Intégration de données d'images satellitaires optiques et radars et de données topographiques pour la cartographie géomorphologique

Abstract

In this paper, we study the contribution of remote sensing data, topographic data, and geoscience ancillary data to surficial deposits mapping. The performance of SPOT-4, Landsat-7, and RADARSAT-1 SAR satellite data were compared to identify and map surficial deposits. Different spectral indices (normalized difference vegetation index (NDVI), transformed soil adjusted vegetation index (TSAVI), redness index (RI), form index (IF), coloration index (CI), intensity, hue, and saturation) and textural features (mean, standard deviation, angular second moment, entropy, etc.) were extracted from these datasets and used in the mapping process. Morphometric data extracted from the digital elevation model (DEM) (altitude, slope, slope orientation, slope curvature, and potential moisture index) were integrated with the preceding datasets. A discriminant analysis was conducted to extract the most significant parameters, which were then used in a four-step linear combination mathematical model to map surficial deposits. We achieved an overall classification rate of 70% using spectral data of land use map in step 1. By adding information on vegetation and soils obtained from evaluation of spectral indices, this rate was improved to 79% during step 2. The addition of texture parameters to the previous information increased the classification accuracy to 81%. Finally, the addition of topographical information to the datasets of the previous step provided a further improvement in the global classification rate that increased to 88%.

Le présent article étudie la contribution des données de la télédétection et des données topographiques à la cartographie des formations meubles. Les potentiels des données satellitaires SPOT-4, Landsat-7 et RADARSAT-1 sont comparées afin de cartographier les formations meubles. Différents indices spectraux (« normalized difference vegetation index » (NDVI), « transformed soil adjusted vegetation index » (TSAVI), « redness index » (RI), indice de forme (IF), indice de coloration (IC), intensité, teinte et saturation) de même que des indices de texture (moyenne, écart type, second moment angulaire, entropie, etc.) sont extraits de ces images satellitaires. Des données morphométriques dérivées du modèle numérique d'altitude (MNA) (altitude, pente, orientation de la pente, courbure de la pente, indice de potentiel d'humidité) sont intégrées aux données précédentes. Après application de l'analyse discriminante, seuls les paramètres les plus significatifs sont retenus et utilisés en quatre étapes dans un modèle mathématique de combinaison linéaire pour la cartographie des formations meubles. Ainsi, dans l'étape 1 du modèle, en utilisant les informations spectrales de la carte d'occupation du sol, nous obtenons un résultat de classification globale de 70 % des formations meubles. L'ajout d'indices spectraux aux données précédentes améliore le résultat global de la classification qui passe à 79 % à l'étape 2. L'information texturale rajoutée aux données précédentes, permet d'obtenir un résultat de classification globale de 81 % à l'étape 3. Enfin, l'ajout d'informations topographiques aux paramètres des étapes précédentes permet une amélioration subséquente du taux de classification globale qui passe à 88 %.