L’apport de la télédétection pour la des surfaces

L’apport de la télédétection pour la caractérisation des surfaces végétales et la

modélisation de leur fonctionnementmodélisation de leur fonctionnement

Rémi Lecerf – INRA EMMAH

Stage "Eléments de télédétection depuis l'espace" Rennes, 22 ‐ 26 novembre 2010

La télédétection est l'ensemble des connaissances et techniques utilisées pourLa télédétection est l ensemble des connaissances et techniques utilisées pour déterminer des caractéristiques physiques et biologiques d'objets par des mesures effectuées à distance, sans contact matériel avec ceux‐ci.

Le rayonnement électromagnétique au centre du fonctionnement des plantesy g q p

La végétation à la surface du globe

C hi d d’ i d l à l’é h ll l b lCartographie des types d’occupation du sol à l’échelle globale

GLC2000

Shrub Cover, closed-open, deciduous (Examples of sub-classes at reg. level *: (i) sparse tree layer)

Herbaceous Cover, closed-open (Examples of sub-classes at regional level *:(i) natural, (ii) pasture, (iii) sparse trees or shrubs)

Sparse Herbaceous or sparse Shrub Cover

GLC Global Class (according to LCCS terminology)Tree Cover, broadleaved, evergreen

LCCS >15% tree cover, tree height >3m(Examples of sub-classes at regional level* :closed > 40% tree cove; open 15-40% tree cover)

Tree Cover, broadleaved, deciduous, closed Regularly flooded Shrub and/or Herbaceous CoverCultivated and managed areas

(Examples of sub-classes at reg. level *:

(i) terrestrial; (ii) aquatic (=flooded during cultivation), and under terrestrial: (iii) tree crop & shrubs (perennial), (iv) herbaceous crops (annual), non-irrigated, (v) herbaceous crops (annual), irrigated)

Mosaic:

Cropland / Tree Cover / Other natural vegetation

Tree Cover, broadleaved, deciduous, closed Tree Cover, broadleaved, deciduous, open(open 15-40% tree cover)

Tree Cover, needle-leaved, evergreenTree Cover, needle-leaved, deciduousTree Cover, mixed leaf typeTree Cover, regularly flooded, fresh water (& brackish)

Tree Cover, regularly flooded, saline water, Cropland / Tree Cover / Other natural vegetationMosaic:

Cropland / Shrub or Grass Cover Bare Areas

Water Bodies (natural & artificial)

Snow and Ice (natural & artificial)

Artificial surfaces and associated areas

(daily variation of water level)

Mosaic:

Tree cover / Other natural vegetation Tree Cover, burntShrub Cover, closed-open, evergreen

(Examples of sub-classes at reg. level *: (i) sparse tree layer)

Télédétection et végétation : la modélisation

La végétation n’est pas homogène à la surface du globe : différences de structures, de composition biochimique

Quelles interactions entre le rayonnement électromagnétique et la végétation ?Interactions avec les feuillesInteractions avec les couverts

C déli l f i d é é élédé i ?Comment modéliser le fonctionnement des couverts végétaux par télédétection ?Quelle démarche ?Quel type de modèle ?

Quelles variables est‐il possible de mesurer à l’aide d’images de télédétection ?

Comment valider l’information acquise par télédétection ?

1 Rappels

Plan

1. RappelsLes mesures de télédétectionInteractions entre rayonnement électromagnétique et matièreLa photosynthèseLes modèles de transfert radiatif : Principes de la modélisation

2. Interactions entre le rayonnement électromagnétique et les surfaces végétales Propriétés optiques des feuillesPropriétés des couvertspPropriétés optiques des sols

3 Les modèles de transfert radiatif3. Les modèles de transfert radiatifUn modèle de transfert radiatif des feuilles : le modèle PROSPECT Les différents types de modèles de couvertUn modèle de transfert radiatif des couverts : le modèle SAILUn modèle de transfert radiatif des couverts : le modèle SAILLa combinaison de différents modèles

4 L’inversion des modèles de transfert radiatif

Plan

4. L’inversion des modèles de transfert radiatifLes réseaux de neuronesL’optimisationLes LUTIncertitudesApport d’information à priori

5. Comparaison avec des indices de végétationConception d’indicespRelation avec des variables biophysiques

6 La validation terrain6. La validation terrainPhotographies hémisphériquesL’instrumentation

7. Exemples d’applicationAgriculture de précisionPhé l i i iPhénologie et suiviExtraction de variables sur les sols avec un capteur hyperspectralModèle de culture et assimilation

Rappels : Réflectance/Luminance

Le signal (ou REM) est modifié au contact d’objets (de molécules). Dans le cas de l’observation de la terre, le REM est modifié par :

‐ l’atmosphère

‐ les surfaces terrestres

Luminance : Rayonnement émis par une surface dans une direction donnée (W.m².str‐1.µm‐1)(W.m .str 1.µm 1)

Réflectance en haut de l’atmosphère (TOA) = Luminance enregistré par le capteur / R t i id t h t dRayonnement incident en haut de l’atmosphère

Réflectance au sol (TOC) = Luminance au sol / Rayonnement incident

Données satellitales

(Ω Ω x y t λ)ρ(Ωv,Ωs,x,y,t,λ)

(μm)0.4 0.7 2 4

PIR MIR

LatitudeRésolutionGéométrie

(μm)

BandesDate

d’acquisition

InformationInformation InformationInformationspatialedirectionnelle spectraletemporelle

Rappels : L’atmosphère

Les fenêtres atmosphériques

Absorption et réflexion du REM par l’atmosphère dans certaines longueurs d’ondes

Rappels : Absorption/Réflexion/Transmission

D=Diffusion

A=AbsorptionA=Absorption

E=Emission

T=Transmission

R=RéflexionR Réflexion

Absorption (Absorptance α) : modifie l’énergie interne de l’objet. L’énergie absorbée est transformée en chaleur produisant à son tour une émission de REM

Réflexion (Réflectance ρ) : rapport entre l’énergie réfléchie et l’énergie reçuRéflexion (Réflectance ρ) : rapport entre l énergie réfléchie et l énergie reçu

Transmission (Transmittance τ) : rapport entre l’énergie transmise et l’énergie reçue

Diffusion : Dispersion aléatoire du rayonnement électromagnétique par les particules composants l’atmosphère

Indice de réfraction

Absorption et diffusion sont décritspar l’indice de réfraction complexe du milieu (N)

AbsorptionDiffusion

p p ( )

P ti i i iN = n + iK

Partie imaginairePartie réelle

1-µm10020 <<dn

Indice de réfractioncomplexe

é d

µm1.002.0 <<λd

é d Dépendance spectraleforte

Dépendancespectralefaible

Diffusion

• Elle dépend de– la partie réelle de l’indice de réfraction

– la taille des particules

• Elle est définie par la fonction de phase Φ(g)– = probabilité de diffusion dans une direction donnée par l’angle de

phase (g) entre direction d’incidence et de visée

∫ =Φπ4

1)( dgg

θθg=phase angle = acos( cos(θs).cos(θv)

θvθs

φ

Principalplane

g + sin(θs).sin(θv).cos(φ))

φ

Processus de diffusion

Type of scattering Relative diameter

Spectral dependance

Phase function Elements

Rayleigh π

λ

. ,D

n<

0 6 τ(λ)=τ(λo)(λ/λo)

-4 symetrical Molecules (Water, atmosphere, …)

Volume λ n (Water, atmosphere, …)scattering Mie 5

0 6< <

π

λ

. ,D

n τ(λ)=τ(λo)(λ/λo)

-1 forward Aerosols

Surface reflection/refraction

π

λ

. D> 5 ρ(λ)≈ρ(λo) θs=θv / n1.sinθs=n2.sinθr Leaf or background facets

Diffusion de Mie : Lorsque la taille des molécules est supérieure à la longueur d’onde. L’onde électromagnétique est diffusée dans un sens préférentiel

Diffusion de Rayleigh : Lorsque la taille des molécules est inférieure à la longueur d’onde. L’onde électromagnétique est diffusée dans toute les directions.

Rayleigh

Mie

R>λ

r<λ r≈λ

Rappels : Le REM et les surfaces terrestres

Exemple de spectre de sol et de végétation

La photosynthèse

Littéralement : synthèse réalisée à l’aide de l’énergie lumineuseLittéralement : synthèse réalisée à l aide de l énergie lumineuse

Les principaux chloroplastes contenues dans les cellules d’une feuille :Chlorophylle (vert) : Chlorophylle a et bChlorophylle (vert) : Chlorophylle a et bCaroténoïdes (jaune‐rouge) : β‐carotènes et xanthophylles

Les chloroplastes absorbent certaines radiations dites actives pour la photosynthèse ( la lumière, domaine visible : de 400 nm à 700 nm)

026 x C02

Réduction dechlorophylle

6 x H OC6H1202

Réduction de CO2

Réactions Biochimiques

Réactions photochimiques

6 x H2O (Glucose)

Processus principaux pour la biosphère

Production primaire,

Transferts de chaleur et d’eauTypes de processus VariableType de végétation Type de couvertPhénologie LAI(t)

LAI (fleurs)LAI (fleurs)SénescenceStructure

Interception fAPARd t LAI ( t)

Photosynthèse

du rayonnement LAI (vert)Structure

Photosynthèse Chlorophylle Matière sècheX h h ll

CO2, O2, H2O

Allocation

Sénescence

XanthophylleRespiration (canopy) LAI

CompositionDécomposition Humidité du sol

CO2, N, O2, H2O Respiration

Matière OrganiqueComposition

Transfert hydrique fCoverLAI

Décomposition litière

Type de SolHumidité du solTextureResidus

Les variables du couvert d’intérêt et observablesBiophysical variable Process models

Data preprocessing

Reflectance Acronym Spectral calibration

Rayleigh (O2)

Atmospheric correctionaerosol

Water column

Cloud fraction Preprocessing steps

Canopy variables

Albedo Energy balance

fCover fCover Many

fAPAR fAPAR PhotosynthesisfAPAR fAPAR Photosynthesis

LAI LAI Many (all)

Senescent fraction Phenology

Leaf variables Chlorophyll Cab Photosynthesis, nitrogen cyclecontent

Other pigments Photosynthesis, phenology

Carotenoids Car Photosynthesis

B i t C Ph l tBrown pigments Cbrown Phenology, stresses

Water content Cw (Assimilation)

Dry matter content Cdm Photosynthesis, nitrogen cycle

Background Residues fraction ErosionBackground variables

Residues fraction Erosion

Soil moisture Water balance, assimilation

Organic matter

Canopy functioningSoil type

Texture

Snow cover Snow studies

Snow type

La démarche générale de la modélisation des surfaces végétales

Compréhension des phénomènes physiquesDu rayonnement électromagnétique par la matière (Absorption, Diffusion)

CartographieDe la composition Biochimique, Modélisation des propriétés optiques

M déli ti d

Biochimique, des caractéristiques architecturales…

Modélisation des propriétés optiques des éléments (cellule, feuille, sol)

Modélisation des propriétés optiques

Des couverts végétaux, atmosphère océansatmosphère, océans

Inversion des modèles

Mesure du signal(différentes échelles)(différentes échelles)

1 Rappels

Plan




Interactions entre le rayonnement électromagnétique et les surfaces végétales

Les surfaces végétales se décomposent en trois éléments‐ Les feuilles

g

‐ L’architecture des couverts végétaux ‐ Les sols

Au niveau de la feuille les principales variablesPhotosynthèse

Au niveau de la feuille, les principales variables en interaction avec le rayonnement électromagnétique :

‐ les pigments (chloroplastes)

CO2, O2, H2O

Allocation

Sénescence

‐ les pigments (chloroplastes)‐ la teneur en eau‐ la matière sèche‐ la structure

CO2, N, O2, H2O Respiration

la structure‐ l’angle d’observation

Décomposition litière

Structure de la feuille


Epiderme supérieur

Parenchyme palissadique

Parenchyme lacunaire

Epiderme inférieur( t t )(stomates)

Source : Jacquemoud, 2002



Propriétés optiques typiques d’une feuille verte

From Jacquemoudq

Teneur en chlorophylle


Teneur en eau


Elementary absorption processes

Atomic Absorption Molecular Absorption

electronic transitions Vibration & rotation

.(Rotation)Vibration

η= .heL

Vis‐NIR domain SWIR‐TIR domain High energy Low energy

Absorption par les pigments

Chlorophyll a 0 07

0.08

Chl aChlorophyll aChlorophyll bCarotenoidsXanthophylls

0.06

0.07

(m2.

mg-

1) Chl bChl cPSCPPC

Xanthophylls

0 04

0.05co

effic

ient

0.03

0.04

abso

rptio

n c

Transitions électroniques

0 01

0.02

Spe

cific

aélectroniques

0

0.01

400 450 500 550 600 650 700 750400 450 500 550 600 650 700 750

Wavelength (nm)

Effet d’une variation de teneur en pigments

Source : Jacquemoud

Absorption par les matériaux foliaires

10.0000Brown pigmentsDry matter

1.0000

)

Dry matterChlorophyll and carotenoidswater

0.1000

on (

cm²/

g

0.0100

Abs

orpt

io

0.0010

A

0.0001

400 900 1400 1900 2400400 900 1400 1900 2400

Wavelength (nm)

Composition biochimique détaillée

70

80

m²/

g

60

70

cie

nt

(cm

ProteinC ll l

40

50

n c

oe

ffic CelluloseHemicelluloseStarchSugar

30

40

bso

rptio

n SugarLignin

10

20

eci

fic A

b

0

10

1200 1400 1600 1800 2000 2200 2400

Sp

e

1200 1400 1600 1800 2000 2200 2400Wavelength (nm)

Composition biochimique détaillée

Source : Jacquemoud , 1992

Influence de la structure des feuilles

Différences possibles entre faces

1

nce)

1

nce)

0.6

0.8

ansm

ittan

0.6

0.8

ansm

itta

0.4

0.6

ce, (

1-T

ra

0.4

0.6

ce, (

1-T

ra

0.2

Ref

lect

anc

0.2

Ref

lect

anc

500 1000 1500 2000 25000

Wavelength (nm)

R

500 1000 1500 2000 25000

Wavelength (nm)

R

Tilleul Lierre

Différences entre les surfaces d’une même feuille

0.1

Low

er) 0.1

-Low

er)

0.15

0.2

Low

er)

0

ance

(U

pper

-L

0

tanc

e (U

pper

-

0.05

0.1

ance

(U

pper

-L

-0.1

Del

ta R

efle

cta

-0.1

Del

ta T

rans

mitt

-0.05

0

Del

ta A

bsor

ba

500 1000 1500 2000 2500-0.2

D

Lambda (nm)500 1000 1500 2000 2500

-0.2DLambda (nm)

500 1000 1500 2000 2500-0.1

D

Lambda (nm)

Différences liées à

– La surface (rugosité, pilosité)

– La distribution de la chlorophylle

– La structure

Variation de la structure anatomique

Nervure

M iMais Tournesol

Propriétés directionnelles d’une feuille

D’après Bousquet (2007)

Incidence à 5° et 45°

Contribution à l’absorption

Coefficients spécifiques d’absorption Contribution à l’absorptionp q p

Très faible contribution dans les feuilles fraîches(masquage par l’absorption de l’eau)

Réflectance des couverts végétaux

La réflectance dépend :

– Des propriétés optiques des éléments qui le composent (sol, feuilles, troncs, tiges, fleurs, …..)

– De la quantité de chacun des éléments présents dans le couverts

– De la façon dont ces éléments sont assemblées les uns par rapport aux autres pour former le couvert (architecture)

Réflectance typique d’un couvert végétal

Développement du couvert :Développement du couvert :

– Augmentation dans le PIR (effetde la végétation augmente)g g

– Diminution dans le R (effet du sol diminue)

Sénescence du couvert :

– Diminution de la végétation

– Modification de ses propriétéstioptiques

Effet de la quantité d’éléments


Effet de la quantité d’éléments

• Spectres de réflectance d’uncouvert de betterave pourdifférents indices foliaires ou LAI

• LAI = surface de feuilles par m² deLAI = surface de feuilles par m desol horizontal

Géométrie de mesure

θvθsPlanPrincipal

φ

Principal

BRDF: Bi‐directional Reflectance Disribution Function

i é Di ti l Hé i hé iviséeincidence

Directionnel Hémisphérique

Directionnel Bi-directionnel Hemispherique-directionnel

Hémisphérique Diectionnel-hémisphérique

Bi-hémisphériquep q

Effet de l’angle d’observation


Effet de l’angle d’observation

nir0.60.6

nir

0 4

0.5

0 4

0.5

ctan

ce 0.3

0.4

Ref

lect

ance Hot-spotHot-spot

SpecularSpecular

0.3

0.4

Ref

lect

ance Hot-spotHot-spot

SpecularSpecularReflec

•Ombrage0.1

0.2SpecularSpecular

0.1

0.2SpecularSpecular

red

•Ombrage•Contraste entre sol/feuilles•Diffusion multiple

Zenith View angle (principal plane)

0

-90 -45 0 45 90

0

-90 -45 0 45 90

Zenith View angle (principal plane)

Géométrie de mesure

Exemple de mesures directionnelles

‐60° ‐45° hot spot nadir view +22° +45° +60°

TOA radiance at sensor atmospheric visibility = 40 km 660 nm, 730 nm, 840 nm

Modèle simple de BRDF

)()()( ϑϑϑϑϑϑ fkfkkR ),,(),,(),,( 22110 ϕϑϑϕϑϑϕϑϑ inoutinoutinout fkfkkR ++=

Très efficaces pour corriger des effets directionnels et calculer l’albédo

Généralement 3 coefficients (par bande) sont suffisants

Importance potentielle de la BRDFpour l’estimation de la structure du couvert

Case wavebands viewing geometry # inputs1 450 645 835 1665 nm θ θ = 0° | φ = 0° 51 450, 645, 835, 1665 nm θs θv 0 | φv 0 52 450, 645, 835, 1665 nm θs | φv θv = [0°; 20°; 50°] 13

3 450, 645, 835, 1665 nm θs | φvθv = [-50°; -20°; 0°; 20°;

50°] 21

Problème potentiel : nécessite une bonne description (modèle) de la structure du couvertProblème potentiel : nécessite une bonne description (modèle) de la structure du couvert Pour exploiter la BRDF: demande en général de l’information supplémentaire

Sensibilité au contenu en protéines

18%

6%

18%

36%

Peu d’espoir d’estimer le contenu en protéines au niveau du couvert …

Réflectance typique de sol

0.8

0.6

0.7

0.5

lect

ance brown soil

bright soilsandpeat

0.3

0.4

Ref

l

0 1

0.2

0.5 1 1.5 2 2.50

0.1

l th ( )wavelength (µm)

Facteurs de variation: type de sol

0.60

#9

0.50 #1#8

#2

#9 Sols clairssableux

0 30

0.40

an

ce

#6

#7

0.20

0.30

Re

flec

t

#4 #3

#5

Terreaux

0.10

#0 Sols plutôtArgileux

0.00

400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

Wavelength (nm)

Type de sol

Whiting et al, 2003

Profondeur du pic d’absorption à 2200nm relié au contenu en argile

Effet des propriétés optiques des éléments

Pour un sol sombre, la réflectance du couvert végétal dépend des propriétés optiques des feuilles

Principaux absorbants

Absorption peak (nm)

Organic matters References

400 ; 440 ; 450 Fe Palacios & Ustin, 1998; Gaffey et al., 1993 400 :500 Humic acids Stoner & Baumgardner (1981); Mathews (1973) 550 Fe Hunt 1971 620 :700 Humic acids Stoner & Baumgardner (1981); Mathews (1973) 700 ; 870 ; 900 Fe Hunt, Salisbury, 1971; Karmanov, 1970; Stone 1979 970 H20 Irons et al., 1989 1000 Fe++ Hunt & Salisbury, 1970 1200 H20 Stoner & Baumgardner, 1981; Irons et al., 1989 1201 Lipid Ben Dor et al., 1997 1203 Lipid, cellulose Ben Dor et al., 1997 1250 gypsum (OH) Prost et al, 1983; Bowers & Smith, 1972; Lindberg & Snyder 1972 1358; 1367 Cellulose, lignin, starch Ben Dor et al., 1997 1400 ; 1450 H20 Irons et al., 1989 1465 Cellulose, lignin, starc, -pectin Ben Dor et al., 1997 1582 Cellulose, starc, -pectine Ben Dor et al., 1997 1600 Cellulose Murray & Williams, 1988 ; Daughtry, 2001 1726 cellulose, lignin, starch, lipid, humic acids Ben Dor et al., 1997 1750 gypsum (OH) Prost et al, 1983; Bowers & Smith, 1972; Lindberg & Snyder, 1972 1761 cellulose, lignin, starch, lipid, humic acids Ben Dor, et al., 1997 1769 cellulose, lignine, starch Ben Dor et al., 1997 1770; 1900 H20 Stoner & Baumgardner, 1981; Irons et al., 1989 1932 cellulose, lignin, glycan, starch, pectin, lipid, humic acids Ben Dor, Inbar, Chen, 1997 1950 H20 Escadafal, Girard, Courault, 1988 2068 ; 2111 cellulose, glycan, pectin Ben Dor, et al., 1997 ; Murray & Williams, 1988 ; Daughtry, 20012142 ; 2169 starch, lignin, lipid, polyphenol Ben Dor, et al., 1997 2193 protein Ben Dor, et al., 1997 2200 Al-OH Stoner & Baumgardner, 1981; Palacios & Ustin, 1998 2300 Mg-OH Pieters & Eglerts, 1993; Roush et al., 1993 2309 Humic acid, lipid, starch Ben Dor, et al., 1997 2331 cellulose, lignine, glycan Ben Dor, et al., 1997 2337 pectine, protein Ben Dor, et al., 1997

Granulométrie

Effet de la taille des grains

0 6

0.7

0.5

0.6

700nm

0.4

ctan

ce

900nm

0 2

0.3

refl

ec

0.1

0.2

0

0 100 200 300 400 500

Grain size (µm)

Facteurs de variation: granulométrie

Humidité

B ki t l 2004Bogrecki et al, 2004

Facteurs de variation : humidité

0.25

A

0.35

0.2

A

B

CD

0.25

0.3A

B

Sol sec

0 1

0.15

Re

flec

tan

ce

D

E

0.15

0.2

Re

flec

tan

ce

C

0.05

0.1R

0 05

0.1

R

D

Sol saturé

0

300 800 1300 1800 2300

0

0.05

300 800 1300 1800 2300

W avelength (nm)W avelength (nm)

Coefficient d’absorption de l’eau

103

102

m-1

)

I0

0

101

on c

oeffi

cien

t (cm

It

x

10-1

100

wat

er a

bsor

ptiot

xkt weI

t .−==

10-2

Kwe

It

0

600 800 1000 1200 1400 1600 1800 2000 2200 240010

-3

wavelength (nm)wavelength (nm)

Facteurs de variation: humidité

Réflectance relative =R/Rsec

Existence d’un point critiqueExistence d’un point critique pour les plus fortes humidités

Faibles niveaux d’humidité:Absorption et diffusion

Forts niveaux d’humidité:Surtout effet de la diffusion

Performances de l’estimation de l’humidité de surface

Matrix of RMSE400 0.1

Matrix of RMSE400

Reflectance Absorbance

600

800

10000.08

0.09600

800

1000

Calibration Calibration

vele

ngth

(nm

)

1200

14000.06

0.07

vele

ngth

(nm

)

1200

1400

Wav 1600

1800

2000 0.04

0.05

Wav 1600

1800

2000

400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

2200

2400

0.02

0.03

400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

2200

2400Validation Validation

Wavelength (nm)400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

Wavelength (nm)400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

Interest of derivatives or at least using bands relatively close together

R1834 ‐R1836R*1944

RMSE=0.083 RMSE=0.080

R2250 ‐R2062A1628 ‐A1630

RMSE=0.064 RMSE=0.076

Estimation d’autres constituants

From Udelhoven et al., 2000 at laboratory level

Effet de l’angle d’observation sur les sols

a: sol argileux très rugueuxg g

b: même sol argileux très lisse

D’après Jacquemoud et al

1 Rappels

Plan




Description du modèle PROSPECT

Is Effets de surface

Rh

Couche élémentaire:n: Indice de réfraction

Ncouches

n: Indice de réfractionK: Coefficient d’absorption

couchesindentiques

Flux hémisphériques

K k Ci ii

= ∑ ThCoefficient d’absorption:

Coefficientd’absorptionspécifique

Contenu enMatériauxabsorbants

i

Coefficients d’absorption spécifiques des feuilles


Contribution à la transmittance des feuilles

CabCwCdmStructure (N)

Source : Jacquemoud, 2002D’après Pavan, 2001

Fonctionnement du modèle PROSPECT

Cab

Is

Rh

Couche élémentaire:

Effets de surface

CwCdmCar

Ncouchesindentiques

Couche élémentaire:n: Indice de réfractionK: Coefficient d’absorption

Flux hémisphériques

RéflectanceAbsorptionTransmittance

Structure (N)

Modélisation du transfert radiatif d’un couvert végétal

Simplifiée RéalisteSimplifiée Réaliste

Surface foliaireInclinaison foliaire

Surface foliaireInclinaison foliaireT ill l i d f illTaille relative des feuilles Taille relative des feuillesForme des feuillesDensité de plantesDiamètres des couronnesDiamètres des couronnes…

Source : Pinty et al. 2001

Les différents types de modèles de transfert radiatif

Comparaison de performances

0.60.6

0.5 RM SE=0.038891

odel

0.5 RM SE=0.038891

odel

0.3

0.4um

Mo

0.3

0.4um

Mo

0.2

dM

ediu

0.2

dM

ediu

0.1

Tur

bid

0.1

Tur

bid

0 0.1 0.2 0.3 0.4 0.5 0.60

3D Reflectance Model0 0.1 0.2 0.3 0.4 0.5 0.6

0

3D Reflectance Model3D Reflectance Model3D Reflectance Model

Modèle turbide à 4 flux

Es Eo

dL

o

E+

E

fl d d d ( l l)

E-

• Es = flux direct descendant (s=soleil)

• Eo = flux direct montant (o=observation)

• E‐ = flux diffus descendant

• E = flux diffus montantE+ = flux diffus montant

Modèle turbide à 4 flux

• On regarde les différentes combinaisonsOn regarde les différentes combinaisons

– Réflexion/transmission

– Flux descendant/montantn(level,way,direction,inter_sol,inter_veget)

=number of photons (radiance)Flux descendant/montant

– Flux direct ou diffus

=number of photons (radiance)level: b=bottom; t=topway: ‐ = downward; + = upwarddirection: θs=sun direction; θv=view direction;

h=hemispheric interaction order (inter_sol, inter_veget):

0: no interaction1: 1 interaction only≥1: one or more interactions

Rc=ρso+τssτoo.Rs +((τss.Rs+τsd.Rs).τdo+(τsd+τss.Rs.ρdd).Rs.τoo)/(1‐Rs.*ρdd)4 fluxc ρso ss oo s (( ss s sd s) do ( sd ss s ρdd) s oo)/( s ρdd)

Black soilterm

Soil interaction term

approximation

Le fonctionnement du modèle SAIL

LAI

Es EoE

LAIAngles d’observationsAngles solairesAngle d’inclinaison des feuilles Réflectance, absorptance,

dL E+E-

Angle d inclinaison des feuillesHot SpotRéflectance des feuillesRéflectance des sols

, p ,transmittance du couvert

Réflectance des sols

Le couplage des modèles

Le flux radiatif enregistré par les capteurs dépend du l

Atmosphere

couplage entre

Atmosphere: Pression, Aérosol, absorption gazeuse

couplage

Vegetation

(H2O, O2, CO2, O3)

VegetationVegetation: Structure, composition, propriétésoptiques

couplageSol

Sol: rugosité, texture, structure, humidité et composition.

Un modèle de milieu turbide: SAIL

LAI,,θl, hot-spotθs, θv , ϕ

Sun & viewdirections

θs, θv , ϕ

Canopy RTρl

λτlλ

CabCdmNg

Leaf model

pyModel

λgPROSPECT

ρs (λ,θs,θv,ϕ) a, bSoil model

Modèle atmosphérique

SAIL

ρ (λ,θs,θv,ϕ)


Plan





Le problème inverse

AutresAutres caractéristiques

Modèle de Transfert

Données de

Transfertradiatif

Variables

Technique

Données de Télédétection

Variablesbiophysiques

d’inversion

La base d’apprentissage

Pour chaque variable d’entrée du modèle les variables de sorties sont calculés et associés auxPour chaque variable d entrée du modèle, les variables de sorties sont calculés et associés aux variables d’entrée

La base d’apprentissage est constituée de couples variables d’entrée (variablesLa base d apprentissage est constituée de couples variables d entrée (variables biophysiques), variables de sorties (réflectance)

ALA

LAI

vCover

HotSpot

N

CN Cab Cbp Cdm

Cw rel

Bs

Les techniques d’inversion de modèle

Surfacevariables Réflectance

ModèleTR

Base d'apprentissage

Surface*variables

ModèleTR Réflectance*

DS

S f * ModèleDR

variables TR

Coefficients

Surface*variables

ModèleInverse

Réflectance

Minimisation sur les Variables biophysiques

Minimisation sur les Variables Radiométriques

Étalonnagesur

Expérimentation

Régression multipleRéseaux de neuronesIndice de végétation

Table de correspondance

Etalonnagesur

g

OptimisationTable de correspondanceRégression multiple

Réseaux de neuronessimulation

Réseaux de neuronesIndices spectraux

Les NNET: réseaux de neurones

R NSS

R1

SR2

N

NVariableS

SS

SSS

L... N

VariableBiophysique

SRn N

• un NNET est un assemblage de fonctions élémentaires (neurones) caractérisé par

• Un poids associé à chaque entrée

• Un biais

f d f• Une fonction de transfert

qui permet d’estimer une sortiequi permet d estimer une sortie

à partir de n’importe quelle entrée

Fonctionnement du réseau de neurones

H: Hessien

Minimisation dans l’espace des sorties!!

J: JacobienG: Gradiente = erreur du réseau

• L’apprentissage (calage des poids et biais) se fait sur une base dedonnées (simulées ou vraies) Une fois le réseau calé l’estimation àdonnées (simulées ou vraies). Une fois le réseau calé, l’estimation àpartir d’une entrée donnée est instantanée.

• Réseaux de neurones à rétro propagation du gradient• Réseaux de neurones à rétro‐propagation du gradient

• Algorithme de minimisation de Levernberg‐Marquart (µ=0 quasiNewton étendu ) + techniques de régularisationNewton étendu ) + techniques de régularisation

Calage d’un réseau de neurones

• Détermination de l’architecture

– Nb de couches

– Nb de neurones par coucheNb de neurones par couche

– Type de neurones (fonction de transfert)

• Apprentissage = calage des poids et biais

– Initialisation des poids et des biaisInitialisation des poids et des biais

– Algorithme d’optimisation (gauss/newton,….)

– Critère d’arrêt (convergence hyperspécialisation)Critère d arrêt (convergence, hyperspécialisation)


• Avantages– Une fois l’apprentissage effectué, très rapide d’exécution

• Inconvénients– Nombre d’entrées fixes– Nombre d entrées fixes

– Ne fournit que la variable d’intérêt

• Questions associées– Constitution de la base de données (réalisme!!!)

• Distribution des entrées du modèle• Distribution des entrées du modèle

• Qualité du modèle à représenter ce que l’on observe

• Architecture du réseau

– Le bruit associé aux données (et/ou précision du modèle)


• Améliorer le réalisme de la base d’apprentissage

Reflectance mismatch– Reflectance mismatch

• Recherche de similitudes entre réflectance mesurées dans la réalité et réflectances simulées (éliminitaiondans la réalité et réflectances simulées (éliminitaion des cas trop disparates)

– Vérification que certaines relations attendues sont vérifiéssont vérifiés

• Ex: loi de Beer : fAPAR=1‐exp—KLAI

Les NNETs: exemple de résultat

Quelques exemples d’estimation…

VariablePré- VariablebiophysiqueVariables

d'entrée

Prétraitement

Le projet CYCLOPES

Biophysical variables:AlbedofAPARfCoverLAI

Resolution: 1km ‐ 8kmTemporal sampling: 10 daysCoverage: GlobalCoverage: GlobalDuration: 1997‐2003Sensors:

AVHRRVEGETATIONVEGETATIONPOLDERMERIS(MSG)

Chaîne de développement du produit (1)

Pré‐traitement RTOA Cloud Atm‐corr RTOC

Calibration radiométrique

Détection de nuage

Correction atmosphérique:climatologie (Monthly MODIS min average values)


Normalisation de la BRDF: inversion d’un modèle semi‐linéaire

RTOA Cloud Atm‐corr RTOC BRDF

V2: τ = 30days

k k][kσ ][kσA priori constraints

Blue 0.00 0.07 0.08 0.29

Red 0.02 0.05 0.17 0.30

1k 2k][ 1kσ ][ 2kσ

NIR 0.04 0.07 0.67 0.34

SWIR 0.05 0.06 0.41 0.28

Bonnes performances, même avec peu d’observations


RTOA Cloud Atm‐corr RTOC Bio‐algo VARBRDF

Lat LAI N Cab Cm

-50 0 50 0 5 2 4 50 100 0.01 0.02

Cbp ALA Bs HotS vCover

0 0.5 1 1.5 40 60 80 0.4 0.6 0.8 1 1.2 0.5 1 0.6 0.8 1

Cm vCoverθs Norm

S

0.01 0.02 0.6 0.8 1Simulations based on 1D RT model

B2

B3

Norm

Norm

NormS

S

L Var

SWIR Norm

S

S

CYCLOPES: Résultats

I i dInversion de modèle 1D par NNT Climatologie sur

modèle empiriquemodèle empirique

M dèl E i iInversion de modèle

3D par LUT

Modèle Empirique

Les méthodes d’optimisation

RéflectancesSimulées Y

J(X)=(Y‐Yobs)² + erreur + info a priori

2

Modèle

1

Réflectances Algorithme

3

DirectRéflectancesObservées Yobs

gd’optimisationY* tel que

Grad(J(X*)) = 0

Paramètres Optimisés X*

ParamètresParamètres Initiaux Xo


MesuresFonction

Maximum de vraisemblance ≈ fonction coût utilisée

W: Matrice de covariancedes incertitudes(modèle et mesures)J(V) = (R‐R*)t.W‐1.(R‐R*)

coût

Cost function references

∑ −Nnn RR

Jˆ (Gao and Lesht, 1997)

∑=

=n n

nn

RJ

1

∑=

−=

N

n n

nn

R

RRJ

1

ˆ

(Qiu et al., 1998)

∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛

+

−=

N

n nn

nn

RR

RRJ

1

2

ˆ

ˆ

(Gobron et al., 1997)

( )∑ −=N

nn RRJ2ˆ

(Braswell et al., 1996; Combal et al., 2002; Goel and Thompson, 1984; Jacquemoud et al., 2000; ( )∑

=nnn

1 p , ; q , ;

Pinty et al., 1990; Privette et al., 1996)

∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

N

n n

nn

R

RRJ

1

2ˆ

(Bicheron and Leroy, 1999; Kuusk, 1991b; Nilson and Kuusk, 1989; Weiss et al., 2000)

2 ( l 2002 )

∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

N

n n

nnn R

RRJ

1

2ˆω

; 2

1))sin(cos( +⋅=

φθω vn

(Bacour et al., 2002a)


• Avantages

– Fournit l’ensemble des variables du modèle(indication d’ambigüités)

• Inconvénients

– Temps d’exécution

– Dépendant de la solution initiale (minimum locaux)

• Questions associées

– Quel critère de convergence, quelle fonction de coût?g q

– Le bruit associé aux données (et/ou précision dumodèle)


• Améliorer les performances de l’algorithme– réaliser l’inversion pour différentes valeurs de paramètres initiaux => si convergence vers solution différentes alors présence de minima locaux (augmente le temps de calcul)présence de minima locaux (augmente le temps de calcul)

– introduire de l’information a priori pour « régulariser » l’ l i h ( i )l’algorithme (contraintes)

• Prise en compte des variations spatiales et/ou• Prise en compte des variations spatiales et/ou temporelles des variables– Atmosphère invariante sur 10km² p– Sol invariant sur une zone large (qqs km²)– LAI invariant sur une parcelle (qqs ha)

Méthode d’Optimisation

• Estimation de la chlorophylle par inversion de 3 modèles: 10 bandes VIS‐PIR

SAIL Pinty Kuusk

Méthode d’Optimisation

• Estimation du LAI par inversion de 3 modèles: 10 bandes VIS PIR10 bandes VIS‐PIR

SAIL Pinty Kuusk

Méthode d’Optimisation: échelle globale

• Capteur POLDER

Indice de VGTInversionM dèl

Indice de VGTModèle

Tables de correspondance : LUT

K configs

K configs

Base de donnéesK configs

robs(1,k): observations

rbd(i,k)cas Tri

S l tibd

i c

J(i)

Selection

Modèle Direct

vbd(i,j)

i cas

v(i,j)^

j variablesj variables

Tables de correspondance : LUT

• Avantages– Fournit l’ensemble des variables du modèle (indication d’ambiguïtés)

– Rapide

– Recherche globale

• InconvénientsRequiert de stocker l’ensemble des cas– Requiert de stocker l’ensemble des cas

• Questions associéesQuestions associées– Quelle fonction de coût?

– Constitution de la base de données (distribution des entrées)

– Le bruit associé aux données (et/ou précision du modèle)

Exemple d’implémentation d’une LUT

• Comparaison multispectral(MS) / Hyperspectral (HS) sur de l’orgesur de l orge

Exemple d’implémentation d’une LUT

LUT

Comparaison de techniques d’inversion

LAI

0.25 6.25

P ié é f ill Réfl S l

0.30

0.40

0.50

ecta

nce

Propriétés feuillesCab=30

Cab=50 0.20

0.30

ctan

ce

Réflectance SolSec

Humide

0.00

0.10

0.20

Leaf

ref

le

Cab=70

0.00

0.10

Soi

l ref

le

500 600 700 800 900

Wavelength (nm)

500 600 700 800 900

Wavelength (nm)

18 cas simulés non orthogonaux

Lancer de rayons sur architecture 3Ddonnées de référence

Modèle 1D de Transfert radiatif SAIL utilisé aussi en inversion

9 bandes spectrales

données de référence utilisé aussi en inversion

Comparaison de résultats

35%

40%

20%

25%

30%

RM

SE

10%

15%

20%

Re

lati

ve

LAI

b NNET

LUT

OPTI

0%

5%

LA

LAI.C

ab

f IPA

R

f Cov

er

NNET

Les performances dépendent fortement de la manière dont les différentes techniques sont mises en œuvre: incertitude, info a priori?a priori?

Problème inverse et incertitudes

Lai tel que: R* = M(LAI| Ω0,ΩV,λ) + εR(LAI| Ω0,ΩV,λ)

Mesures

( | 0 V ) | 0 V

Mesures

Modèle TR

Variables à estimer

Configurationde mesure

incertitudes(modèles de TR & mesures)

?????

Le caractère mal posé du problème inverse

80

m-2

)

0.3

60

ylle

(µ

g.c

m

Valeursestimées

0.2

ecta

nce

Mesures

40

hlo

rop

hy estimées

0.1Réf

le

0 0.5 1 1.5 220

LAI

C

400 600 8000

Longeur d’onde (nm)

Un ensemble de variables permettentun bon ajustement aux donnéesradiométriques

Incertitudes mesure et modèle

q

L’information radiométrique n’est pas suffisante

D’autres informations sont nécessaires pour régulariserD autres informations sont nécessaires pour régulariser


• Autre exemple: tri dans une table de correspondance

100

E

10-1RM

SE

0 1 2 3 4 5 6 710-2

Rang des simulations (log10)

incertitude modèle +

Rang des simulations (log10)mesure


• Distribution des solutions (R,PIR au nadir)

50 cas sélectionnés50 cas sélectionnésSur 280000


• Co‐Distribution des solutions (R,PIR au nadir)

1: LAI‐ALA2: LAI‐Cab3: Cab‐ALA I té êt d i bl3: Cab‐ALA4:ALA‐Sol5: Cab‐N6 LAI Sol

Intérêt des variables secondaires : fAPAR, fCover, LAI.Cab

6: LAI‐Sol

Le problème inverse: vue d’ensemble

P rR(P)

VariablesBiophysiques

Modèle deTransfert radiatif

InformationRadiométrique

r*P* R‐1(r*)

VariablesEstimées

Technique d'inversion

Réflectancemesurée

2 Quelle information exploiter?

1‐ Quelle variable biophysique estimer?

3‐ Quel modèle de transfert radiatif utiliser?

2‐ Quelle information exploiter?

4‐Quelle technique d'inversion utiliser?

Importance de l’information a priori

1 11

0.8

1

0.8

1

0.8

1

0.4

0.6

ND

VI

ND

VI

0.4

0.6

ND

VI

0.4

0.6

0 0.02 0.040

0.2

PDF LAI0 2 4 6 8

0

0.2

LAI0 2 4 6 8

0

0.2Remote Sensingmeasurements (NDVI)

Radiative Transfermodel: NDVI=f(LAI)+ε

Estimates from RSmeasurements and RT model without prior information

PDF LAI

0 8

1

LAI

0 04

0.05

0 04

0.05Prior information on LAI NDVI estimates

with PI

ND

VI 0.6

0.8

0.03

0.04

PD

F

0.03

0.04

PD

F

Prior Information

NDVI estimatesN

0.2

0.4

Estimates from RSmeasurements and RT model with prior information

0.01

0.02

0.01

0.02 without PI

LAI0 2 4 6 8

0with prior information

0 2 4 6 80

LAI0 2 4 6 8

0

LAI

Comment ajouter de l’information a priori ?

Résea de ne rones Indices de égétation LUTRéseaux de neurones, Indices de végétation, LUT

Composition de la base d’apprentissage

Distribution des variables d’entrée

Incertitudes sur les données radiométriques (modèle, mesures): mismatch, tri des données

Comment ajouter de l’information a priori ?

• Optimisation, tables de correspondance

– Fonction coût

Partie Radiometrique Partie biophysique1 1

M i d C i M t i d C i

J(v )= (R‐R)t.W‐1.(R‐R) + (V‐Vp)t.C‐1.(V‐Vp)

Matrice de Covariance des incertitudes(modèle & mesures)

Matrice de Covariance

Des variables

Comment obtenir l’IAP?

5

6

RT model and

RT model

RT model and 2.5

3Mode Standard deviation

3

4

AI

RT model and measurement uncertainties

RT model and measurement

measurement uncertainties

1 5

2

AI

2

3LA

Prior information

measurement uncertainties and prior information

RT model and

Prior information

1

1.5LA

0 0 5 10

1RT model and measurement uncertainties and prior information

0 0 5 10

0.5

0 0.5 1NDVI

0 0.5 1NDVI

Rôle critique de l’IAP dans l’inversion

2

3

AI

40

60

b

100

150

Cab

1

2

Ret

rieve

d LA

20

40

Ret

rieve

d C

a

50

100

etrie

ved

LAI ×

C

Pasd’information

a priori

0 1 2 30

Actual LAI0 20 40 60

0

Actual Cab

0 50 100 1500

Actual LAI×Cab

Re

3 60 150

ab

ab ab

1

2

Ret

rieve

d LA

I

20

40

Ret

rieve

d C

ab

50

100

rieve

d LA

I ×C

a

Utilisationd’information

a priori

0 1 2 30

Actual LAI

R

0 20 40 600

Actual C

R

0 50 100 1500

Actual LAI×C

Ret

p

Actual LAI Actual Cab Actual LAI×C

ab

Prise en compte des contraintes

LAI ALA Hot

τ550, Patm,CH20, CO3Geometryθo, θs, φ

LAI ALA Hot

τ550, Patm,CH20, CO3Geometryθo, θs, φ

N, Cab, Cw, Cdm, CsLAI, ALA, Hot,

vCover

AtmosphereRadiative transfer

SMACRTOA(λ)

N, Cab, Cw, Cdm, CsLAI, ALA, Hot,

vCover

AtmosphereRadiative transfer

SMACRTOA(λ)

Leaf opticalti

Canopyfl t

ρ(λ)

RTOC(λ)Leaf optical

tiCanopyfl t

ρ(λ)

RTOC(λ)

propertiesPROSPECT

reflectanceSAIL

ρ( )τ(λ)

fAPARfCover

propertiesPROSPECT

reflectanceSAIL

ρ( )τ(λ)

fAPARfCover

BackgroundreflectanceData base

Rs(λ)BackgroundreflectanceData base

Rs(λ)

11 inconnues !!

Soil type, BsSoil type, Bs


• Caracteristiques de l’atmosphere:A = (t550, Patm, Cwv, C03)

fixées sur une fenêtre spatiale (≈ km)mais varient dans le temps

temps

• Caractéristiques de la végétation:C = (N, Cab, Cdm, Cs, LAI, ALA , Hot)

Peu de variation sur une fenêtretemporelle limitée ( ≈10 jours)mais varient dans l’espace tempsp

• Brillance du sol (Bs)

varie avec l’espace et le temps

pas de contraintes

tempsp


80

90

(%) Degrés de liberté

60

70

ob

serv

atio

ns)

(

1 dateNombre d’observations:

nλ*P*D

40

50

kno

wn

s)/(

Nb

o

2 dates Pixels Dates

10

20

30

(Nb

un

k

3 dates

0 10 20 30 40 50 60 70 80 90 10010

Nb pixels

Problème avec contraintes: Inversion simultanée sur P pixels et D dates :D variables Atmosphere (t550)p

+7*P Variables couvert +feuilles (N,Cab,Cdm,Cs,LAI,ALA ,Hot)

+P*D Brillance du sol

Problème sans contraintes: Inversion indépendante sur chaque pixel à chaque date:* * i bl à i10*P*D variables à estimer


RMSE 0 375 RMSE 9 095

AvecSans

1

2

3

LA

I es

tim

ated

RMSE =0.375

40

50

60

70

80

AL

A e

stim

ated

RMSE =9.095

0.5

1

1.5

2

2.5

xCab

est

imat

ed

RMSE =0.385

1

2

3

I es

tim

ated

RMSE =0.292

50

60

70

80

A e

stim

ated

RMSE =5.344

1

1.5

2

2.5

Cab

est

imat

ed

RMSE =0.355

1 2 3

LAI true

L

40 60 80

ALA true

A

0.5 1 1.5 2 2.5

LAIxCab true

LA

I

3

mat

ed

RMSE =0.957

0.6mat

ed

RMSE =0.165

3

mat

ed

RMSE =0.346

1 2 3

1

LAI true

LA

40 60 80

40

ALA true

AL

A

0.5 1 1.5 2 2.5

0.5

LAIxCab

true

LA

IxC

3ated

RMSE =0.979

0 6ated

RMSE =0.153

3

ated

RMSE =0.332

1 2 3

1

2

LAIxCw

true

LA

IxC

w e

stim

0.2 0.4 0.6

0.2

0.4

LAIxCdm

true

LA

IxC

dm

est

i

0 1 2 30

1

2

LAIxCbp

true

LA

IxC

bp e

stim

1 2 3

1

2

3

LAIxC true

LA

IxC

w e

stim

a

0.2 0.4 0.6

0.2

0.4

0.6

LAIxC true

LA

IxC

dm

est

im

0 1 2 30

1

2

LAIxC true

LA

IxC

bp e

stim

a

1 5

2

2.5

3

3.5

N e

stim

ated

RMSE =0.515

0.6

0.8

1

1.2

Bs

esti

mat

ed

RMSE =0.209

0.3

0.4

0.5

50 e

stim

ated

RMSE =0.019LAIxCw true LAIxCdm true LAIxCbp true

2

2.5

3

3.5

esti

mat

ed

RMSE =0.466

0 6

0.8

1

1.2

esti

mat

ed

RMSE =0.14

0.3

0.4

0.5

esti

mat

ed

RMSE =0.002

Amélioration de la précision et de la robustesse

1.5 2 2.5 3 3.5

1.5

N true

N

0.4 0.6 0.8 1 1.2

0.4

Bs true

B

0.2 0.3 0.4 0.50.2

τ550

true

τ 55

1.5 2 2.5 3 3.5

1.5

N true

N e

0.4 0.6 0.8 1 1.2

0.4

0.6

Bs true

Bs

0.2 0.3 0.4 0.50.2

τ550

true

τ 550

Amélioration de la précision et de la robustesse


Plan





Techniques d’estimation : absorption différentielle

0.35

0.4

Continuum

0.25

0.3

0.2

flect

ance

vées

0.1

0.15ref

Deriv

0

0.05

600 650 700 750 800 850 900 950 1000 1050 1100-0.05

Wavelength (nm)g ( )

Indice de végétation: corrélation entre bandes

ge (XS3)

infraroug

Proche

Rouge (XS2)

Indice de végétation: corrélation entre bandes

Végétation

jDroitedu sol

ce Bande

Sol

Réflectan

incertitudesincertitudes

Réflectance Bande i

Les différents indices de végétation

o

DROITE DU SOLPOINT VEGETATION

PVI, W

2

, WDVI

DE 2

NC

E B

AN

DE

PREMIERE BISSECTRICE

DVI

SAVITSAVIMSAVIA

NC

E B

AN

DE

RE

FLE

CT

A

NDVI

MSAVI

RE

FLE

CT

A

INDICE DEFINITION DVI ρ ρir r− WDVI ρ αρir r−

POINT REFERENCE

NDVI ir r

PVI ( ) /ρ αρ β αir r− − +1 2 RVI ρ ρir r/ NDVI ( )ρ ρ ρ ρir r ir r− +/ ( )

REFLECTANCE BANDE 1

SAVI ( )15 05. / ( . )ρ ρ ρ ρir r ir r− + + TSAVI ( )( )α ρ αρ β ρ α ρ β α( ) / ( ) .ir r r ir− − + − + +0 08 1 2

SLI* ( ( )) /ρ α ρ β αr ir+ − +1 2 o

Les différents indices de végétation

INDICE DEFINITION EQUIVALENCE REFERENCE DVI ρ ρir r− Clevers, 1986 WDVI ρ αρir r− Clevers, 1989 PVI ( ) /β 1 2 ( ) /WDVI β 1 2 Richardson et Wiegand 1977 PVI ( ) /ρ αρ β αir r− − +1 2 ( ) /WDVI − +β α1 2 Richardson et Wiegand, 1977

RVI ρ ρir r/ Pearson et Miller, 1972 NDVI ( )ρ ρ ρ ρir r ir r− +/ ( ) ( ) / ( )RVI RVI+ −1 1 Rouse et al., 1974

SAVI ( )15 05/ ( )ρ ρ ρ ρ+ + Huete, 1988 S ( )15 05. / ( . )ρ ρ ρ ρir r ir r− + + Huete, 1988

TSAVI ( )( )α ρ αρ β ρ α ρ β α( ) / ( ) .ir r r ir− − + − + +0 08 1 2 Baret et Guyot, 1991

SLI* ( ( )) /ρ α ρ β αr ir+ − +1 2 Richardson et Wiegand, 1977

Tableau 2. Liste des principaux indices de végétation et leur éventuelle équivalence. Les paramètres α et β correspondent à la pente et à l'ordonnée à l'origine de la droite du sol définie par: ρ αρ βir r= + . *L'indice SLI (Soil Line Index) est un indice de brillance du sol.

Calage de relations empiriques

⎟⎟⎞

⎜⎜⎛ −

−= ∞NDVINDVILAI ln

1⎟⎟⎠

⎜⎜⎝ −

=∞NDVINDVIK

LAIsLAI

ln

Calage de relations empiriques

KFAPARNDVINDVI

FAPAR ⎟⎟⎞

⎜⎜⎛ −

= ∞

s NDVINDVI ⎟⎠

⎜⎝ − ∞

Les indices de végétation: conclusion

• Avantages– Très rapide d’exécution!

• Inconvénientsè é é– Très dépendant de la surface observée, des conditions

atmosphériques….la relation empirique est difficilement extrapolable sans perte de précision surdifficilement extrapolable sans perte de précision sur la variable

– Ne fournit que la variable d’intérêt

• Questions associéesL b it ié d é– Le bruit associé aux données

– La qualité du calage de la relation


Plan





Photographies hémisphériques

Vers le haut

Exemple d’échantillonage Vers le bas

20 m

Définition des paramètres• taille de l’image

Images Brutes• paramètres calibration fish-eye• cercle d’intérêt• résolution angulaire

1

Pré-Traitement• Amélioration visuelle Masquage (utilisateur)• Définition du cercle d’intérêt• Élimination d’images

2

Binarisation 6

Réduction de la palette de couleurs• k-moyenne

é3

Estimation de variables biophysiques• simulation d’une LUT avec le modèle de Poisson (Nilson, 1971)• distribution d’inclinaisons foliaires 7

Palette de

• Définition des classes (nombre et type de classif)

Classification 5

distribution d inclinaisons foliaires ellipsoïdale (Campbell, 1984)• Prise en compte de l’agrégation des feuilles•LAI, fAPAR, fraction de trou

7

Palette de couleursréduite

Affinage de la classif5

Seuillage• Première Classification grossière 4

Parameter definition• Image Size

Images Brutes• Image Size• Calibration parameters• Circle of interest• Angular resolution

1

Pre-Processing• Gamma correction•Masking•Image elimination

2

Binarisation 6

Colour palette reduction• k-means 3

Output Generation: HTML report + excel file

• Look-Up-Table using Poisson Model (Nilson, 1971)Elli d l l f i li i di ib i

7

k means• class definition

Classification

• Ellipsoïdal leaf inclination distribution distribution (Campbell, 1984)• Leaf Clumping•LAI, ALA, fAPAR, FCOVER, gap fraction

Reduced ColourPalette

Classificationinteractive process

5

Thresholding• Rough Classification 4


Plan





Agriculture de précision

• Prédiction de rendementsAnalyse de l’état de surfaceAnalyse de l état de surface

(détection de carences, maladies,…)

Estimation de variables biophysiques avec MODIS

Fonctions robustes Réseaux de Kohonen

Compositions colorées : R PIR, V R, B R

2000 2001 2002 2003 2004 2005 2006 2007 2008

Estimation de variables biophysiques avec MODIS

Résultats de l’application du modèle de transfert radiatif PROSPECT/SAIL

Validation de variables biophysiques MODIS

Résultats de l application du modèle de transfert radiatif PROSPECT/SAIL

Terrain/QUICKBIRD QUICKBIRD/MODIS MODIS/CYCLOPES

r=0.76 r=0.9

0.8

1

RD

IRD

0 2

0.4

0.6

OV

ER

QU

ICK

BIR

0

0.2

0 0.2 0.4 0.6 0.8 1

field fCOVER

fCO


Validation de variables biophysiques MODIS

Résultats de l application du modèle de transfert radiatif PROSPECT/SAIL

Evolution du coefficient de détermination entre les séries temporelles de LAI

fCOVER CYCLOPES

fCOVER MODIS0 6

0.8

1temporelles de LAI

0.2

0.4

0.6LAI MODIS/LAI CYCLOPES

LAI MODIS/LAI MOD15A2

LAI MODIS (MOD15A2)0

ma

rs-0

0

ma

i-0

0

juil.

-00

sep

t.-0

0

no

v.-0

0

jan

v.-0

1

ma

rs-0

1

ma

i-0

1

juil.

-01

sep

t.-0

1

no

v.-0

1

jan

v.-0

2

ma

rs-0

2

ma

i-0

2

juil.

-02

sep

t.-0

2

no

v.-0

2

jan

v.-0

3

ma

rs-0

3

ma

i-0

3

juil.

-03

sep

t.-0

3

no

v.-0

3

LAI CYCLOPES LAI MODIS

1999 20092000 2001 2002 2007 20082003 2004 2005 2006

LAI CYCLOPES LAI MODIS


Validation de variables biophysiques

Application de métriques temporelles

Seuil fixe Identification de pics

Dd : Date à laquelle la végétation commence sa

0,5

végétation commence sa croissance

Df : Date à laquelle la végétation termine sa croissance

Vm : Fraction maximum de

Phénologie

Vm : Fraction maximum de couverture des sols

Dmax : Date de la fraction maximum de couverture des sols

Dt : Durée de couverture des Dt : Durée de couverture des sols

Sols nus

Dd : Date à laquelle la couverture végétale diminue

Df : Date à laquelle les sols sont couverts

Vmin : Fraction minimum de

0,25

couverture des sols

Dmin : Date de la fraction minimum de couverture des sols

Dt : Période entre deux pics de couverture des sols

Application de classifications

- par arbre décisionnel- fondée sur la connaissance théorique de la phénologie des cultures

Nov. Déc. Janv. Fév. Mars Avril Mai Juin Juil. Août Sept. Oct.

Blé d'hiver Semis Récolte

Triticale Semis Récolte

Blé de printemps

Semis Récolte

Maïs Semis Récolte

0 8

fCOVER

La phénologie des principaux types de couverts végétaux

0.5

0.6

0.7

0.8

Céréales d'hiver

0.2

0.3

0.4 Maïs

Prairies

0

0.1

Nov Jan Mar Mai Juil Sep

Application de classifications

Définition de l’arbre décisionnel

1

Définition des classes d’occupation et d’utilisation

du sol hors terres arables année par année

2

Validation interannuelle des classifications en fonction des

changements détectéschangements détectés

3

Id tifi ti d l’ ti Identification de l’occupation du sol des terres labourables

4 4

Identification des cultures hivernales

Validation des classifications à l’échelle locale

Validation de classifications

Classification MODIS (2000/2001) Classification SPOT/LANDSAT(2000/2001)

Classification haute résolution

Eau Urbain Forêts Prairies Céréales Sols nus Intercultures

Eau 98.04 0.97 0.06 0 0 0 0

Urbain 1.47 97.22 0.67 0.35 1.57 3.17 0.29

Forêts 0.49 0.35 91.21 0.81 0.07 0.96 0.14

mp

orel

les

DIS

Prairies 0 0.35 6.04 89.69 7.11 6.39 16.09

Céréales 0 0.21 1.02 5.83 85.38 4.92 5.36

Sols nus 0 0.9 0.83 0.87 0.46 71.08 9.42

Sér

ies

tem

MO

D

Intercultures 0 0 0.17 2.45 5.41 13.48 68.7

Variations du fCOVER pour des intercultures non détectées avec des images SPOT

2000 2001 2000 2001 2000 2001

Les changements intra-annuels

Analyse de changements à partir de variables biophysiques

Date de fin de croissance de la végétation (en jours depuis le 1er

janvier)2000 2001 2002

2003 2004 2005

2006 2007 20082006 2007 2008

Les changements intra-annuels


Le cas de l’été 2003

120

m

Déficit d’évaporation mensuel

40

60

80

100

évap

ora

tio

n e

n m

m

0

20

40

01/2

000

05/2

000

09/2

000

01/2

001

05/2

001

09/2

001

01/2

002

05/2

002

09/2

002

01/2

003

05/2

003

09/2

003

01/2

004

05/2

004

09/2

004

01/2

005

05/2

005

09/2

005

01/2

006

05/2

006

09/2

006

01/2

007

05/2

007

Déf

icit

d'é

Profils de fCOVER des prairies

Profils annuels de l’année 2003 pour les 9 stations de référence bretonnes

01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05 09 01 05

0.8 stations de référence bretonnes

0 5

0.6

0.7

OV

ER

2000

2001

2002

2003

20040.6

0.7fCOVER

0 2

0.3

0.4

0.5

fCO 2004

2005

2006

2007

2008

0.3

0.4

0.5 Brest

Rennes

Bretagne

Profils annuels sur l’ensemble de la Bretagne

0.2

janv

févr

mar

s

avr

mai

juin juil

août

sept oct

nov

déc

0.1

0.2

oct

dé

c

févr avr

juin

ao

ût

oct

Le cas de l’hiver 2005/2006


70

80

s

Proportion d’intercultures Nombre de jours de gel

14

16

10

2030

4050

60

surf

ace

s d

e m

aïs

4

6

8

10

12

14

010

19

99

/20

00

20

00

/20

01

20

01

/20

02

20

02

/20

03

20

03

/20

04

20

04

/20

05

20

05

/20

06

20

06

/20

07

% d

es

s

0

2

4

01

/19

99

05

/19

99

09

/19

99

01

/20

00

05

/20

00

09

/20

00

01

/20

01

05

/20

01

09

/20

01

01

/20

02

05

/20

02

09

/20

02

01

/20

03

05

/20

03

09

/20

03

01

/20

04

05

/20

04

09

/20

04

01

/20

05

05

/20

05

09

/20

05

01

/20

06

05

/20

06

09

/20

06

01

/20

07

05

/20

07

2500

Taux de couverture des intercultures Cumul degré/jour de novembre à avril

0.5

1500

2000

1999/2000

2000/2001

2001/2002

2002/20030.35

0.4

0.45

OV

ER

1999/2000

2000/2001

2001/2002

2002/2003

2003/2004

500

1000

2003/2004

2004/2005

2005/2006

2006/2007

0.25

0.3

fCO 2003/2004

2004/2005

2005/2006

2006/2007

0

1 31 61 91 121 151 181 211

0.2

sep

t

oct

no

v

dé

c

jan

v

févr

ma

rs avr

ma

i

Utilisation d’HYMAP pour l’estimation de paramètres relatifs au sol

HyMap Image

Corrections géométriques, atmosphérique, topographique faites par le Centre Aérospatiale Allemand (PARGE et ATCOR4)Aérospatiale Allemand (PARGE et ATCOR4)

Réflectance

Largeur de bande de 13 a 17 nmLargeur de bande de 13 a 17 nm

Taille nominale du pixel: 5mx5m

Utilisation du ‘continuum removal’

( ) ⎟⎟⎠

⎞⎜⎜⎝

⎛⎟⎟⎠

⎞⎜⎜⎝

⎛−

−

−+= )()()(/)(,1min maxmin

maxmin

peakminmaxpeak λλ

λλλλ

λλλ RRRRCR

0.45

ASD labo

0.4

ASD field

0.35

lectance

Clay

0.3Refl

HYMAP CaCO3

λ λ

0.25

λmin λmaxλpeak

2100 2150 2200 2250 2300 2350 24000.2

Wavelength (nm)

λmin λpeak λmax

Relation au niveau du Labo

500 500

400 400

200

300

Cla

y

200

300

CaC

O3

100 100

0.8 0.85 0.9 0.95 10

R²=0.73

CR2206

0.9 0.95 10

R²=0.92

CR2341

Relation au niveau du champ

500 500

400 400

200

300

Cla

y

200

300

CaC

O3

100 100

0.8 0.85 0.9 0.95 10

CR2206

0.8 0.85 0.9 0.95 10

CR2341

Relation au niveau HYMAP

500 500

400 400

200

300

Cla

y

200

300

CaC

O3

100 100

0.8 0.85 0.9 0.95 10

R²=0.58

CR2206

0.9 0.95 10

R²=0.47

CR2341

Sans doute problèmes d’étalonnage ou de correction atmosphérique du capteur HYMAPp q p

1 1

0.95

1

P

0.98

1

P

0.9

06 H

YM

AP

0.96

41 H

YM

AP

0.85CR

22

0

0.92

0.94

CR

23

40.8 0.85 0.9 0.95 1

0.8

CR Labo0.9 0.95 1

0.9

CR LaboCR2206

Labo CR2341

Labo

Effets associés aux changements d’échelle

HY

MA

P 1 HYMAP (HYMAP_2005)SensorAtmosphereIlluminationH

YM

AP 1 HYMAP (HYMAP_2005)

SensorAtmosphereIllumination

3 HYMAP simulated spectral

H u at o

2 HYMAP simulated radiometriccharacteristicsRadiometric

performances3 HYMAP simulated spectral

H u at o

2 HYMAP simulated radiometriccharacteristicsRadiometric

performancesp

characteristics

4 Field spatial average

Spectral resolution

Spatiali bilit

pcharacteristics

4 Field spatial average

Spectral resolution

Spatiali bilit

5 Field (Field_2005)

6 I i d

RoughnessFIE

LD variability

5 Field (Field_2005)

6 I i d

RoughnessFIE

LD variability

6 In situ extracted

7 Laboratory extracted

Illumination

RY

6 In situ extracted

7 Laboratory extracted

Illumination

RY

8 Laboratory extracted and dry

Moisture

StoninessBO

RA

TO

R

8 Laboratory extracted and dry

Moisture

StoninessBO

RA

TO

R

9 Laboratory fine soil (Labo_2005)LA

B

9 Laboratory fine soil (Labo_2005)LA

B

Effets associés aux changements d’échelle

0.1 1 0.1

0.05

1

11

11 11

1911

11

1

1

11

11

1

1 11112

2

2

2

233 367 72

20

6 0.05

1

11

11 11

19

23

41

0 11

1

1

1

1

11

1

1

1

11

11 1

2

222

22

2 22

22

22

2

2

2

22 2

3333

33 3

3 33

33

333 3

33

3 444

4 444

4 4444 444

44

44 5555 55 5 5 555 5 555 55 5 5

6

6

6

666

6 6 6

66

6 6666

66 6 7

777 77

7 77

777

777 77

7 78

888

888

8 888

8 888

88

8 89

999 9

9 99 9

9

9

9

999

9

9 9

11

11

22 2

22

2

2

2

2

222

2

2

2 2

33

33

333

33

33

3 333 3

344

44

4444

444

4

444

444

4

555 5 5 5555 55 55 5555 5 5

6

66 6 6666 6

6 66

66

6

6

6

6

7

77

7

7 777

7 77

7777

7

7

7

78

8

8

8

8 88

88

88 8

8888

8

8

89

9

9

9

9 999

9 99 9

9999

9

9

9sidu

al C

R2

0 11

1

1

1

1

11

1

1

1

11

11 1

2

222

22

2 22

22

22

2

2

2

22 2

3333

33 3

3 33

33

333 3

33

3 444

4 444

4 4444 444

44

44 5555 55 5 5 555 5 555 55 5 5

6

6

6

666

6 6 6

66

6 6666

66 6 7

777 77

7 77

777

777 77

7 78

888

888

8 888

8 888

88

8 89

999 9

9 99 9

9

9

9

999

9

9 9

sidu

al C

R2

-0.05

879 9

Res

-0.05

8

Res

0.8 0.85 0.9 0.95 1-0.1

CR2206

Field0.9 0.95 1

-0.1

CR2341

Field

Validation sur une parcelle

1

2

3

4

5

6

7

8

11

12

9

10

13

200

250

300

350

nt

g/k

g

0,06

0,07

0,08

0,09

0,1

06

clay HyMap

80g.kg-1< Clay <180g.kg-1

Clay <80g.kg-1

180g.kg-1<Clay <300g.kg-1

+ Sampling points

0

50

100

150

200

1 2 3 4 5 6 7 8 9 10 11 12 13

Cla

y co

nte

n

0

0,01

0,02

0,03

0,04

0,05

,

1-D

220

g g y g g300g.kg-1<Clay< 450g.kg-1

Clay >450g.kg-1

Points in the sequence

La dimension temporelle

• La végétation évolue (aspect dynamique)

• L’évolution du couvert renseigne sur son fonctionnement (et son type):

d é é– Type de végétation– Phénologie– croissance– Stress (variation de croissance)

• Exploitation de la dimension temporelle• Exploitation de la dimension temporelle– pour améliorer les estimations des variables d’état du couvert en

utilisant des contraintes temporelles– Pour améliorer la modélisation du fonctionnement du couvert– Pour améliorer la modélisation du fonctionnement du couvert

Exploitation de la dimension temporelle pouraméliorer l’estimation des variables d’état du couvert

Cultures de blé

•

42 unités d’échantillonnage 30x30 m²M l LAI hl h ll bi d•Mesures sur le couvert: LAI, chlorophylle, azote, biomasse, rendement, •Mesures du sol : texture, chimie, rugosité, humidité, …•Atmosphère (CIMEL) et mesures météorologiques•39 images SPOT•39 images SPOT•15 images Radar (ERS, Radarsat)

http://medias.obs‐mip.fr/adam

Classification pour réduire la dimension les champs spatio‐temporels

Classification automatique à 30 classes à partir de 33 images SPOT

Estimation instantanée du LAI

Estimates of LAI from SPOT Top of Canopy reflectance (inversion de modèle physique de transfert radiatif)

11

Iterative optimization6 unknown variables

0 8

0.9

1

R²0 8

0.9

1

R²

0.7

0.8

E

0.7

0.8

E

0.5

0.6

R²,

RM

SE

0.5

0.6

R²,

RM

SE

0.3

0.4

RMSE

0.3

0.4

RMSE

0.1

0.2 RMSE

0.1

0.2 RMSE

0 5 10 15 20 25 300

date SPOT image0 5 10 15 20 25 30

0

date SPOT image

Modélisation simple de la dynamique du LAI

Exponentialgrowth

Competition Senecence period

LAImax−

+= −

−−)(

)(1

1 s

i

TTa

TTb ee

LAImaxLAILAImax−

+= −

−−)(

)(1

1 s

i

TTa

TTb ee

LAImaxLAI −+

= −

−−)(

)(1

1 s

i

TTa

TTb ee

LAImaxLAI −+

= −

−−)(

)(1

1 s

i

TTa

TTb ee

LAImaxLAI

aa

bb

T T

b

T T

b

Ti TsTi Ts

Ajustement du modèle de LAI pour chaque classe

7Class 1

5

6

4

5

3

LAI

1

2

0 500 1000 1500 2000 25000

1

Sum of Temperature

Couplage avec un modèle de culture

Nécessité de coupler

– un modèle de fonctionnement d’un couvert végétal • Décrit l’évolution temporelle de la végétation (LAI composition• Décrit l évolution temporelle de la végétation (LAI, composition des feuilles, humidité du sol) en fonction d’un climat, d’un itinéraire technique, du type de plante

– Et un modèle de transfert radiatifDé it l éfl t à ti d LAI d l iti d f ill• Décrit la réflectance à partir du LAI, de la composition des feuilles, etc….

i

3

4

5

PLANTE

1

2

Indice FoliaireFertilisation, coupes, irrigation

100 200 300 400 500 600

0

Pratiques Agricoles

g

ClimClimatat

Biomasse

Rendements

Evapotranspiration

Drainage

Humidité sol

Température sol

Indicateurs « végétation »Entrées modèle qualité des eaux

Un petit mot sur l’assimilation de données

Stade d’apportde l’azote

RécolteCorrection des Trajectoires (Assimilation)

ObservationsTélédétection

Trajectoire vraie

Trajectories simulées (direct)

j ( )

( )

tempsPassé Futur

SolPrat. Cult.

Climat??

????

InformationDisponible

Etalonnage du modèle avecObservations télédétection

Prédictiondu modèle

ClimatEtat Couvert

????

????????

Disponible

Observations télédétection du modèle


• Ré étalonnage du modèle de culture à partir des• Ré‐étalonnage du modèle de culture à partir des estimations de variables d’état (LAI, Cab)Assimilation des observations

• Prise de décision based basée sur des simulations dePrise de décision based basée sur des simulations de différentes doses d’apport d’azote sous des scénariosclimatiques variables:Optimisation de la dose d’azote


Avant assimilation Après assimilation

ns STICS )

ons STICS)

(sim

ulation

i (simulatio

AI a

priori (

a posteriori

Estimation LAI par télédétection Estimation LAI par télédétection

LA

LAI a

Reduction des biaisDescription de la variabilité intra‐parcelleDescription de la variabilité intra parcelle


Avant assimilation Après assimilation

S)

ns STICS)

ons STICS

imulation

(sim

ulati

a priori (si

posteriori

Estimation QN par télédétection Estimation QN par télédétection

QN a

QN a p

Reduction des biaisDescription de la variabilité intra‐parcelleDescription de la variabilité intra parcelle


• Une approche générale est proposée

• Son succès dépend de:

– Disponibilité et précision des observations de télédétection …

– Précision et robustesse des modèles• modèles de réflectance

• Modèles de fonctionnement des cultures

– Disponibilité et qualité des informations a priori (sol, parameters des cultures),

Conclusion

La télédétection présente l’avantage de fournir des données spatialisées et avec une forte répétitivité pour observer les variables biophysiques d’intérêt

Les modèles de transfert radiatif des surfaces et l’inversion permettent d’estimer des variables biophysiques d’importance

Toutes les variables biophysiques ne peuvent être estimées

L’inversion d’un modèle de transfert radiatif est une tache coûteuse et i tiapproximative

De meilleurs résultats sont obtenus soit :ili i f i i i‐ en utilisant une information a priori

‐ en utilisant la télédétection en complément d’un modèle de culture‐ en travaillant par classe de végétation

Merci de votre attention !

Documents

L’apport de la télédétection pour la des surfaces