ARTICLE
Auteur(s) : Richard Escadafal
Institut de recherche pour le développement (IRD), UMR Centre
d’études spatiales de la biosphère (Cesbio), 18, avenue Edouard
Belin, Bpi 2801, 31401 Toulouse cedex 9 France
Les observatoires au sol sont essentiels pour collecter
l’ensemble des données nécessaires à la caractérisation de l’état
d’un milieu aride à un instant donné et suivre leur évolution au
long terme pour établir un diagnostic, notamment en termes de
désertification, comme en témoignent les articles de ce numéro
spécial.
Même si les observatoires sont bien évidemment judicieusement
choisis pour être représentatifs d’une région la plus large
possible, la densité des réseaux d’observatoires au sol est
insuffisante pour prétendre à une couverture satisfaisante de
l’ensemble des situations, que ce soit au niveau d’un pays et a
fortiori au niveau d’une grande région (ex : Maghreb, Sahel)
ou d’un continent.
La possibilité d’assurer une couverture complète d’une région
est à peu près uniquement réalisable à l’aide des données en
provenance des satellites de télédétection, les couvertures par
photographies aériennes étant trop onéreuses pour être réalisées à
des fins de surveillance environnementale.
Si les observations réalisées depuis les montgolfières au siècle
des Lumières sont considérées comme les premières tentatives de
télédétection, ce n’est qu’au début du XXe siècle que
les premières images sont produites, par photographie depuis des
ballons. Elles seront très utilisées sur le front durant la
première guerre mondiale, ce qui nous rappelle bien que la
télédétection tout comme la cartographie est au départ un
« art militaire ». L’utilisation des satellites pour
observer la Terre n’échappe pas à cette logique, mais dans cet
article nous nous intéresserons uniquement aux applications aux
surfaces terrestres arides, et particulièrement à la
désertification (Escadafal et al. [1]).
Les données satellitales sur le long terme
De nombreux ouvrages et articles permettent d’aborder les bases de
la télédétection spatiale [2, 3]. En se basant sur l’expérience
acquise sur le suivi de milieux naturels ou d’agriculture extensive
en Tunisie méridionale [4], une vision d’ensemble des notions
indispensables pour comprendre l’utilisation des satellites dans
les stratégies d’observation des régions arides à long terme est
résumée ici.
Foisonnement des données
Les premières observations spatiales ont été faites à la fin des
années soixante depuis les satellites habités, les nombreuses
photographies ramenées au sol ont fait découvrir cette vision
totalement nouvelle de notre planète. Cela a donné l’impulsion à la
télédétection spatiale civile qui a débuté avec les satellites de
la série Landsat (National Aeronautics and Space Administration,
NASA), dont le premier a été lancé pendant l’été 1972. Depuis, de
nombreux autres ont suivi, dont les satellites français de la série
SPOT qui assurent une couverture régulière de la planète depuis
1986, soit plus de 20 ans. Dans le cas de ces deux séries de
satellites, leurs capteurs enregistrent des images dans le domaine
optique avec une résolution au sol variant de 10 à 30 m, et
donc relativement comparables à des photographies aériennes.
D’autres capteurs optiques à grand champ ont été développés,
couvrant une aire très large à chaque passage et permettant ainsi
de survoler plus souvent les mêmes régions, mais avec une
résolution de l’ordre du kilomètre (ex : NOAA-AVHRR,
Spot-Végétation).
Pour détecter une plus large gamme de caractéristiques des
surfaces terrestres, une grande variété de capteurs a été imaginée,
particulièrement ceux de la télédétection active, où la cible est
illuminée par un faisceau radar dont on mesure le rayonnement
rétrodiffusé (ex : images du radar à synthèse d’ouverture du
satellite européen Envisat). Ces images ont la propriété de
s’affranchir des nuages, levant ainsi une des limitations
rencontrées dans le domaine optique, et mesurent des paramètres peu
accessibles dans ce domaine (rugosité, humidité, etc.) mais leur
interprétation est plus complexe.
En sus des pays (États-Unis, France) déjà cités, des images de
télédétection ont également été produites en grand nombre par
l’Union soviétique puis la Russie et l’Inde notamment. Le nombre
d’instruments de télédétection en orbite terrestre ne cesse de
croître, avec de nouveaux acteurs, l’Europe, le Brésil, la Chine,
le Japon, par exemple. Fort heureusement, en même temps les
capacités de traitement de ces données augmentent rapidement, au
point qu’un ordinateur portable peut suffire dans beaucoup de
situations.
Cette masse d’informations est cependant inégalement accessible,
la plus grande partie des données à haute résolution est distribuée
commercialement, et tous les catalogues ne sont pas disponibles en
ligne sur Internet. Pour donner une idée de la quantité
d’informations disponible, l’archive de données maintenue par
l’U.S. Geological Survey (USGS) aux États-Unis contient des images
Landsat et Spot mais aussi des photographies spatiales déclassées,
des données AVHRR, puis Modis atteint actuellement 3 millions de Go
(soit 3 petaoctets [5]). À Toulouse, l’archive des images acquises
sur plus de 20 ans par les 5 satellites de la série Spot HRV
contenait 16,4 millions de scènes fin 2006 (information fournie par
la société Spotimage qui en assure la diffusion payante). Parmi les
données globales, les données Spot-Végétation constituent une
archive couvrant plus de 10 ans, que l’accès gratuit et facile
via Internet rend particulièrement intéressante.
Face à l’importance que prend l’archivage des données de
télédétection pour la surveillance environnementale de notre
planète, le Committee on Earth Observation Satellites (CEOS)
regroupant 44 organisations et agences spatiales, chargé de
coordonner les efforts en matière de télédétection, a créé un
groupe de travail dédié à l’harmonisation de la gestion et la
fourniture des données d’observation de la terre [6].
Données les mieux adaptées
Dans cette jungle d’information, il apparaît vite que si l’on
s’intéresse à la surveillance des environnements arides, le
diagnostic de changements et de l’état de désertification suppose
de disposer de séries de données de satellites à long terme,
c’est-à-dire sur plusieurs décennies. Comme le foisonnement des
données est plutôt récent, le choix devient beaucoup plus limité.
Quelques expériences de suivi à long terme des propriétés des
surfaces terrestres ont été réalisées avec des données micro-ondes
pour le suivi du couvert végétal avec le diffusomètre ERS-1 au
Sahel [7], mais ce sont des observations continentales à très basse
résolution.
Ce sont essentiellement les données de capteurs optiques déjà
cités, NOAA-AVHRR à résolution kilométrique et de Landsat et Spot à
haute résolution, qui sont utilisées pour le suivi à long terme.
Les régions arides sont un cas particulièrement adapté à la
surveillance par télédétection avec ces instruments dans la mesure
où l’ennuagement y est limité.
Le tableau 1 résume les
caractéristiques des jeux de données disponibles.
Les données à résolution kilométrique sont utilisées depuis les
années 1990 pour le suivi de la couverture végétale verte à
l’échelle continentale [8], notamment pour les systèmes d’alerte au
niveau des pays. Les données à haute résolution sont indispensables
au suivi de sites particuliers, notamment les zones
« observatoires » qui requièrent des informations plus
détaillées et des variables plus nombreuses (cas du réseau Roselt1). Le taux de couverture de la
végétation verte est dans ce cas un critère insuffisant pour
caractériser l’état écologique et le niveau de désertification,
particulièrement dans les milieux steppiques (zones arides
méditerranéennes). L’approche continentale basée sur les indices de
végétation (cf. infra) étant largement déployée et décrite par
ailleurs, l’accent est mis ici sur le suivi détaillé à long
terme.
Tableau I Exemples de données satellitales disponibles
pour les études à long terme.
|
Satellite
|
Capteur
|
Résolution (max)
|
Disponibilité
|
Nb de bandes utilisées*
|
Type de données
|
Niveau de coût
|
|
NOAA
|
AVHRR
|
1 km
|
Accès web gratuit
|
2
|
RS
|
0
|
|
SPOT 4 et 5
|
VEGETATION (VGT)
|
1 km
|
Accès webgratuit
|
4
|
RS
|
0
|
|
NASA Landsat 1 à 3
|
MSS
|
80 m
|
Accès via USGS
|
4
|
CN
|
1
|
|
NASA Landsat 4 à 7
|
Thematic Mapper
|
30 m
|
Accès payant via USGS et NASA
|
6
|
CN
|
2
|
|
SPOT 1 à 5
|
HRV
|
20 m
|
Accès payant via Spotimage
|
3, puis 4
|
CN
|
3
|
|
(5 m pour SPOT 5)
|
Informations obtenues par télédétection
Images, données et mesures
Les images enregistrées par les satellites sont fournies aux
utilisateurs sous une forme plus ou moins élaborée.
Pour les images Landsat et Spot, le client utilisateur les
reçoit sous forme de fichiers qui contiennent d’une part des
informations sur la prise de vue et la calibration, d’autre part
les données brutes sous forme de comptes numériques, exprimant les
niveaux d’énergie reçus par le capteur pour chaque pixel et chaque
bande. Il est possible d’acquérir ces images sous un format
superposable à un système cartographique, moyennant un coût
supplémentaire, sinon cette opération de
« géoréférencement » est à la charge de
l’utilisateur.
Une image en comptes numériques peut être utilisée telle qu’elle
si l’on y recherche simplement des objets identifiables par leurs
formes, par exemple pour cartographier des structures géologiques,
des routes, des constructions urbaines… Dans certains cas simples,
il est aussi possible de déterminer grossièrement le contenu des
pixels, par exemple en termes de présence ou d’absence de
végétation dense (contraste visuel entre canaux visibles et proche
infrarouge).
Mais pour déterminer ce contenu plus avant, il faut identifier
les composants des pixels d’après leurs valeurs relatives dans les
différentes bandes. En effet, le concept de base de la
télédétection multispectrale (à plusieurs bandes ou canaux) repose
sur le fait que les différents éléments des surfaces terrestres
réfléchissent le rayonnement solaire de façon inégale selon les
longueurs d’onde : c’est la notion de signature spectrale. Les
sols, les roches, la végétation, ont des signatures spectrales
différentes (figure 1).
La présence d’un élément de surface n’est donc pas dans ce cas
identifiée par la distribution et l’arrangement des pixels, mais
pour chaque pixel, par les différences de niveaux d’énergie
réfléchie dans chaque bande. Pour pouvoir comparer les valeurs d’un
capteur à l’autre et d’une date à l’autre, elles sont converties en
grandeur indépendante du capteur, généralement la réflectance au
sol (cf. infra). À noter que les deux approches peuvent être
combinées pour identifier dans l’image des objets caractérisés à la
fois par une forme et/ou une texture particulière, combinées à une
signature spectrale spécifique.
En raison de limitations technologiques, les capteurs des
satellites utilisés pour l’observation à long terme ne mesurent les
signatures que de façon incomplète, dans un nombre des bandes
restreint, limitant les possibilités de discriminer les signatures
spectrales.
Enfin, dans le cas des données à résolution kilométrique, elles
ne permettent pas la reconnaissance directe d’objets dans l’image,
leur utilisation terrestre repose à peu près entièrement sur
l’interprétation des contenus des pixels d’après la signature
spectrale.
Données environnementales « télédétectables »
En considérant que la télédétection nous fournit des images dans
lesquelles à chaque pixel correspond une mesure de signature
spectrale, la question à résoudre est la suivante :
quelles sont les informations d’intérêt environnemental qui peuvent
être tirées de ces mesures ?
Pour cela il faut comprendre les principes de la télédétection
optique. Fondamentalement, le capteur enregistre la lumière solaire
réfléchie par les surfaces terrestres, et l’information réside dans
les inégalités de l’absorption. Le pourcentage de rayonnement
réfléchi est la notion de réflectance, que l’on qualifie de
spectrale lorsque la longueur d’onde dans laquelle est effectuée la
mesure est prise en compte.
Pour ce qui nous préoccupe ici, la réflectance est mesurée de
façon directionnelle par les satellites qui passent à une heure
précise (donc une position solaire donnée) et visent la cible sous
un angle précis. Pour que les comparaisons soient correctes, il
faut veiller à choisir des images dont les conditions d’éclairement
et des visées soient comparables, et si nécessaire les corriger,
notamment des effets perturbateurs de l’atmosphère (figure 2).
Il existe de très nombreuses études sur les signatures
spectrales des composants des surfaces terrestres, dont des
bibliothèques de signatures, certaines sont même intégrées aux
logiciels de traitement d’images de télédétection.
Végétation
La végétation est certainement le composant des surfaces terrestres
le plus intensivement surveillé par satellite, une grande partie
des études environnementales est basée sur le suivi de l’abondance
de la végétation verte. Celle-ci est identifiable par sa signature
spectrale caractérisée par une forte absorption dans le domaine
spectral du rouge (vers 600 nm) et une forte réflexion dans le
proche infrarouge (autour de 900 nm). Cette propriété déjà
utilisée dans les photographies aériennes en « fausses
couleurs » est le plus souvent exploitée en calculant une
valeur du contraste entre ces deux bandes, c’est le cas du très
utilisé NDVI (indice de végétation basé sur la différence
normalisée, Normalised Difference Vegetation Index). Cet indice est
relié de façon empirique à des propriétés des végétaux verts, dont
la principale est le taux de couverture. Des approches plus
récentes basées sur des modèles de transfert radiatif permettent de
calculer à partir des mesures des satellites les valeurs de
paramètres du couvert tels l’indice foliaire (LAI, leaf Area
Index).
Dans le cas des régions arides, ces méthodes s’appliquent
également, mais trouvent leurs limites dans la mesure où les taux
de couvert et de LAI sont souvent très faibles lorsqu’on
s’intéresse essentiellement à la végétation naturelle, voire aux
cultures pluviales (le cas des zones irriguées sort du propos de
cet article).
Qui plus est, la végétation n’y est souvent que partiellement
verte, soit qu’elle soit constituée de buissons ligneux avec des
feuilles petites et rares (chaméphytes) soit qu’elle soit carrément
en grande partie sèche sur pied. Les signatures spectrales des
plantes typiques des régions péridésertiques sont de fait
sensiblement différentes de celles des plantes à feuillage vert
abondant [9]. Les indices de végétation se sont de fait révélés peu
adaptés au suivi du couvert végétal de la Tunisie aride aux
résolutions spatiales habituelles [10].
C’est dans les savanes herbeuses du Sahel à la phénologie
contrastée qu’ils permettent plus facilement un suivi du
développement saisonnier, et des fluctuations interannuelles,
permettant l’alerte précoce en cas de sécheresse [11, 12]. Le suivi
sur 20 ans des variations interannuelles du NDVI-AVHRR sur les
pays sahéliens a même permis à certains auteurs de parler d’un
« reverdissement récent du Sahel » [13]. Il est certain
que par rapport aux périodes de grandes sécheresses des années
1980, le couvert végétal vert qui se développe avec la mousson est
nettement plus dense ces dernières années [14], mais cela ne
signifie certainement pas que ces pays soient hors de la menace de
la désertification et ni même des famines (cf. la situation du
Niger en 2006).
Enfin, les mesures faites par les indices de végétation peuvent
aussi être influencées par les algues (cyanophycées, notamment) qui
se développent à la surface de certains sols arides, et peuvent
donner une signature semblable à celle des végétaux verts [15].
En résumé, la végétation naturelle est plus difficile à détecter
dans les régions arides, dans la mesure où elle ne présente un
feuillage vert que pendant des périodes assez courtes, et ce
dernier est peu couvrant, donc peu représenté dans les éléments de
surface correspondant aux pixels dans l’image. Les indices de
végétation y sont à manier avec prudence lorsqu’on cherche à
détecter des couverts faibles, notamment à cause de leur altération
par les caractéristiques spectrales du sol [16] ou des algues à sa
surface. Ils sont surtout utilisés pour déterminer le taux de
couverture des herbacées du Sahel, mais échouent à déterminer
l’état de la végétation steppique de la bordure nord du Sahara.
Sols
Dans les régions qui nous intéressent, les sols sont très pauvres
en matière organique et la fraction minérale domine donc très
largement, même en surface. D’une façon générale, les signatures
spectrales des minéraux ont été très étudiées [17], les
bibliothèques spectrales en contiennent un grand nombre. L’idée est
notamment de reconnaître les minéraux les plus intéressant pour
l’exploration géologique. Pour ce qui concerne les minéraux
présents dans les sols, ce sont essentiellement les éléments du
squelette (sables quartzeux ou carbonatés, par exemple) les
éléments fins et les argiles.
Les mesures réalisées au-delà de 1 500 nm dans les bandes
moyen infrarouge des capteurs Thematic Mapper (TM) de Landsat et
HRVIR de Spot 4 et 5, sont très utiles pour distinguer différents
types de minéraux présents dans les sols arides, notamment
différents types d’argiles, de carbonates, ou de sulfates comme le
gypse présents dans de nombreux sols, particulièrement en Algérie,
Irak, Syrie, Tunisie.
La présence d’oxydes de fer est aussi très fréquente, de faibles
quantités suffisent à donner une coloration rougeâtre typique de
nombreux sols sableux des régions désertiques. La couleur des sols,
qui est un critère très utilisé par les pédologues sur le terrain,
est liée à la signature spectrale dans les courtes longueurs
d’ondes (entre 400 et 700 nm), et plusieurs indices ont été
proposés pour distinguer les sols d’après leur couleur [16,
18].
Observés depuis l’espace, les sols sont les composants majeurs
des surfaces arides, leurs signatures spectrales sont assez variées
(figure 1)
et peuvent être souvent distinguées. Le challenge est de relier ces
signatures à des niveaux de désertification et/ou d’autres
propriétés intéressantes telles la texture ou les caractéristiques
hydrodynamiques (notion de pédotransferts).
Infrastructures
L’action de l’homme sur le milieu se traduit non seulement par des
modifications du couvert végétal ou des végétaux présents
(défrichement, cueillette, mais aussi protection, cultures
annuelles, plantations pérennes…) et de l’état des sols (labour,
irrigation, etc.), mais aussi par des constructions, aménagements
et infrastructures (habitations, routes, aéroports, etc.). La
densité d’habitations ou de zones bâties peut être suivie
facilement sur les images à haute résolution, notamment parce que
la signature spectrale des matériaux utilisés est nettement
différente de celle des composants naturels des surfaces.
L’extension urbaine de grandes agglomérations a ainsi pu être
suivie, par exemple celle de la ville de Phoenix en Arizona avec
une série de trente ans de données Landsat [19]. Mais il existe
aussi des images anciennes de plus haute résolution permettant de
s’intéresser au développement de villages, ce qui est en lien avec
notre thématique. Ainsi, des photographies de satellites espions
prises dans les années 1960 sont maintenant déclassifiées (Corona
de la CIA, notamment). Elles permettent des comparaisons avec les
images à haute résolution récentes ; il ne s’agit pas ici de
suivi, mais de mesure de différences à 40 ans d’intervalle.
Elles ont été utilisées au Sahel pour mesurer l’extension de
l’habitat rural et l’évolution de la végétation arborée.
Bilan : la télédétection des surfaces arides
La démarche la plus rigoureuse pour interpréter au mieux les
données de télédétection consiste à considérer la surface des
régions arides dans son ensemble (figure 3). Une
approche intégratrice, considérant les surfaces comme un assemblage
d’états élémentaires, a été proposée, elle permet de rendre compte
de l’hétérogénéité des surfaces en décrivant l’ensemble des
éléments qui modifient le rayonnement solaire réfléchi [4]. Suivant
les situations, les variations des signatures spectrales observées
seront dues à des différences dans la nature et/ou la distribution
des différents états élémentaires, par exemple : abondance des
plages de sable mobile, présence de végétaux secs, de litière…
Cette représentation de la surface par une mosaïque de
composants élémentaires permet d’établir plus facilement les
relations entre signature spectrale et contenu des pixels des
images à haute résolution. Elle est notamment remarquablement
adaptée aux méthodes basées sur les modèles de mélange. Dans cette
approche, la signature spectrale d’un pixel est considérée comme un
mélange de signatures de composants élémentaires (sol, roches,
végétaux verts, écorces…). Les proportions relatives de ces
composants élémentaires peuvent être calculées connaissant les
spectres individuels, à condition qu’ils soient tous différents les
uns des autres. Cette technique nécessite donc des données de
télédétection à nombreux canaux (les 6 canaux du Thematic Mapper
sont un minimum) et de connaître a priori quels sont les composants
élémentaires des surfaces étudiées [20].
La télédétection des changements affectant les milieux arides
repose donc essentiellement sur la détection des changements de
composition des surfaces et leur interprétation en termes de
désertification. La signification écologique de ces changements est
très contextuelle, il est donc important de les interpréter non pas
de façon absolue, mais dans un environnement circonscrit (une
approche par zone agroécologique a ainsi été développée par
l’Observatoire du Sahara et du Sahel (OSS) dans son programme
Images).
Difficulté du suivi à long terme
L’étude de changements affectant les surfaces requiert plusieurs
images, certes, mais de préférence judicieusement choisies le long
d’une période de temps adaptée à l’étude. Dans les études de la
désertification, bien souvent on cherchera à avoir une période la
plus longue possible, par exemple remontant avant la date des
modifications d’utilisation des terres, ou des changements
socio-économiques dont on soupçonne qu’ils ont eu un impact sur
l’état de l’environnement.
Si l’on s’intéresse à plusieurs décennies, cela implique de
devoir utiliser plusieurs satellites, leur durée de vie
individuelle dépasse rarement une décennie en moyenne, elle est
parfois abrégée par des incidents techniques. Pour ce qui concerne
la haute résolution, les satellites Landsat sont ceux qui
permettent les séries les plus longues, d’autant que leurs images
sont acquises de façon systématique par construction, toujours
selon le même angle de visée verticale. Ainsi, en principe, chaque
scène Landsat est survolée toutes les trois semaines environ, alors
que les capteurs HRV2 des satellites
de la série Spot sont orientables, permettant une programmation des
acquisitions, ce qui a pour corollaire que la répétitivité des
points de vue n’est pas systématique.
Géoréférencement
Une des conditions indispensables pour permettre une comparaison
entre images, c’est qu’elles soient parfaitement superposées. Cela
passe généralement par la prise de points de contrôle au sol (avec
relevé des coordonnées par GPS3) et
reprojection des images dans un système de coordonnées
géographiques commun. Pour compenser des différences de tailles de
pixels entre capteurs (exemple Multi Spectral Scanner (MSS) et TM)
il faut également procéder à un rééchantillonnage de la taille des
pixels.
Intercalibration relative
Une fois le géoréférencement réalisé avec le plus grand soin, les
pixels correspondant à des éléments de surfaces homologues sont
parfaitement superposés entre images de différentes dates. Mais
pour pouvoir comparer les valeurs des pixels d’une date à l’autre,
il faut convertir ces comptes numériques en grandeurs physiques, en
valeurs de mesures. Une première façon de faire consiste à
intercalibrer les images entre elles, l’une d’elle servant de
référence, par exemple celle qui est au milieu de la série
temporelle. Pour cela il faut trouver des éléments de surface
invariants communs à toutes les images, par exemple un sol toujours
nu, un affleurement rocheux dépourvu de végétation, un plan d’eau
permanent. Les comptes numériques des images sont alors normalisés
en rendant constantes les valeurs pour ces éléments invariants (ou
« pseudo-invariants » [21]). Dans cette série, les
variations entre dates ne sont alors plus dues à des variations de
gain et/ou de calibration, mais bien à des fluctuations de l’état
des surfaces.
Calibration absolue : réflectance au sol
L’intercalibration seule ne permet pas de comparer les valeurs avec
d’autres valeurs acquises sur le même site par des instruments
différents ou sur d’autres sites, ni avec les mesures faites sur le
terrain. Pour cela il faut d’abord convertir les comptes numériques
de chaque pixel en luminance en utilisant les données de
calibration et de gain de l’instrument. Connaissant le rayonnement
solaire incident sur la surface visée au moment de l’acquisition de
l’image, le pourcentage du rayonnement réfléchi par la cible peut
alors être déduit, dans les différents canaux (réflectance
spectrale). C’est la réflectance apparente au niveau du capteur (ou
réflectance, TOA = Top of Atmosphere).
Ensuite, la perturbation par l’atmosphère peut être éliminée par
modélisation, sous réserve de connaître un minimum de paramètres
sur sa composition au moment de l’acquisition de l’image [22]. La
réflectance au sol (TOC = Top of Canopy) est alors enfin calculée,
elle peut être comparée avec celle mesurée sur le terrain avec des
radiomètres ou des spectroradiomètres portables, voire avec des
mesures de réflectance en laboratoire. En l’absence de données
fiables sur l’état de l’atmosphère, par exemple pour des données
relativement anciennes, il sera souvent préférable d’utiliser une
intercalibration, puis de convertir les comptes numériques en
réflectance TOC en s’appuyant sur des mesures de réflectance des
surfaces invariantes faites sur le terrain [23].
En conclusion, pour réaliser une surveillance à long terme par
satellite, il y a de nombreuses opérations à réaliser, et de la
qualité de chacune d’elles dépendent la qualité de la série obtenue
et la précision des changements qui pourront être détectés.
Exemples de surveillance par satellite
Évolution de terres de parcours sur 30 ans
Une longue série d’images a été constituée sur le site tunisien de
Menzel Habib, bien étudié depuis de nombreuses années (et qui fait
partie du réseau Roselt). Pour maximiser la durée, les données MSS
remontant à 1972 ont été combinées avec des données TM. Un total de
27 images a été rassemblé et plusieurs techniques d’analyse de
tendance ont été appliquées [24]. Parmi les résultats, la figure 4 illustre
la tendance à long terme 1972-2002 pour la combinaison de deux
indices exprimant l’état de surface. Leur combinaison permet de
repérer les zones dont l’état s’est globalement amélioré
(restauration) et celles dont l’état s’est globalement dégradé.
Évolution de l’irrigation et ressources en eau
Dans un autre registre, la comparaison des surfaces irriguées,
caractérisées par une forte densité de végétation verte, à
plusieurs dates a permis de mesurer l’extension de ce type de
culture dans la région de Marrakech au Maroc. Ce type d’étude
permet d’estimer l’accroissement de la consommation d’eau et
d’évaluer la durabilité du système en fonction des ressources
disponibles (figure 5, projet
Sudmed).
Conclusions et recommandations
L’intercalibration des images est essentielle pour pouvoir réaliser
un suivi par satellite. Mais elle comprend de nombreuses étapes, et
les approximations souvent nécessaires par manque d’informations
rétrospectives (état de l’atmosphère, calibration et vieillissement
des détecteurs), conduisent à d’inévitables erreurs sur les valeurs
de réflectance qui rendent l’analyse de tendance délicate, lorsque
les fluctuations recherchées sont faibles (ex : une variation
de 10 % d’une végétation qui ne couvre que 20 % du sol).
Face aux difficultés que posent aux utilisateurs les
prétraitements des images, la tendance actuelle est de fournir des
produits élaborés tels que les valeurs de réflectance au sol
(Postel, Toulouse), le Fapar (Joint Research Center (JRC), Ispra,
Italie), le site Nasa-Modis propose ainsi plusieurs dizaines de
produits différents. Mais cela concerne uniquement la basse
résolution ; pour la haute résolution, l’obtention de données
converties en réflectance au sol reste un service à la demande très
coûteux, et qui n’est pas disponible pour les données anciennes. Le
traitement d’une archive entière sur une région reste à la charge
de l’utilisateur qui doit le réaliser au coup par coup. Par
ailleurs, l’état de l’archive des données Landsat gérée aux
États-Unis est assez inégal sur l’Afrique et même celle qui a été
gérée au niveau européen est incomplète (distribution Eurimage).
L’archive des données Spot HRV est encore relativement peu
exploitée en raison de son coût.
En conclusion, la télédétection est en théorie un excellent
outil pour la surveillance environnementale à long terme, mais
difficile à mettre en œuvre en pratique. L’analyse de longues
séries d’images bien intercalibrées est pourtant une source
d’informations incomparable sur l’état et l’évolution d’une
région.
Dans le futur, de plus en plus de données seront disponibles et
de mieux en mieux prétraitées par les fournisseurs. Parmi les
traitements à la disposition des utilisateurs, ceux basés sur les
modèles de mélange conviennent bien aux surfaces hétérogènes des
régions arides. Même s’ils ont jusqu’à présent surtout servi à
mieux détecter la végétation [20], ils sont bien adaptés à la
télédétection hyperspectrale qui se développe (satellites Hyperion,
puis EnMap) et offre d’intéressantes perspectives [25].
Enfin, pour ce qui concerne un meilleur accès aux données de
satellites, les efforts du CEOS et des agences pour promouvoir des
plateformes Web et des réseaux interconnectés visent à permettre
aux utilisateurs de s’adresser à un guichet unique. Ils pourront
alors obtenir des données de télédétection de différentes
plateformes/capteurs et sous un format directement utilisable,
pouvant être aisément combiné avec d’autres sources d’informations
spatialisées. Même si la concrétisation n’est pas prévue avant
plusieurs années, la communauté des utilisateurs a certainement
intérêt à les encourager fortement dans ce sens.
Remerciements
Nous remercions Olivier Hagolle et Philippe Maisongrande,
ingénieurs Centre national d’études spatiales (Cnes) au Cesbio,
pour les précieuses informations et remarques qu’ils ont
aimablement mis à notre disposition, ainsi que les deux relecteurs
anonymes pour leurs judicieuses suggestions d’amélioration de cet
article.
Références
1 Begni G, Escadafal R, Fontannaz D,
Hong-Nga-Nguyen A. La télédetection, outil pour le suivi et
l’évaluation de la desertification. Dossier n°2 du Conseil
scientifique français de la désertification (CSFD).
Montpellier : Agropolis, 2005.
2 Bonn F, Rochon G. Précis de télédétection. Principes
et Méthodes, Vol. 1. Québec : Aupelf, Universités
francophones, 1992.
3 Girard M, Girard C. Traitement des données de
télédétection. Paris : Dunod, 1999.
4 Escadafal R. CAMELEO : Changes in arid Mediterranean
ecosystems on the long term and earth observation - Final report.
INCO contract : ERBIC18CT970155. Ispra (Italie) : Joint
Research Center (JRC), 2002.
5 Faundeen J. Records management report, Quarter 1 2007.
Sioux Falls (South Dakota, États-Unis) : US Geological Survey
(USGS), 2007.
6 Faundeen J, Petiteville I, Clark D, Fisher T. Global
environmental databases from CEOS agencies. XXth ISPRS Congress,
Istanbul (Turkey), 2004.
7 Philippon N, Mougin E, Jarlan L, Frison P.
Analysis of the linkages between rainfall and land surface
conditions in the West African monsoon through CMAP, ERS-WSC and
NOAA-AVHRR data. J Geoph Res 2005 ; 110 : D24115.
8 Tucker C, Newcomb W, Los S, Prince S. Mean
and inter-year variation of growing-season normalized difference
vegetation index for the Sahel 1981-1989. Int J Rem Sens
1991 ; 12 : 1113-5.
9 Elvidge C. Visible and NIR reflectances characteristics
of dry plant materials. Int J Rem Sens 1990 ; 2 :
1775-95.
10 Kennedy P. Monitoring the phenology of Tunisian grazing
lands. Int J Rem Sens 1989 ; 10 : 835-45.
11 Justice C, Hiernaux P. Monitoring the grasslands of
the Sahel using NOAA-AVHRR data : Niger 1983. Int J Rem Sens
1986 ; 7 : 1475-97.
12 Crépeau C, Bennouna T, Bicheron P, et al. Suivi de la
végétation en zone sèche par des produits d’information dérivés de
l’imagerie spatiale. Sécheresse en ligne 2003 ; 1E (1).
13 Eklundh L, Olsson L. Vegetation index trends for
the African Sahel 1982-1999. Geoph Res Letters 2003 ;
30 : 131-4.
14 Anyamba A, Tucker C. Analysis of Sahelian
vegetation dynamics using NOAA-AVHRR NDVI data from 1981-2003. J
Arid Environ 2005 ; 63 : 596-614.
15 Karnieli A, Kidron G, Glaesser C,
Ben-Dor E. Spectral characteristics of cyanobacteria soil
crust in semiarid environments. Rem Sens Env 1999 ; 69 :
67-75.
16 Escadafal R, Huete A. Étude des propriétés
spectrales des sols arides appliquée à l’amélioration des indices
de végétation obtenus par télédétection. CR Acad Sci Paris
1991 ; 312 : 1385-91.
17 Clark R. Spectroscopy of rocks and minerals, and
principles of spectroscopy. In : Rencz A, ed. Remote
sensing for the earth sciences : manual of remote sensing. New
York : John Wiley & Sons, Inc., 1999.
18 Escadafal R, Belghit A, Ben-Moussa H. Indices
spectraux pour la dégradation des milieux naturels en Tunisie
aride. 67e Symp. Int. Mesures physiques et signatures en
télédétection. Val d’lsère (France) : ISPRS-Cnes, 1994.
19 Moeller M. Monitoring long term transition processes of a
metropolitan area with remote sensing. IGARSS ’04. Proceedings.
2004 IEEE, Istanbul (Turkey), 2004. Tempe (Arizona,
États-Unis) : Center of Environmental Studies, Arizona State
University, 2004.
20 Hostert P, Röder A, Hill J. Coupling spectral
unmixing and trend analysis for monitoring of long-term vegetation
dynamics in Mediterranean rangelands. Rem Sens Env 2003 ;
87 : 183-97.
21 Furby S, Campbell N. Calibrating images from
different dates to ’like-value’ digital counts. Rem Sens Env
2001 ; 77 : 186-96.
22 Tanré D, Deroo C, Duhaut P, Herman M,
Morcrette JJ. Description of a computer code to simulate the
satellite signal in the solar spectrum : the 5S code. Int J
Remote Sens 1990 ; 11 : 659-68.
23 Simonneaux J, Bois C, Sholte K,
Delaitre E. Détection d’invariants dans une série temporelle
d’images satellitales en zone aride : application à
l’intercalibration des images et à la correction radiométrique
d’images. Proc Int Symp Marrakech (Maroc). 2001.
24 Escadafal R, Albinet F, Simonneaux V. Arid
Land cover change trend analysis with series of satellite images
for desertification monitoring in Northern Africa. Proc 31st Ints
Symp Rem Sens Env, St Petersburg, Russia. 2005.
25 Ustin S, Roberts D, Gamon J, Asner G,
Green R. Using Imaging Spectroscopy to Study Ecosystem
Processes and Properties. Bioscience 2004 ; 54 :
523-34.
2 HRV : haute résolution
visible.3 GPS : global positioning
system.1 Roselt : Réseau
d’observatoires de surveillance écologique à long terme.
|
Version imprimable
Version PDF
