WaterDetect : une méthode non supervisée pour la détection automatisée des surfaces en eau par imagerie optique

La surveillance des surfaces en eaux est une information essentielle pour la gestion des ressources en eau. C’est également une information de base pour le traitement automatisé des images satellite en vue de l’inversion du signal pour cartographier des paramètres d’intérêts comme la qualité des eaux. C’est à cette fin que l’équipe du GET, au sein du CES Couleur des Eaux continentales et en collaboration avec le CES Cartographie et suivi des surfaces en eau, a développé un algorithme automatique non paramétrique non supervisé pour l’identification des pixels des eaux intérieures dans des images satellites individuelles. Bien qu’il existe une assez grande quantité de travaux disponibles sur le sujet, il n’y a pas de consensus de la communauté sur un algorithme permettant une détection robuste des eaux, sans information a priori sur la scène et permettant d’analyser des images uniques venant d’être acquises.

L’article qui vient d’être publié dans Remote Sensing of Environment propose une approche originale en utilisant un regroupement multidimensionnel et un sous-échantillonnage hautement performant pour le traitement rapide de scènes entières Sentinel-2 (moins de 2 minutes), le tout regroupé au sein de l’algorithme « SurfWater ».

WaterDetect se base sur une technique de clustering pour identifier des échantillons similaires dans un espace de données multidimensionnel et permet de s’affranchir de l’attribution de seuils toujours difficile à paramétrer lors d’une utilisation globale. L’algorithme WaterDetect exploite les informations spectrales et les indices dérivés pour caractériser chaque pixel de scène individuellement. Une approche d’apprentissage automatique, avec sous-échantillonnage aléatoire et généralisation par un classificateur Naïve Bayes, a également été développée afin de rendre possible l’application de WaterDetect à de grandes scènes.

Détection automatisée de pixels en eau (bleu) du Bas-Rhône par imagerie satellite Sentinel-2 pour le 31 Mars  2019
Détection automatisée de pixels en eau (bleu) du Bas-Rhône par imagerie satellite Sentinel-2 pour le 31 mars  2019 

Une validation robuste

La précision a été évaluée à l’aide d’un ensemble de données indépendant construit par le CNES avec la méthodologie ALCD . Celle-ci fournit des plans d’eau sur 15 images Sentinel-2 au-dessus de la France, acquises à différentes saisons et couvrant une large gamme de types de plans d’eau et de couleurs de l’eau. L’ensemble des données de validation rassemble plus de 1 200 km2 de surface d’eau (environ 12 millions de pixels) sur 80 000 plans d’eau, assurant une validation robuste.

Les résultats de la classification des pixels d’eau ont été comparés à différentes autres méthodes et, notamment, aux produits fournis par trois des principales chaînes de production de niveau 2A (MAJA, Sen2Cor et FMask) ainsi qu’à deux des techniques de seuillage les plus courantes: Otsu et Canny-edge. La méthode WaterDetect a obtenu le score kappa moyen le plus élevé, de 0,874, dans toutes les scènes testées, avec un kappa par scène allant de 0,608 à 0,980 et un écart-type moyen inférieur de 0,091. En comparaison, pour les masques à eau fournis par des processeurs génériques, FMask a obtenu le meilleur résultat avec un kappa global de 0,764. Une analyse approfondie montre une baisse rapide des performances pour toutes les méthodes considérant les plans d’eau dont la surface est inférieure à 0,5 ha, mais l’algorithme WaterDetect s’est révélé être encore le meilleur pour les plus petits plans d’eaux, améliorant de 34 % la précision de la cartographie.

Le code est actuellement transféré à THEIA pour des tests à grande échelle dans les produits « Surfwater » et « Obs2Co » et fait partie du test comparatif d’algorithmes initié par l’ESA (initiative WorldWater – Round Robin comparison).

Référence

Cordeiro, Maurício, Jean-Michel Martinez, and Santiago Peña-Luque. « Automatic water detection from multidimensional hierarchical clustering for Sentinel-2 images and a comparison with Level 2A processors. » Remote Sensing of Environment 253 (2021): 112209.

Contact

Jean-Michel Martinez
UMR GET – Directeur de Recherche IRD

Mauricio Cordeiro

Santiago Peña-Luque
Cesbio

Plus d'actualités

Fototex results

Bulletin

FOTOTEX : une méthode non supervisée pour les zones urbaines

FOTOTEX, développé dans le cadre des CES Risques Maladies Infectieuses et Urbain, propose une méthode unique, rapide et non supervisée pour caractériser les zones urbaines à trois échelles imbriquées.

21.10.2021

Publications

Humidité du sol THRS : six séries mises à jour

Les données pour les régions Chartres-Versailles, Occitanie, Rhône-Alpes Lyon, Provence, Bretagne Nantes et Italie du Nord viennent d’être mise à jour.

24.09.2021

Bulletin

Connaissez-vous le SCO ?

Les animateurs du SCO reviennent sur projet de Space Climate Observatory, par lequel plusieurs projets des CES et ART de Theia ont été labellisés.

18.08.2021

Rechercher