les infrarouges à ondes courtes que les infrarouges proches. Cela peut changer si l’eau est turbide.
Neige: La glace et la neige reflètent la plupart des radiations visibles, mais ne reflètent pas beaucoup les infrarouges à ondes courtes. Les mesures de réflectance dépendent de la taille des granules de neige et de la teneur en eau liquide.
Végétation verte: La chlorophylle, un pigment des plantes, absorbe une grande partie de la lumière visible, y compris la lumière rouge. Lorsque les plantes sont en bonne santé, elles reflètent fortement la lumière proche de l’infrarouge.
Sol nu: La composition minérale du sol peut être caractérisée en utilisant le spectre visible et proche infrarouge. La teneur en humidité du sol peut influencer considérablement les résultats.
En utilisant ces différences spectrales, nous pouvons calculer des rapports entre les bandes pour isoler et accentuer la caractéristique spécifique du terrain qui nous intéresse. Ces mesures sont connues sous le nom de rapports de bande ou indices de bande.
Note
En pratique, la variation au sein des classes d’entités de terrain, ainsi que la présence de plusieurs entités dans une zone, peuvent rendre différents types de couverture du sol difficiles à distinguer. C’est l’un des défis de l’analyse des données spectrales.
Exemple: Indice de végétation par différence normalisée (NDVI)
L’un des indices de bande les plus utilisés est l’indice de végétation par différence normalisée (NDVI). Il est utilisé pour montrer la présence de végétation verte vivante. En général, la végétation verte a une faible bande rouge, car la lumière rouge est absorbée par la chlorophylle. En plus de cela, les structures cellulaires saines des feuilles réfléchissent la lumière proche infrarouge, donnant une mesure de bande proche infrarouge (NIR) élevée.
Le NDVI est donc généralement calculé en utilisant la bande NIR et la bande rouge d’un satellite. Une valeur est calculée par pixel.
On voit que l’indice est calculé par la différence \((\text{NIR} - \text{Red})\) divisée par la somme \((\text{NIR} + \text{Red})\). L’indice est ainsi normalisé : toutes les valeurs seront comprises entre \(-1\) et \(1\).
De grandes valeurs de NDVI se produiront pour les pixels où NIR est élevé et rouge est faible. Inversement, le NDVI peut être proche de 0 ou même négatif lorsque le NIR est faible et le rouge est élevé. Cela signifie que nous interprétons le NDVI comme suit:
Mais qu’est-ce que la végétation verte ? L’US Geological Survey fournit un guide plus spécifique pour interpréter le NDVI.
Les zones de roche stérile, de sable ou de neige affichent généralement des valeurs NDVI très faibles (par exemple, 0,1 ou moins). Une végétation clairsemée telle que des arbustes et des prairies ou des cultures sénescentes peut entraîner des valeurs NDVI modérées (environ 0,2 à 0,5). Des valeurs NDVI élevées (environ 0,6 à 0,9) correspondent à une végétation dense telle que celle trouvée dans les forêts tempérées et tropicales ou les cultures à leur stade de croissance maximal.
Vous pouvez voir que même cette définition ne couvre pas de manière exhaustive tous les types de végétation. Il est important de se rappeler que l’analyse des données d’observation de la Terre est sensible à l’emplacement et à l’heure de l’ensemble de données. La nature des variations climatiques et environnementales à travers le monde, et même uniquement sur le continent africain, signifie que les indices de bande comme le NDVI doivent être interprétés avec les connaissances et le contexte de la zone.
Note
La normalisation des indices de bande afin que leurs valeurs se situent entre -1 et 1 donne une échelle relative qui permet une analyse des données plus facile. Les valeurs de l’indice peuvent être mieux comparées entre différents points de la zone d’analyse et entre les périodes.
Ci-dessous, nous avons deux parcelles d’une zone de distribution fluviale en Guinée-Bissau, un pays qui connaît des saisons de mousson. Nous constatons que la quantité de végétation détectée par NDVI fluctue avec le temps. L’image du haut montre le NDVI en avril, à la fin de la saison sèche. Les lectures de NDVI sont bien inférieures à celles de la même zone en novembre (image du bas), après plusieurs mois de pluie pendant la saison des pluies.
Notez que les images RVB peuvent montrer que certaines parties de la zone sont visiblement «sèches» ou «luxuriantes», mais dans les endroits où cela est moins évident, il est plus facile d’analyser le NDVI que le jeu de données RVB multispectral.
NDVI calculé à partir des données Sentinel-2 en Guinée-Bissau en avril 2018 (en haut à gauche) et en novembre 2018 (en bas à gauche). Les valeurs NDVI reflètent les tendances saisonnières typiques de manière quantitative.
Note
Nous voyons dans le tableau ci-dessus que les satellites ont des plages de bande légèrement différentes pour le même nom de bande (par exemple, « Red » pour Landsat 8 est légèrement différent de « Red » pour Sentinel-2). Cela signifie qu’ils produiront des valeurs d’indice de bande différentes même à peu près au même moment et au même endroit. Une bonne pratique consiste à ne comparer que des ensembles de données similaires.
Indices de bande dans la recherche
NDVI n’est qu’un exemple d’indice de bande utile. Il existe de nombreux autres indices de bande utilisés dans la recherche d’observation de la Terre pour identifier les caractéristiques du terrain. Le choix d’un indice de bande dépend souvent des conditions environnementales et du but de la recherche.
Végétation: Comme décrit ci-dessus, le NDVI est un bon indice de végétation de base. Il est simple à calculer, et ne nécessite que deux bandes - rouge et NIR. Cependant, l’indice de végétation amélioré (EVI) est souvent plus précis. L’EVI est calculé avec trois bandes - rouge, bleu et NIR - et nécessite quelques coefficients pour la mise à l’échelle.
Dans les régions arides, où la couverture végétale est faible, envisagez d’utiliser l’indice de végétation ajusté au sol (SAVI), qui intègre un facteur de correction de la luminosité du sol.
Urbanisation: Les établissements humains peuvent être identifiés grâce à des indices d’urbanisation, dont l’un est l’indice de différence de bâti normalisé (NDBI). Le NDBI utilise les bandes SWIR 1 et NIR :
\[\text{NDBI} \ = \ \frac{\text{SWIR 1} - \text{NIR}}{\text{SWIR 1} + \text{NIR}}\]Cependant, le NDBI peut être confondu entre les zones bâties et le sol nu, donc dans les régions arides et semi-arides où cela est problématique, il peut être préférable d’utiliser l’indice de sol sec et nu (DBSI).
\[\text{DBSI} \ = \ \frac{\text{SWIR 1} - \text{Green}}{\text{SWIR 1} + \text{Green}} \ - \ \text{NDVI}\]
Masses d’eau: La délimitation entre l’eau et la terre peut être définie en utilisant l’indice de différence d’eau normalisé modifié (MNDWI). Il est calculé à l’aide des bandes verte et SWIR 1 :
\[\text{MNDWI} \ = \ \frac{\text{Green} - \text{SWIR 1}}{\text{Green} + \text{SWIR 1}}\]Cela ne doit pas être confondu avec les indices de surveillance de la teneur en eau de la végétation.
Il est important de se rappeler que les indices de bande ne sont pas infaillibles; leur utilité repose sur une sélection d’indices appropriée et une interprétation sensée. Cependant, à mesure que le domaine de la télédétection se développe, les recherches en cours pour différencier les types de terrain avec différentes combinaisons de bandes donnent lieu à une analyse des données plus nuancée et plus précise. Par exemple, il est courant d’utiliser plus d’un index pour aider à distinguer les classes d’entités ayant des caractéristiques spectrales similaires.
Conclusion
Les indices de bande font partie intégrante de l’analyse des données spatiales et constituent une méthode efficace pour distinguer différents types de couverture terrestre. Dans les sections suivantes, nous calculerons le NDVI pour un composite sans cloud à l’aide du bac à sable.