Télédétection et environnement Thème 2: Les îlots de chaleur

Urbanisation  Changement de l’environnement thermique Imperméabilisation Matériaux peu réfléchissant du rayonnement solaire Couvert végétal déficient Arnfield J.A., 2003, Two Decades of Urban Climate Research: a Review of Turbulence, Exchanges of Energy and Water, and the Urban Heat Island, International Journal of Climatology, 23: 1–26

Urbanisation  Changement du régime local des vents Rugosité de surface Canyons urbains

Changements climatiques  Changements du régime local des pluies Orages plus fréquents et plus intenses pendant l’été + imperméabilisation Risques d’inondations ↑ Pollution: cours d’eau + nappe phréatique ↑ Changnon SA., Westcott NE., 2002, Heavy rainstorms in Chicago: increasing frequency, altered impacts, and future implications, Journal of the American Water Resources Association, 38:1467-1475. Diem J.E., 2008, Detecting summer rainfall enhancement within metropolitan Atlanta, Georgia USA, Int. J. Climatol. 28: 129–133. Chester A., Gibbons C.J., 1996, Impervious surface coverage, Journal of American Planning Association, 62 (2): 243-258.

Les îlots de chaleur

Les îlots de chaleur

Les îlots de chaleur

Les îlots de chaleur: un exemple Observations 2-09-2012

Les îlots de chaleur: la télédétection

Progression des îlots de chaleur de surface (jour) avec la minéralisation de l’espace

Formation des ICU de surface: albédo; ennuagement; vent; morphologie urbaine Albédo des principales composantes du tissu urbain (Martin, 2007). Intensité des ICUs en fonction de la vitesse du vent et de la couverture nuageuse (Yow, 2007).

Exemples avec les images satellites

Exemples avec les images satellites

Exemples avec les images aéroportées (2-09-2012)

Calculs de la température de surface: exemple avec une image Landsat IRT Rouge PIR Carte d’occupation du sol

Étape 1: VN à luminances au capteur Image utilisée dans cet exemple

Étape 2: Luminances à températures apparentes et on s’arrête  erreurs dues à l’atmosphère et l’émissivité des matériaux image utilisée dans le labo Cette équation est une approximation de la loi de Planck qui tient compte du fait que la luminance est mesurée dans un intervalle de longueurs d’ondes (bande spectrale) et non pas à une seule longueur d’onde.

2. Comment aller plus loin? Réponse 1: Approche empirique Étape 1: On va sur le terrain et on mesure la température à des endroits précis selon un plan d’échantillonnage approprié Étape 2: On localise ces endroits sur l’image et on extrait la valeur de luminance Étape 3: On établi une relation entre luminance et température (analyse de régression) que l’on applique par la suite sur l’ensemble des pixels de l’image Hypothèses: l’atmosphère est partout homogène + matériaux même émissivité

2. Approche empirique Extrait ETM+6 rééchantillonnées à 30 m T = a *Luminance + b T Exemple: un dépotoir de neige Luminance  T VN

Comment aller plus loin: corrections atmosphériques Luminance atmosphérique Transmittance atmosphérique Image utilisée dans le laboratoire Application d’un modèle atmosphérique

Luminances en températures Erreurs: ignorance des impacts de l’émissivité

Comment aller plus loin? Étape 5: luminances au sol en luminance des objets Luminance du ciel Émissivité Image utilisée dans le laboratoire Bande IRT (ETM+6) 1.71 Application d’un modèle atmosphérique

Luminances en températures Notre problème  on ne connaît pas les émissivités des matériaux Solutions proposées dans le cas d’un capteur avec une seule bande dans l’infrarouge thermique comme Landsat?

2. Comment aller plus loin? Corrections des effets atmosphériques Idée générale Imagerie thermique  températures des objets  relation intime avec la température de l’air indication sur les sites potentiels d’îlots de chaleur Imagerie multispectrale  indices de végétation  localiser les surfaces avec un couvert végétal déficient verdissement contrer les îlots de chaleur But du laboratoire  prouver que les températures de surface sont intimement liées à la couverture végétal

Solution 1: Classification On cherche des sites d’entraînement pour les classes suivantes: 1) bâti avec couvert végétal dense (ex. Ville Mont-Royal); 2) bâti avec couvert végétal modéré; 3) bâti avec couvert végétal faible; 4) surfaces dénudées brillantes (visible); 5) végétation; 6) eau

Solution 1: Classification On utilise ces sites pour séparer l’espace spectrale (toutes les bandes sauf thermique) en domaines de chaque classe; ici exemple classificateur par distance minimale

Solution 1: Classification On attribue les valeurs par défaut pour l’émissivité par classe: 1) 0.96; 2) 0.93; 3) 0.91; 4) 0.88; 5) 0.985; 6) 0.97

Solution 2: Exploiter la relation entre NDVI et émissivité Calcul du NDVI Valeurs négatives si rouge > PIR Valeurs zéro si rouge = PIR Valeurs positives si rouge< PIR

Estimation de l’indice de végétation NDVI Calcul du NDVI Valeurs négatives si rouge > PIR Valeurs zéro si rouge = PIR Valeurs positives si rouge< PIR

Image NDVI Carte d’occupation du sol

Calcul approximatif de l’émissivité On localise les pixels d’eau en seuillant l’histogramme du PIR Seuil réflectance <0.1 On attribue aux pixels d’eau une valeur approximative de 0,97

Calcul approximatif de l’émissivité On localise les pixels sans couvert végétal Seuil NDVI <0.15 On attribue aux pixels une valeur approximative de 0,88

Calcul approximatif de l’émissivité On localise les pixels avec couvert végétal partiel 0.15<= NDVI <0.7 On attribue aux pixels une valeur selon l’équation suivante:

Calcul approximatif de l’émissivité On localise les pixels avec fort couvert végétal NDVI >=0.7 On attribue aux pixels une valeur approximative de 0.985

Calcul approximatif de l’émissivité: résultat final

Analyse températures Carte d’occupation du sol

Analyse des températures Habitation faible densité Centre commercial Carte d’occupation du sol

Relation températures - couvert végétal