Détection de changements

La sous-boîte à outils Change Detection cartographie ce qui s’est passé entre deux acquisitions : déforestation, croissance urbaine, inondation, dégâts d’incendie, rotation des cultures.

Les cinq outils diffèrent par ce qu’ils comparent, et ce choix compte plus que n’importe quel paramètre.

Avant toute comparaison

La détection de changements échoue toujours pour les trois mêmes raisons, et toutes sont évitables.

Les images doivent se superposer exactement. Un défaut de recalage d’un pixel produit un faux liseré de changement le long de chaque limite de la scène. Vérifiez le calage avant toute autre chose.

Les images doivent être radiométriquement comparables. Deux scènes prises à plusieurs mois d’écart diffèrent par l’angle solaire, l’atmosphère et l’étalonnage du capteur. Corrigez-les toutes les deux, dans Correction radiométrique, ou lancez au moins Histogram Matching Two Images depuis Rehaussement et contraste. Sinon, c’est la météo que vous cartographierez.

Les dates doivent être comparables. Comparer juin et décembre sur des terres agricoles cartographie la saison de végétation, pas un changement d’occupation du sol. Utilisez la même saison, sauf si la différence saisonnière est précisément votre sujet.

Par où commencer

Image Difference Change Detection

L’approche directe : soustraire une date de l’autre, bande par bande, et cartographier les endroits où la différence est forte. Simple, transparente, et la bonne première étape.

Elle vous dit où quelque chose a changé, et dans quelle mesure, mais pas ce que c’est devenu. C’est souvent suffisant, par exemple pour orienter l’attention vers les zones qui méritent d’être examinées.

Toute la difficulté consiste à seuiller la différence. De petites différences existent partout, dues au bruit et à de légers écarts de conditions. Otsu Thresholding, dans Classification, fournit un seuil automatique défendable.

Change Vector Analysis

La version affinée. En traitant les valeurs spectrales de chaque pixel comme un vecteur, elle calcule l’amplitude du changement, c’est-à-dire son ampleur, et sa direction, c’est-à-dire le sens spectral dans lequel il s’est produit.

C’est la direction qui fait sa valeur : une végétation défrichée et une végétation qui pousse produisent toutes deux une forte amplitude, et seule la direction les distingue. Deux rasters sont produits, et ils se lisent ensemble.

Post Classification Change

L’approche la plus informative, et la plus exigeante. Classifiez chaque date indépendamment, puis comparez les deux cartes de classes pixel par pixel. Le résultat est une matrice de transition : forêt vers sol nu, sol nu vers bâti, et ainsi de suite.

Le revers est bien connu. Les erreurs des deux classifications se cumulent : deux cartes précises à 90 % donnent une carte des changements précise à environ 80 %, et une grande partie du changement apparent n’est que du bruit de classification. Utilisez-la quand vous avez besoin de savoir ce qui est devenu quoi, et soyez exigeant sur la précision de chaque date.

Pca Based Change Detection

Empile les deux dates et effectue une analyse en composantes principales sur l’ensemble. Les premières composantes captent ce que les deux dates ont en commun, les suivantes ce qui diffère : c’est donc dans ces dernières que le changement se concentre.

Efficace quand le changement est subtil et difficile à seuiller directement, et sans besoin de données d’entraînement. Les composantes demandent à être interprétées, ce qui est le prix habituel de la méthode.

Tous les outils

Outil	Ce qu’il fait
Image Difference Change Detection	Différence pixel par pixel entre deux dates multispectrales recalées entre elles.
Change Vector Analysis	Amplitude et direction du changement spectral entre deux dates.
Pca Based Change Detection	Composantes principales des dates empilées, qui isolent le changement dans les composantes suivantes.
Post Classification Change	Compare deux cartes classifiées indépendamment et quantifie les transitions.
Write Function Memory Insertion	Regroupe deux ou trois dates dans une composition RVB, pour que le changement apparaisse en couleur.

Remarques

L’astuce de la composition colorée. Write Function Memory Insertion ne produit aucune statistique, seulement une image, et reste l’une des façons les plus rapides de lire le changement : placez chaque date dans un canal de couleur différent, et tout ce qui est resté identique ressort en gris, tandis que tout ce qui a changé ressort en couleur.

Le radar voit à travers les nuages. Pour la cartographie des inondations et pour la surveillance des régions tropicales, l’imagerie optique est souvent inutilisable à la date qui compte. Voir SAR.