Principes fondamentaux de la télédétection

Introduction aux principes fondamentaux de la télédétection

La télédétection est une discipline clé des sciences de la Terre qui permet d’acquérir des informations sur la surface terrestre, l’atmosphère et les océans à distance, sans contact physique direct. Ce cours reprend les concepts essentiels testés dans le questionnaire fourni, en les développant de façon pédagogique et optimisée pour le référencement (SEO). Il s’adresse aux étudiants, aux professionnels du géomatique et à toute personne souhaitant maîtriser les bases de la télédétection.

Définition et portée de la télédétection

Selon le Manual of Remote Sensing de Simonett (1983), la télédétection se définit comme l’acquisition d’information sur un objet sans contact physique. Cette définition met en avant trois éléments essentiels :

• Acquisition : les capteurs captent l’énergie électromagnétique (ou d’autres formes d’énergie) émise ou réfléchie par la cible.
• Information : les données brutes sont transformées en informations exploitables (ex. cartes, indices).
• Sans contact physique : aucune interaction directe avec le sol ou la cible n’est requise, ce qui permet d’observer des zones inaccessibles ou dangereuses.

Cette approche contraste avec les mesures in‑situ, où les instruments sont placés directement sur le terrain. La télédétection offre ainsi une couverture spatiale et temporelle largement supérieure, indispensable pour la surveillance environnementale, la gestion des ressources naturelles et la planification urbaine.

Les lois physiques fondamentales en télédétection

La loi de Kirchhoff

En télédétection, la loi de Kirchhoff décrit la relation entre les coefficients d’absorption (α), de réflexion (ρ) et de transmission (τ) d’un matériau. La forme la plus courante est :

α + ρ + τ = 1

Cette équation exprime que l’énergie incidente sur une surface est répartie entre absorption, réflexion et transmission, sans perte ni création d’énergie supplémentaire. Comprendre cette loi permet d’interpréter correctement les signatures spectrales des surfaces et d’ajuster les modèles de récupération d’informations.

La loi de Stefan‑Boltzmann

La loi de Stefan‑Boltzmann stipule que l’émission d’un corps noir augmente proportionnellement à la quatrième puissance de sa température absolue (T) :

E = σ T⁴, où σ est la constante de Stefan‑Boltzmann.

En télédétection thermique, cette relation est cruciale pour convertir les mesures de radiance en températures de surface, notamment pour l’étude des îlots de chaleur urbains, la surveillance des volcans ou la détection des fuites d’énergie.

Indices de végétation et utilisation des bandes spectrales

Les capteurs multispectraux, comme le Landsat‑TM, offrent plusieurs bandes couvrant le visible, le proche infrarouge (NIR) et d’autres parties du spectre. L’un des indices les plus répandus est le NDVI (Normalized Difference Vegetation Index), qui exploite les bandes rouge (B3) et proche infrarouge (B4) :

NDVI = (NIR – Rouge) / (NIR + Rouge)

Le NDVI varie de -1 à +1, les valeurs proches de +1 indiquant une végétation dense et saine, tandis que les valeurs proches de 0 ou négatives signalent des surfaces non végétées (eau, sol nu, zones urbaines). D’autres indices comme le EVI, le GCI ou le SAVI existent, mais le NDVI reste le plus utilisé grâce à sa simplicité et à sa robustesse face aux variations atmosphériques.

Composants d’un système de télédétection

Le capteur

Le capteur est l’instrument qui recueille l’énergie radiative provenant de la scène observée. Il peut être passif (détecte la lumière naturelle) ou actif (émet son propre signal, comme le radar). Le choix du capteur dépend de la résolution spatiale, spectrale et radiométrique requise pour l’application visée.

Plateforme et satellite

Le capteur est monté sur une plateforme (satellite, avion, drone ou ballon). La plateforme détermine la hauteur d’observation, la fréquence de revisite et la zone couverte. Les satellites en orbite basse (ex. Sentinel‑2, Landsat) offrent une résolution spatiale élevée, tandis que les satellites géostationnaires (ex. Meteosat) permettent une surveillance quasi‑continues d’une même zone.

Méthodes de classification d’images

La classification supervisée consiste à attribuer chaque pixel d’une image à une classe d’usage du sol ou de couverture végétale, à partir d’exemples d’entraînement. Les étapes clés sont :

• Définition des classes à l’aide de zones d’entraînement représentatives, sélectionnées sur le terrain ou à partir de cartes de référence.
• Extraction des signatures spectrales pour chaque classe.
• Application d’un algorithme (maximum de vraisemblance, arbres décisionnels, réseaux de neurones, etc.) pour classer les pixels inconnus.

Contrairement à la classification non supervisée, où les classes sont générées automatiquement, la classification supervisée repose sur la connaissance préalable de la surface étudiée, ce qui améliore la précision et la pertinence des résultats.

Réduction de dimensionnalité : l’Analyse en Composantes Principales (ACP)

L’ACP est une technique statistique qui transforme un jeu de données multispectrales en un nouveau système de coordonnées où les axes (composantes principales) sont orthogonaux et classés par variance décroissante. Les avantages majeurs de l’ACP appliquée aux images multispectrales sont :

• Réduction de la redondance spectrale tout en conservant plus de 90 % de la variance totale, ce qui simplifie le traitement tout en préservant l’information essentielle.
• Facilitation de la visualisation et de l’interprétation des données grâce à un nombre réduit de bandes synthétiques.
• Amélioration de la séparation des classes dans l’espace des caractéristiques, ce qui peut augmenter la précision des classifications supervisées.

L’ACP ne modifie pas la résolution spatiale, mais elle permet de diminuer le bruit et de préparer les données pour des algorithmes de classification ou de détection d’anomalies.

Stratégies d’échantillonnage pour la collecte de données terrain

Un bon échantillonnage garantit que les zones d’entraînement représentent fidèlement la variabilité spatiale du phénomène étudié. Parmi les méthodes d’échantillonnage, l’échantillonnage systématique se caractérise par :

• Une couverture spatiale régulière, obtenue en prélevant des points à intervalles fixes (ex. grille de 500 m).
• Un risque de sur‑échantillonnage des classes étendues (ex. forêts continues) et de sous‑représentation des classes rares ou hétérogènes.

D’autres approches, comme l’échantillonnage stratifié ou en grappe, permettent de corriger ces biais en adaptant la densité d’échantillonnage aux caractéristiques de chaque classe.

Conclusion et perspectives

Ce cours a synthétisé les concepts fondamentaux de la télédétection, depuis la définition de base jusqu’aux techniques avancées de classification et de réduction de dimensionnalité. Maîtriser ces notions permet d’exploiter efficacement les données satellitaires pour des applications variées : suivi de la déforestation, gestion des ressources en eau, surveillance des catastrophes naturelles, etc.

Pour approfondir vos compétences, il est recommandé de :

• Pratiquer avec des logiciels de traitement d’images (ex. QGIS, ENVI, SNAP).
• Participer à des projets de terrain afin de valider les zones d’entraînement et d’améliorer la qualité des classifications.
• Suivre les mises à jour des missions satellitaires (ex. Sentinel‑2, Landsat‑9) pour rester à la pointe des nouvelles résolutions et des nouveaux capteurs.

En combinant une solide compréhension théorique avec une pratique régulière, vous serez capable de transformer les données de télédétection en informations décisionnelles précises et fiables.