Vous êtes sur la page 1sur 49

Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Interférométrie et
Interférométrie Différentielle

Vocational Education Training


Formation à vocation professionnelle
03-04 Jan. 2024

By: Dr. Karima HADJ-RABAH


Image Processing and Radiation Lab (LTIR), Faculty of Electrical Engineering (FGE), USTHB
e-mail: hadjrabah@hotmail.fr
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Objectif
 Comprendre le principe de base de l'interférométrie et interférométrie différentielle SAR.

 Décrire ce que la phase interférométrique SAR nous apprend sur la surface terrestre.

 Décrire le traitement des données requis pour extraire l’altimétrie et ses variations.

 Comprendre les informations que les séries temporelles révèlent sur l'affaissement des
terres dû à l'extraction des eaux souterraines, les séismes, et les éruptions volcaniques.

02
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Introduction
 Surface de la Terre sujette à des phénomènes provoquant des
déformations surfaciques.

 Déformations peuvent présenter un risque pour l’homme et ses


infrastructures.

 Appréhension de ces déformations nécessite des études, des


mesures et de suivi.
 Par des mesures géodésiques au sol ou en exploitant les
technologies spatiales.

 Géodésie spatiale, Télédétection, apporte une information


complémentaire pour la cartographie et le suivi des déformations du sol.

03
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Introduction
 Télédétection radar pour la mesure télémétrique des
déplacements.
 Un prérequis sur la géométrie de l’acquisition radar.
 Une maitrise des techniques de traitement des images
radar.
 Selon l’application, la chaine de traitement diffère d’une
technique à une autre.

 Chaine de traitement pour l’extraction de


l’information télémétrique.

04
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Mesure d’Altimétrie
 Domaines d’application
 Télécommunications terrestres et aéronautique.
 Applications militaires.
 Aménagement du territoire.

 Les systèmes d’observation de la terre sont les principales


sources d’obtention de l’altimétrie et ses variations.

 Stéréoscopie optique  Lidar

 Système SAR
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
104 𝑚 1𝑚 10−3 𝑚 10−6 𝑚

Capteurs radar imageurs Radio Frequencies Microwaves Infrared

 Bande L: grande pénétration au sol, utilisée pour le Visible Light

traçage des "pipelines". SAR


 ALOS. Bands
 Bande C: pénétration moyenne, exploitée dans P L S C X
la cartographie des surfaces.
 ERS1/2, Sentinel1A/B.
 Bande X: très faible pénétration au sol mais 0.3 1 2 4 8 12

meilleure résolution distale, utilisée pour la Frequency (GHz)


tomographie SAR .
 TerraSAR-X.
ERS 1 ALOS

Sentinel-1
TerraSAR-X
06
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Composantes des Images SAR


 Signal rétrodiffusé de forme complexe:

S 𝑥, 𝑦 = 𝐴𝑥,𝑦 𝑒 𝑗𝜑𝑥,𝑦

Image Amplitude Image Phase


 Amplitude : exploitation dans la caractérisation des surfaces.
 Phase: composée de plusieurs termes:
𝜑 = 𝜑𝑡𝑟𝑎𝑗 + 𝜑𝑝𝑟 + 𝜑𝑎𝑡𝑚 + 𝜑𝑏𝑟𝑢𝑖𝑡
Phase bruit
Phase Atmosphérique
Phase propre
Phase trajet 07
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Interférométrie SAR (InSAR)


𝜽𝒊 𝜽𝒋
𝜑 = 𝜑𝑡𝑟𝑎𝑗 + 𝜑𝑝𝑟 + 𝜑𝑎𝑡𝑚 + 𝜑𝑏𝑟𝑢𝑖𝑡

 Utilise deux images (couple) acquises selon deux


angles de vue, 𝜽𝑖 et 𝜽𝑗 légèrement différents.

 Deux capteurs: séparés par une distance dite Baseline spatial.

08
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Interférométrie SAR (InSAR)


Esclave
 Phase interférométrique obtenue par la différence des
Maitre
phases des images Maitre et Esclave. 𝛽

∆𝜑 = 𝑖𝑛 = 𝜑 𝑴 − 𝜑 𝑬 𝛽┴
𝛽║
≈0 ≈0 ≈0
𝑖𝑛 = ∆𝛗𝐭𝐫𝐚𝐣 + ∆𝜑𝑝𝑟 + ∆𝜑𝑎𝑡𝑚 +∆𝜑𝑏𝑟𝑢𝑖𝑡 𝑅2

𝑅1
𝟒𝝅
𝒊𝒏 ≈ ∆𝝋𝒕𝒓𝒂𝒋 ≈ − (𝑹𝟏 − 𝑹𝟐 )
𝝀
 Après le développement, la relation entre la phase Z
interférométrique et l’altitude donnée devient explicit.
−𝟒𝝅 𝜷⊥
𝐢𝐧 ≈ 𝒁
𝝀 𝑹 𝒔𝒊𝒏𝜽 09
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Processus Interférométrique InSAR

Superposition.

Calcul de la différence Elimination des Génération de


de phase. franges orbitales. l’interférogramme.

2 Images SLC

10
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Interférométrie Différentielle (DInSAR)


 Dans le cas d’un déplacement de surface:
−𝟒𝝅 𝜷⊥
𝝋𝒊𝒏 = 𝒁
𝝀 𝑹 𝒔𝒊𝒏𝜽

−𝟒𝝅 𝜷⊥ 𝟒𝝅
𝝋𝒊𝒏 = 𝒁 − 𝑫
𝝀 𝑹 𝒔𝒊𝒏𝜽 𝝀

 Elimination de la composante Topographique.


Référence
 Utilisation d'un Modèle Numérique de Terrain existant.
 Utilisation d'un couple « Topographique » .
11
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Processus Interférométrique DInSAR


Superposition. 3,14

Calcul de la différence -3,14


de phase.
3,14

Elimination des Génération de


2 Images SLC: franges orbitales. l’interférogramme. -3,14
Avant et après
déformation

Génération de
MNT l’interférogramme
différentielle.
12
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Cohérence interférométrique
𝑆M = 𝐴1 𝑒 𝑗𝜑1
 Produit interférométrique: 𝑆E = 𝐴2 𝑒 𝑗𝜑2

 obtenu par la multiplication de la première image 𝑆M par le conjugué de la deuxième 𝑆E .


𝑺𝑴 ∗ 𝑺∗𝑬
𝜸=
𝑺𝑴 𝟐 ∗ 𝑺𝑬 𝟐

 𝜸 est l’interférogramme complexe.

 Cohérence interférométrique:
 est une mesure de la qualité du couple interférométrique.
 |𝛾| est la cohérence interférométrique.

13
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Cohérence interférométrique
 Interférogram (phase interférométrique)  Cohérence interférométrique
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Bruit interférométrique
 Decorrélations géométrique:
 Causées par le changement de l’angle de visée entre les deux
acquisitions.
 Decorrélations temporelles:
 Changements des propriétés physiques ou diélectriques
d’une cellule de résolution entre les deux acquisitions.
 Decorrélations thermique:
 Causées par le système d’acquisition (les composantes
électroniques).

Filtrage interférométrique
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Filtrage interférométrique
 Filtres linéaires
Filtres dans le
domaine spatial  Filtre médian
 Filtre vecteur
 Filtres Non linéaires
 Filtre Goldstein

Décomposition en sous bandes


Filtres dans l’espace
des Transformées
Décomposition en sous espaces
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Franges interférométriques
Franges topographiques

𝝀 𝑹 𝒔𝒊𝒏𝜽
 Une frange correspond à une altitude d’ambiguité 𝒁𝒂𝒎𝒃 =
𝟐𝜷⊥
• Calculée pour chaque couple selon le Baseline spatial.

DOI: 10.1029/97RG03139.
.
Franges différentielles

𝝀
 Une frange correspond à un déplacement de 𝑫=
𝟐
• Dépend de la longueur d’onde du capteur.

17
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
 Zone d’intérêt: Bachu / China ~ 100 km × 80 km.
InSAR  Capteur: ERS

Image amplitude Image de phase interférométrique (Interférogramme)

2𝜋

4𝜋

6𝜋

18
© DLR.
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
 Zone d’intérêt: Bachu / China ~ 100 km × 80 km.
InSAR  Capteur: ERS

Image amplitude Modèle Numérique du Terrain

19
© DLR.
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
 Zone d’intérêt: Thessalie / Grèce.
DInSAR  Catastrophe: Séisme de magnitude 6.3
 Capteur: Sentinel 1.
Image amplitude
Interférogramme différentielle
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
 Zone d’intérêt: Thessalie / Grèce.
DInSAR  Catastrophe: Séisme de magnitude 6.3
 Capteur: Sentinel 1.
Image amplitude
Carte de déplacement
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Reconstruction de la phase
 Phase interférométrique discontinue,
connue modulo 2π.
 Reconstruction de la phase absolue nécessite un
processus de déroulement.
 Trouver le multiple k

𝜙𝑑é𝑟𝑜𝑢𝑙é𝑒 = 𝜑𝑒𝑛𝑟𝑜𝑢𝑙é𝑒 + 𝑘 2𝜋
? ?
 Méthodes de déroulement de phase:

Approche globale Approche locale


Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Reconstruction de la phase
Phase enroulée

Phase déroulée

23
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques InSAR avancées: Pol-InSAR


 Pol-InSAR © DLR.

 Exploiter l’information polarimétrique.

 Estimation des cartes d’élévation.

 Zones forestières.

 Zone d’intérêt: Traunstein / Allemagne.


 Capteur: airborne.
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques InSAR avancées: TomoSAR


© DLR.

 Tomographie SAR (TomoSAR)

 Synthèse d’ouverture additionnelle.

 Estimation des cartes d’élévation.

 Zones urbaines.

 Zone d’intérêt: Berlin / Allemagne.


 Capteur: TerraSAR-X.

25
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques InSAR avancées: TomoDiff


 Zone d’intérêt: las Vegas / USA.
 Tomographie SAR Différentielle  Capteur: TerraSAR-X.

 Surveillance des cibles montrant un déplacement.


 Estimation des cartes d’élévation, de déplacement, de dilatation thermique.

3D: Topographie [m] 4D : vitesse moyenne [cm/an] 5D: coefficient thermique [cm/K]

DOI: 10.1109/TGRS.2012.2233205.
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: PS


 Analyse des séries temporelles: PS

MNT Superposition

1) Sélection des PS candidats

Choix optimal de l’image « maitre »


2) Estimation préliminaire

Génération des interférogrammes 3) Filtrage de l’atmosphère


différentiels

Filtrage des interférogrammes 4) Déroulement temporel


différentiels 27
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: PS


 Analyse des séries temporelles: PS
1) Sélection des PS candidats
𝜎
 En imposant une seuil sur l’indice de dispersion temporelle: 𝐷𝑎 = 𝑚𝑎
𝑎
 Meilleur compromis bon PS et densité de PS est donné pour 0,3 < 𝐷𝑎 < 0,4
2) Estimation préliminaire

1) Sélection des PS candidats  Calcul de la triple différence => différence de phases entre deux PSc.
 Estimation du taux de déplacement et de l’erreur topographique.
2) Estimation préliminaire
 Minimiser la phase résiduelle.
3) Filtrage de l’atmosphère
3) Filtrage de l’atmosphère
4) Déroulement temporel  Extraction de l’APS par des filtres passe-haut spatial et passe-bas temporel.
4) Déroulement de phase
 Résolution du système d’équations par les moindres carrées.

28
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: PS


Avantages:

 Exploitation de toutes les acquisitions disponibles sans restriction sur les Baselines.

 Technique adaptée aux régions urbaines.

Inconvénient:

 Mesure ponctuelle du déplacement.

29
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: SBAS


 Analyse des séries temporelles: SBAS
Formation des sous groupes
Superposition

Formation des sous groupes

Génération des interférogrammes


différentiels & filtrage
𝑺𝑳𝑪𝟏 𝑺𝑳𝑪𝟐 𝑺𝑳𝑪𝟑 𝑺𝑳𝑪𝟒 …… 𝑺𝑳𝑪𝑵

Déroulement spatial de chaque


interférogramme
Groupe 1 : 𝑺𝑳𝑪𝟐 est l’image maitre
Filtrage de l’Atmosphère Groupe 2: 𝑺𝑳𝑪𝟑 « maitre »
Groupe 3 : 𝑺𝑳𝑪𝑵 « maitre »
Inversion 30
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: SBAS


Avantages:
 Tirer profit de la répétitivité des passages et des temps d'acquisitions pour maximiser le
taux d'échantillonnage temporel.

 Erreurs induites par les decorrélations temporelles sont minimisées par l’utilisation
redondante des mêmes acquisitions formant les sous-groupes.

Inconvénients:
 Certaines images peuvent être éliminées si elles ne remplissent pas les conditions de départ
sur les Baselines temporel et spatial.

 Cette technique dépend particulièrement des seuils établis sur les baselines ==> mauvais
paramètres de départ peuvent altérer et changer les résultats du processus
31
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: MAI


Interférométrie à ouverture multiples (MAI)

 Le déplacement peut avoir plusieurs


orientations.

 Permet de mesurer la composante


horizontale du vecteur de déplacement (axe
azimutale).

 Exploite une approche d’analyse spectrale


de la bande de fréquence doppler.

32
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Techniques DInSAR avancées: MAI


Avantages:
 La phase MAI est une phase qui n’est pratiquement jamais ambigue.

 Estimation de la composante horizontale du vecteur de déplacement .

Inconvénients:
 Pas de frange vu que la phase varie lentement.

33
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa
 Zone d’intérêt: Thessalie / Grèce.
 Capteur: Sentinel 1.
Techniques DInSAR avancées: MAI
Interférogramme différentielle Interférogramme MAI
Phase MAI (rad)
-0.31

0.31
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja

SBAS

Images ASAR 2003-2010


Subsidence du Bassin
de la Mitidja

SBAS
+
PS

Images Sentinel 1 2017-2020


35
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja

Baie d’Alger

36
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Importante activité tectonique et anthropique.

 Bibliographie riche sur l’étude de cette région.

Type de produit ASAR_IMS, Image Mode Single Look Complexe SLC


Passe Descendant
Période et De (06 Février 2003) jusqu’au (24 juin 2010):
Nombre d’acquisition 19 images

Type de produit IW_SLC, Interferometric


Pass Descendant
Période et De (18 juin 2017) jusqu’au (13 Aout 2020):
Nombre d’acquisition 27 images

37
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja

SBAS – ASAR : 2003 - 2006

 Résultats SBAS /ASAR Alger

38
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja

PS – Sentinel1 : 2017 - 2020 SBAS – Sentinel1 : 2017 - 2020

Alger Alger

39
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Profils SBAS /ASAR
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Profils PS/ Sentinel1 (Zone 1: Ouest du bassin)
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Profils PS/ Sentinel1 (Zone 2: Est du bassin)
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Profils SBAS/ Sentinel1 (Zone 1: Ouest du bassin)
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Application de DInSAR-MT à la subsidence du Bassin de la Mitidja


 Profils SBAS/ Sentinel1 (Zone 2: Est du bassin)
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

DInSAR-MT & Piézométrie: Subsidence du Bassin de la Mitidja

SBAS

Evaluation
Images ASAR 2003-2010 Subsidence du
Piézométrie
Bassin de la
Mitidja
SBAS
+
PS

Images Sentinel 1 2017-2020


45
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

DInSAR-MT & Piézométrie: Subsidence du Bassin de la Mitidja

Oued Mazafran

46
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

DInSAR-MT & Piézométrie: Subsidence du Bassin de la Mitidja

SBAS-Sentinel1 : 2017 - 2020 SBAS-ASAR : 2003 - 2006

Alger
Alger
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Récapitulatif
 Cartographie interférométrique (InSAR):

 Génération d’un modèle numérique de terrain.


 Applications de topographie rendues possibles sont : Gestion de l'occupation des sols,
classification, évaluation des risques, intelligence, urbanisme, géologie, hydrologie, …

 Détection de changement et suivi des déformations par DInSAR:

 Produire des cartes de changements de surface avec une fréquence importante.


 Les applications incluent: tremblements de terre, éruptions volcanique, glissements de
terrain, affaissements de terrain, dynamique des glaciers et des calottes glaciaires,
détection des changements, surveillance des catastrophes.

48
Spatial Data Infrastructure and Earth Observation Education and Training for North Africa

Merci pour votre attention!

www.seed4na.eu

info@seed4na.eu

----
This project has been funded with support from the European Commission. This presentation reflects the views only of the author, and the
Commission cannot be held responsible for any use which may be made of the information contained therein.

49

Vous aimerez peut-être aussi