See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/228864171

Classification oriente objet de la permabilit

des sols en zone urbaine l'aide d'imagerie trs
haute rsolution et de donnes...

Article

CITATIONS READS

9 161

4 authors, including:

Jorge Centeno
Universidade Federal do Paran
112 PUBLICATIONS 261 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Avaliao do potencial de sensor RIM para a modelagem tridimensional de objetos View project

Anlise de modelos numricos de elevao derivados de laser scanner para o monitoramento urbano
View project

All content following this page was uploaded by Jorge Centeno on 05 September 2014.

The user has requested enhancement of the downloaded file.

 artigo
prximo
anterior
artigo

934
Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Classification oriente objet de la permabilit des sols en zone urbaine laide

dimagerie trs haute rsolution et de donnes laser scanner Curitiba (Brsil)

Anne Karsenty1
Alzir Felippe B. Antunes2
Jorge Silva Centeno 2
1
Institut de Sciences Appliques- INSA
Strasbourg-France
annekarsenty@yahoo.fr
2
Universidade Federal do Paran
Departamento de Geomtica
Curitiba-Brasil
Felipe@ufpr.br ; Centeno@ufpr.br

Abstract : Urban watershed runoff estimation is an essential information for risk prevention
and structure design. Hydrologist and remote sensing specialists have been working together
for more than 30 years in order to predict and model the runoff behavior and product soil
imperviousness maps. High resolution imagery, laser scanning and object oriented
classification seems to be promising tools for this field of study. This project objective is to
gather those three new techniques for data extraction needed for hydrological modeling.

Key words : Hydrological modelling, VHR Imagery, Laser scanner, Segmentation, Fuzzy
logic

Rsum : En zone urbanise, disposer doutils permettant de prvoir les coulements

occasionns par les pluies, est indispensable la prvention des risques et au
dimensionnement douvrages. Depuis plus de 30 ans, les spcialistes en hydrologie et en
tldtection unissent leurs connaissances pour modliser le comportement des bassins
versants et cartographier la permabilit des sols.
Dans ce domaine, le dveloppement de limagerie THR, du laser scanner et de lapproche
oriente objet est trs prometteur. Cette tude se propose donc dassocier ces trois techniques
et dvaluer la fiabilit avec laquelle, elles permettent dextraire les donnes ncessaires la
modlisation hydrologique.

Mots cls : Modlisation hydrologique, Imagerie THR, Laser scanner, Segmentation,

Logique floue

1. INTRODUCTION

1.1. Probmatique de la permabilit des sols

Lurbanisation entrane la modification de la topographie, de la morphologie mais

surtout de la couverture du sol dun bassin versant. Ces changements influent sur le cycle
naturel de leau. Limpermabilisation des sols, en particulier, entrane une augmentation
importante des ruissellements de surface.

565
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Ce phnomne a diverses rpercutions environnementales: accroissement de lrosion

et de la production de sdiments, diminution de la qualit de leau, asschement des nappes
deau souterraines qui ne sont plus alimentes par linfiltration, recrudescence de la frquence
des crues et des dgts matriels, cologiques et humains.
La modlisation hydrologique des bassins versants est donc un outil indispensable, ds
lors que l'on s'intresse des problmes relatifs la gestion des ressources en eau,
l'amnagement du territoire ou l'un des diffrents aspects du risque hydrologique. Elle est
sense pouvoir dcrire de faon fidle les diffrentes tapes de la transformation pluie dbit,
en particulier les processus lis la formation des crues.
Pour modliser le comportement des bassins versant, les hydrologues disposent
doutils mathmatiques complexes, intgrant une grande quantit de donnes, dont la
permabilit du sol. Or une approche courante pour estimer la permabilit, est de dlimiter
diverses catgories doccupation des sols grce une carte, des photographies ariennes ou
des images satellitaires.

1.2. Tldtection et hydrologie

Depuis son apparition dans les annes 70, les hydrologues exploitent limagerie
satellitaire pour cartographier la permabilit des sols. Cette technique prsente en effet des
avantages incontestables par rapport aux mthodes classiques: en terme de cot, mais aussi de
superficie couverte, de rapidit et de facilit de mise jour. Aussi chaque volution
technologique dans ce domaine est suivie avec intrt et de nouvelles solutions sont sans
cesse ltude, pour obtenir des donnes plus fiables.
Dans le mme temps, le dveloppement du laser scanner aroport permet aujourdhui
de gnrer des modles numriques de terrain et dlvation de grande qualit; ainsi, en zone
urbaine, peut-on extraire les btiments de manire trs prcise.

1.3. Objectifs

Lobjectif de ltude rsume ici rside en lexploitation des dernires avances

technologiques en tldtection, pour raliser une classification de loccupation des sols sur le
site de LUFPR (en priphrie de Curitiba) et en dduire limpermabilit des sols. Les
classes dfinies sont bases sur le modle du Curve Number, dvelopp par le Natural
Ressources Conservation Service (agence du United States Department of Agriculture). Ce
modle comporte en effet une table associant chaque type doccupation des sols un
coefficient de permabilit, permettant de calculer la permabilit globale dun bassin versant.
Cette recherche se fonde sur la classification oriente objet simultan dune image
Quickbird et de donnes laser scanner. Cette tude est ralise laide du logiciel eCognition,
dvelopp par Definiens Imaging en Allemagne, pionnier dans le domaine de lanalyse
oriente objet. Elle vise tester lefficacit de lapproche oriente objet pour la classification
dimage THR et lapport des donnes laser scanner dans la dtermination de loccupation des
sols en zone urbaine.

2. CLASSIFICATION DE LA PERMEABILITE DES SOLS

2.1. Matriel et mthodes

Les donnes Quickbird et laser scanner ont t traits avant utilisation pour faciliter
ltude. Au final, les donnes intgres au projet sont :

566
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Une image hybride Quickbird, fusion de limage multispectrale et panchromatique,

compose des bandes spectrales rouge, verte, bleue et proche infrarouge.
Une image laser, issue de donnes laser scanner, reprsentant llvation des objets par
rapport au sol.
Le tout ayant t ramen une rsolution spatiale de 0,7 mtres.
Pour diminuer les temps de calcul, ltude a t ralise sur deux zones dcoupes
dans les images: une Zone 1 trs verte et de forme urbaine simple et une Zone 2 de forme
urbaine plus dense.

2.2. Dmarche

2.2.1 Choix des classes

Lobjectif premier de ltude est de classifier limage pour en tirer des classes
doccupation des sols intgrables un modle hydrologique, ici le modle du Curve Number.
Huit classes ont ainsi t dtermines:
Toits: btiments
Impermable: sol impermable (bton, bitume)
Permable: sol permable (terre, gravier)
Vgtation urbaine: vgtation dans un cadre urbain
Vgtation rurale: foret
Herbe: pelouse
Ombre sur bti: ombre projete sur de limpermable
Ombre sur vgtal: ombre projete sur de la vgtation

La classification oriente objet sous eCognition se divise ensuite en deux tapes:

Une segmentation multirsolution
Une classification supervise base sur la logique floue

2.2.2. Segmentation

La segmentation de limage consiste diviser limage en rgions homognes, de

manire faire ressortir les objets rels du terrain. Les objets sont crs par croissance de
rgion, c'est--dire, par fusion de pixels adjacents. Un paramtre dchelle ou critre
dhtrognit est fixe par lutilisateur, pour stopper le processus: il intgre la couleur et la
forme des objets. La forme prend elle-mme en compte deux paramtres: compacit et
lissage. Ce critre est en fait une valeur abstraite qui permet dinfluencer la taille et la forme
de lobjet suivant la pondration accorde chaque paramtre.
En segmentant successivement limage diffrentes rsolutions on obtient un rseau
hirarchique dobjets qui reprsente diffrents niveaux de ralit sur le terrain. Dans ce
rseau, chaque objet connat son contexte, cest dire ses voisins, ses sous-objets et son
super-objet. (Figure 1). Lavantage de travailler avec des objets plutt que des pixels, est
quen plus de caractristiques spectrales, un objet possde des caractristiques gomtriques
(longueur, primtre), topologique (position dans limage et par rapport au autre objets) et
smantiques (lier sa signification).

567
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Figure 1: segmentation et rseau hirarchique de limage

(Adapt ecognition, 2003)

Les classes choisies correspondent diffrents niveaux de dtail sur le terrain. Aussi,
trois niveaux de segmentation ont t dfinis. Un premier avec un critre dhtrognit de
10 pour distinguer les petits objets, un de 25 pour mettre en valeur la structure urbaine,
notamment les btiments et un de 40 qui reprsente le dcoupage global de limage. (Figure
2)

Segmentation
Image

Niveau 3
Bti Vgtal

Toit Sol Ombre Niveau 2

Ombre sur vgtal Ombre sur bti

Niveau 1
Permable Impermable Herbe Vgtation

Vgtation urbaine Vgtation rurale

Figure 2: Rpartition des classes dans les niveaux de segmentation dfinis

Comme le but tait de distinguer des structures urbaines, le poids accord la forme
tait lev dans les deux niveaux infrieurs (0,3); un peu moins pour le niveau 3 (0,2) pour
viter un amalgame excessif des objets. Pour extraire les btiments la compacit des objets a
aussi t prise en compte hauteur de 0,6. Nanmoins la pondration de la segmentation reste
empirique et son apprciation visuelle : aucune segmentation nest parfaite.

2.2.3. Classification

La classification se base sur la thorie des ensembles flous. Ce concept utilise, pour
dfinir un ensemble, des valeurs gradues entre 0 et 1 et non strictement vraies ou fausses. Un
ensemble flou est dfini par une fonction dappartenance, qui dcrit le degr avec lequel un
lment x appartient lensemble. La logique floue permet ainsi de reprsenter des modles
vagues; elle convient bien la description des dpendances entre diffrents types
dinformations et la reprsentation des donnes gographiques.
Dans une classification floue, une classe est dfinie par une combinaison de fonctions
floues, portant sur diffrentes caractristiques des objets. Chaque objet se voit attribuer, selon

568
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

ces fonctions, un degr dappartenance chaque classe: cette valeur nest pas une probabilit
mais une possibilit admise. Gnralement, lobjet est au final attribu la classe pour lequel
il a le plus haut degr dappartenance.
La mthodologie utilise pour cette tude se base essentiellement sur la hirarchie des
classes et loprateur logique ,NON,. La sparation de deux classes se base sur le choix dune
classe A facile dcrire grce une fonction floue simple, la dfinition des autres est dfini
comme tant Non A. On peut associer la classification toutes les donnes disponibles:
relations hirarchiques, smantiques, donnes laser. On cre ainsi une structure o chaque
classe est dfinie dans un niveau donn et o toutes les classes sont lies. La structure peut
tre sauvegarde et applique une autre image. (Figure 3)
Cette mthode permet donc dintgrer directement les connaissances de loprateur et
la classification obtenue est transparente et facilement adaptable dune image une autre,
c'est--dire dans cette tude, dune zone lautre.
Segmentation
Image

Niveau 3

Bti 3 Vgtal 3

1
NON VEGETAL 3

0
0,29 SAVI 0,30
Niveau 2
Bti 2

EXISTENCE DU SUPER OBJET BATI 3

Toit 2 Sol 2

NON SOL 2 1

0
1,4 ELEVATION 1,6

Figure 3: Structure de la classification et extrait de la dfinition des classes

2.3. Rsultats et analyse

2.3.1. Rsultats

La classification aboutie trois niveaux de classification, du plus large au plus

dtaill, ce dernier reprsentant la carte de loccupation des sols. (Figure 4)
Niveau 3 Niveau 2 Niveau 1

Figure 4: trois niveaux de classification

569
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

2.3.1. Analyse

La premire constatation pouvant tre faite est que la segmentation pralable de

limage amliore significativement la lecture de linformation gographique, puisque leffet
poivre et sel est inexistant.
Lanalyse de la classification travers une matrice de confusion ayant pour rfrence
la monorestitution des zones dtude permet de quantifi la fiabilit ou prcision pour
lutilisateur de la classification. Plusieurs remarques peuvent tre faites (Figure 5):
La classification de la Zone 1 donne de meilleurs rsultats que celle de la Zone 2, ce qui
tait prvisible puisque la forme urbaine de la deuxime zone tait beaucoup plus
complexe.
Dans les deux cas, on obtient une trs bonne fiabilit en ce qui concerne les zones
impermable, c'est--dire les structure urbaine.
Au contraire la classe permable donne chaque fois des rsultats infrieurs aux autres
classes. Une tude supplmentaire pourrait consister amliorer la dfinition de cette
classe.
Prcision pour
lutilisateur
Zone 1 Zone2
Classes (%)

Toits 84,75 71,47

Impermable 84,76 82,75
Permable 51,24 2,11
Vgtation 88,09 39,84
Herbe 81,57 57,07
Prcision Totale (%) 77,21 59,79

Figure 5: Matrice de confusion

Cependant plusieurs sources derreur peuvent expliquer les rsultats mitigs de la

seconde zone:
Langle de prise de vue de limage Quickbird tait mdiocre, ce qui entrane dune part
des ombres, en particulier en zone trs urbanise, dautre part lapparition des faades, qui
englobe une plage daltitude entre toits et sol et qui sont donc parfois classifies de
manire errone.
Un problme de concordance des donnes a aussi fait apparatre des erreurs. En effet les
donnes satellitaires dataient de mars 2002 et les donnes laser de mai 2003 certains
btiments apparaissaient donc sur un type de donnes et pas lautre.
Limperfection de la segmentation implique parfois des erreurs de classification au niveau
de la classification la plus large, qui sont transmises au niveau le plus fin qui a t valu.
Les rsultats doivent enfin tre relativiss car la monorestitution est considre comme
une rfrence 100% exacte, alors que la restitution de limites nettes comme celle du bti
est beaucoup plus fiable que celle de forme floue telle que du sol nu.

3. CONCLUSION ET PERSPECTIVES

Lobjectif de cette tude tait de valider lutilisation de nouveaux outils pour la

dtermination de la permabilit des sols en zone urbaine. En dveloppant une classification
pertinente on parvient extraire des catgories doccupation des sols avec une bonne fiabilit
pour la majorit des paramtres valus. En particulier les zones permables qui ont une
importance essentielle en hydrologie.

570
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Les rsultats concernant la mthode sont quant eux trs prometteurs. La

segmentation facilite de beaucoup linterprtation thmatique de limage en se rapprochant du
mode de fonctionnement de la vision humaine, qui ne peroit pas une image en pixel mais en
zones homognes. Elle met aussi la disposition de loprateur des notions gomtriques,
topologiques et smantiques qui enrichissent significativement la classification.
La logique floue permet ensuite de construire une classification, qui est le reflet de nos
connaissances et de notre perception du monde rel; puisquelle permet dintgrer directement
nos connaissances scientifiques et intuitives. La lecture des informations gographiques,
contenues dans la classification est donc trs naturelle.
Lintroduction des donnes laser amliore la segmentation mais facilite surtout la
classification. Llvation, qui permet intuitivement de distinguer le sol des constructions,
n'apparat pas sur une image satellitaire. En l'intgrant, au travers des donnes laser, on
dispose d'un outil puissant pour mettre en vidence certaines classes de sol, qui
habituellement se confondent, tel que sol et toits.
Aux vues des rsultats, cette tude donne des perspectives trs encourageantes,
concernant l'utilisation des dernires avances de la tldtection en hydrologie. De plus, les
techniques et mthodes utilises pour ce projet sont en constante volution. Cette approche,
combinant image THR, donns laser et classification oriente objet pourrait donc tre une
solution d'avenir pour la classification de la permabilit des sols et sa fiabilit sera amene
samliorer.

De plus, bien que notre tude soit lie la problmatique de l'hydrologie, les
conclusions de ce projet prsentent un intrt dans de nombreux autres domaines utilisant la
tldtection comme outil de travail. Particulirement dans les secteurs o lextraction des
btiments est utile, comme Lurbanisme ou lamnagement du territoire.
La classification oriente objet a aussi le potentiel de fournir des bases de donnes
extrmement riches pour les systmes dinformations gographiques. Les objets classifis
possdent en effet des caractristiques gomtriques, topologiques et smantiques, qui
peuvent tre assimiles une table dattributs. Cette possibilit est dautant plus attractive
quavec limagerie satellitaire, la mise jour des donnes est simple et rapide.

BIBLIOGRAPHIE

Azevedo, F. et al. [2000], Redes neurais com aplicaes em controle e em sistemas

especialistas, Captulo 3 : Sistemas Fuzzy. Edition Bookstore, Bresil. p 49-68.

Baatz, M. & Schpe, A. [2000], Multiresolution segmentation an optimization approach for

high quality multi-scale image segmentation; Angewandte Geographische
Informationsverarbeitung XII, Edition Herbert Wichmann, Karlsruhe, p 12-23.
http://www.definiens-imaging.com/documents/reference2000.htm

Blaschke, T. & Strobl, J. [2001], Whats wrong with pixels? Some recent developments
interfacing remote sensing and GIS; GIS 6/2001, Hthig GmbH & Co. KG, Heidelberg.
http://www.definiens-imaging.com/documents/gis.htm.

Blaschke, T. et al. [2000], Object-oriented image processing in an integrated GIS/remote

sensing environment and perspectives for environmental applications; Environmental
information for Planning, Politics and the Public, Edition Metropolis, Marburg, Vol.2, p.
555-570.

571
 Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 565-572.

Congalton R. G. et al. [1994], Remote sensing thematic accuracy assessment : a compendium.

American society for Photogrammetry and Remote Sensing, Lynn K. Fenstermaker Edition,
Las Vegas, EUA. ISBN 1-57083-002-9, p. 257-272.

De Kok, R. et al. [1999], Object-based classification and applications in the alpine forest
environment; International Archives of Photogrammetry and Remote Sensing, Valladolid,
Espagne, Vol. 32, Part. 7-4-3 W6, Juin.

Eastman, J. [2001], Decision Rule Incertainty, IDRISI Guide to GIS and Image Processing,
Vol. 2, Chap. 2, p. 29-39.

Mansor, S. et al. [2002], Object-oriented classification for land cover mapping; Conference
proceedings of Map Asia, www.gisdevelopment.net, Thailand, 7-9 Aout.

Metternicht, G. [1999], Change detection assessment using fuzzy sets and remotely sensed
data : an application of topographic map revision, Journal of Photogrammetry & Remote
Sensing, ISPRS, EUA, No. 54, Elsevier Sciences, p. 221-233.

Mohd, M. & Mansor, M. [1999], Flood predicition from Landsat Thematic Mapper data and
hydrological modeling; Proceedings of the Asian Conference on Remote Sensing,
www.gisdevelopment.net, China, 22-25 Novembre.

Puissant, A. [2003], Information gographique et images Trs Haute Rsolution : utilit et

applications en milieu urbain. Thse de Doctorat, ULP, Strasbourg, p. 255-300/325.
http://imaville.u-strasbg.fr/perso/aprec.html

Ragan, R. & Jackson, T. [1975], Use of satellite data in urban hydrologic model; Journal of
the Hydraulics Division, American Society of Civil Engineers, EUA, Vol. 101, No. HY12,
Decembre, p. 1469-1475.

Ragan, R. & Jackson, T. [1980], Runoff synthesis using Landsat and SCS Model; Journal of
the Hydraulics Division, American Society of Civil Engineers, EUA, Vol. 106, No. HY5,
Mai, p. 667-678.

Schiewe, J. et al. [2001], Potential and problems of multi-scale segmentation methods in

remote sensing; GIS 6/2001, Hthig GmbH & Co. KG, Heidelberg.
http://www.definiens-imaging.com/documents/gis.htm.

Wang, F. [1990], Fuzzy supervised classification of remote sensing images, IEEE

Transactions on Geoscience and Remote Sensing, IEEE, Vol. 28, No. 2, Mars, p. 194-201.

Willhauck, G. [2000], Comparison of object-oriented classification techniques and standard

image analysis for the use of change detection between SPOT Multispectral satellite images
and aerial photos, International Archive of Photogrammetry and Remote Sensing, Pays Bas,
Vol. XXXIII, Part. B3, p. 214-221.

572
View publication stats