François Cavayas et Arianne Deshaies Cartographie des matériaux de surface par imagerie hyperspectrale aéroportée François Cavayas et Arianne Deshaies

Plan Contexte Cartographie des matériaux de surface Données Méthodes Résultats Conclusions

CONTEXTE Le projet de recherche « Observatoire Spatial Urbain » Le survol en 2012 avec le capteur hyperspectral CASI

Le projet OSU Développement d’un système de monitoring de l’environnement atmosphérique (microparticules) et thermique (îlots de chaleur) à échelle spatiale fine intégrant des données de télédétection satellitale et aéroportée santé et environnement Projet en collaboration entre l’Université de Montréal (Prof François Cavayas) et l’Université du Québec à Montréal (Prof Yves Baudouin, Prof Claude Codjia) avec la participation du Dr François Reeves (CHUM), de la Ville de Montréal et d’Environnement Canada

Le survol 2012 Le survol 2012 d’une portion de l’île de Montréal s’est fait à titre expérimental pour établir les balises des futurs survols visant l’étude des îlots de chaleur intra-urbains à échelle spatiale fine Le survol s’est effectué au début septembre 2012 avec le capteur hyperspectral CASI (72 bandes) et le capteur thermique mono-bande TABI-1800 par ITRES (Calgary). Mosaïque 11 lignes de vol: images CASI à 1 m de résolution (environ 150 km2 )

MATÉRIAUX DE SURFACE L’information sur les matériaux de surface et leurs propriétés bio-géophysiques est d’une grande utilité pour nombre d’applications en milieu urbain incluant les îlots de chaleur (simulations du bilan radiatif, climatologie, aménagement, hydrologie, etc.) Les images hypespectrales dans le spectre solaire  grand potentiel pour ce type de cartographie

DONNÉES Images CASI orthorectifiées (UTM) exprimées en luminances au capteur : grand volume de données par ligne de vol (environ 16GB)  nécessité de traitement par portion Bibliothèques spectrales incluant des matériaux artificiels communs en milieu urbain: ASTER (2000 spectres )/USGS (+1300 spectres)/SLUM-via Micronet urbain de Londres (matériaux imperméables 74 échantillons) Combiner plusieurs bibliothèques spectrale dans le but d’en créer une qui contient beaucoup de matériaux. SLUM- spectral library of impervious urban materials. Ciment, bric, asphalte, pvc

Découpage selon les feuilles 1:1 000 Programme informatique (C#) : Limites des feuilles (lat-long) en UTM Recherche des feuilles entièrement incluses dans une ligne de vol Coordonnées Pixel/ligne pour l’extraction d’une feuille de l’image Extraction de la portion d’une ligne de vol correspondant à la feuille 31-H-05-10-0131

Bibliothèques spectrales: exemples

MÉTHODES Conversion des luminances CASI en réflectances au sol Reconnaissance des matériaux de surface et cartographie

Conversion luminances en réflectances Adaptation du progiciel REFLECT développé au labo de télé pour les images satellitales (Bouroubi, 2009) aux images aéroportées Intégration des sous-routines spécifiques du code atmosphérique 6S Prise en compte de la sensibilité spectrale des 72 bandes de CASI: CASI couvre le spectre du proche UV (370 nm) au proche infrarouge (1034 nm) avec une largeur effective par bande de 94 nm.

Conversion : applications Position du soleil  (estimation données de vol) Soleil à 45° du zénith et à 225° du nord; Position du capteur  (visée au nadir) Profondeur optique des aérosols: Observations in situ  faible : 0.05 (550 nm) Modèle atmosphérique: Été latitudes moyennes Contenu en vapeur d’eau (estimation de plusieurs sources)  atmosphère plutôt sèche : 1.5 gm cm-2  rééchelonnement du modèle atmosphérique

Conversion Luminances au capteur Réflectances au capteur Réflectances apparentes à la surface Réflectances (Lambertiennes)

Reconnaissance automatique Nous avons suivi la chaîne des procédures interactives proposée par ENVI (Spectral Hourglass Wizard) Étapes fondamentales: Localiser dans l’espace hyperspectrale les pixels les plus pures (endmembers) Trouver leur classe d’appartenance en les comparant avec les signatures spectrales de référence (bibliothèque) Classifier en conséquence

Reconnaissance automatique Minimum noise fraction transform (MNF)- détermine la dimensionnalité des données, sépare et égalise le bruit et améliore la performance des calculs. Pixel purity index (PPI) -trouve les endmembers en projetant les pixels sur un graphique à nuage de points n-dimensionnel. Les pixels aux extrémités sont enregistrés, et les plus nombreux deviennent des endmembers.

Reconnaissance automatique Analyseur de spectre- Compare nos spectres endmembers à notre bibliothèque spectrale. Spectral angle mapper (SAM)- compare l’angle entre le spectre du endmember et le spectre de référence. Couper de 0.370-0.4559, 0.7501-0.769, 0.7975-0.8449, 0.8828-0.9962 Exemple avec un spectre de végétation

Résultats: illustrations Industriel Verdun Compagnie de transport Manufacture de produits de bois Compagnie d’étagères en acier Manufacture de films de polyéthylène Résidentiel Iles des sœurs Variété de matériaux Couvertures différentes

Industriel

Industriel Reconnaissance automatique complète (38 endmembers)

Industriel Découpage de l’image selon la carte d’utilisation des occupations des sols de la Communauté métropolitaine de Montréal afin d’isoler les terrains occupés des voies de communications et ainsi « concentrer » l’algorithme à la reconnaissance des matériaux à l’intérieur des terrains occupés Masque pour sols industriel.

Industriel Retirer les endmembers non significatifs et les discontinuités

Industriel

Résidentiel

Résidentiel Différences peuvent être liés à plusieurs facteurs comme l’ombrage, l’humidité du toit, etc.

Résidentiel Classification sur le résidentiel

CONCLUSIONS Corrections atmosphériques  Revoir la modélisation des profils atmosphériques dans les basses couches atmosphériques (particulièrement en ce qui a trait à la vapeur d’eau) Reconnaissance automatique  Résultats prometteurs; besoin d’élargir la bibliothèque spectrale en introduisant des signatures spectrales mesurées in situ.