Bonjour,
En lisant les réactions au message de Sébastien, je me rends compte
qu'il y a quelques éléments qui ne sont pas clairs du tout dans ce que
j'ai écrit dans mon billet.
Je vais essayer d'y répondre. Mais tout d'abord, je voudrais laisser
bien clair que je ne parle pas du tout au nom du CNES ni du CESBIO, même
si je mène certaines de ces activités dans le cadre de mon travail.
En plus, je viens de m'abonner à la liste et je ne connais pas forcément
votre façon de fonctionner. Excusez-moi par avance.
1 Concernant le contenu des images Sentinel-2
═
L'idée n'était pas du tout d'utiliser les images comme support visuel
pour la cartographie avec JOSM ou autre outil, mais de les faire
rentrer dans des processus de cartographie automatique de l'occupation
des sols.
Par occupation des sols j'entends le type de nomenclature qui est
utilisée pour Corine Land Cover, par exemple.
La résolution effective de telles cartes serait de 10 m. En effet, les
bandes spectrales utiles ont cette résolution là.
On ne pourra donc pas cartographier les sentiers, ni les rues dans les
zones urbaines, mais on peut distinguer les forêts en
caducs/persistants, détecter les surfaces en eau, etc.
2 Concernant le volume et le niveau de traitement des données disponibles
═
En France, le Pôle THEIA ([http://www.theia-land.fr/]) fournira des
images ortho-rectifiées et corrigées des effets atmosphériques. C'est
ce qu'on appelle le niveau 2A. Ces images sont accompagnées de masques
de nuages, neige et plans d'eau. Ce type de produit est déjà fourni
pour les données Landsat-8 acquises sur la France.
Il y aura aussi un niveau de traitement 3A qui consiste à générer des
images sans nuages en faisant une composition de toutes les images de
niveau 2A disponibles dans une période donnée. Cela veut dire qu'on
pourrait avoir une image sans nuage par mois, par exemple. Je pense
que les caractéristiques de ces produits ne sont pas encore
complètement définies.
Si on travaille avec une image par mois, le volume est bien plus
gérable, mais si on veut faire des traitements automatiques il vaut
mieux utiliser les images de niveau 2. Nous avons des outils (libres)
pour boucher les trous des nuages du niveau 2 par interpolation
temporelle : [http://tully.ups-tlse.fr/jordi/temporalgapfilling]
3 Sur la qualité des classifications automatiques
═
J'ai vu ici ([http://www.openstreetmap.org/user/Pieren/diary/28132])
un commentaire sur des expériences précédentes sur la génération
automatique de cartes d'occupation des sols pour OSM.
La grosse nouveauté avec les données Sentinel-2 est la fréquence
temporelle d'acquisition. L'idée n'est donc pas de produire des cartes
avec une seule image, mais plutôt d'utiliser des séries temporelles,
ce qui permet de bien distinguer différents types de surfaces.
Pour ce qui concerne la nomenclature des cartes, quelqu'un disait "il
n'y a pas de correspondance exacte entre la notion de land cover selon
sentinel et celles d'OSM". En fait, les méthodes qu'on propose dans
nos outils, se basent sur de l'apprentissage et on peut choisir les
classes que l'on veut si on a des points de l'image pour lesquels on
connaît la classe.
Dans la pratique, la plupart des nomenclatures utilisées mélangent
joyeusement "occupation" et "utilisation" des sols, mais ceci n'est
pas un problème si cela remplit le besoin de l'utilisateur de la
carte.
4 Sur le type de produit possible
═
A minima, on pourrait imaginer d'utiliser les images Sentinel pour
détecter les zones de changements et focaliser les efforts de
cartographie manuelle sur ces zones. Ceci peut être utile pour la
cartographie rapide en cas de crise (comparaison d'images avant/après
événement).
Ensuite, j'imagine que des cartes avec des nomenclatures simplifiées
(urbain dense, urbain résidentiel, agricole, forêt, sol nu) pourraient
déjà être utiles dans certaines zones. Ce type de cartographie mis à
jour de façon annuelle permettrait de détecter des zones de transition
de classes. Je suppose que le passage de végétation à sol nu ou urbain
peut indiquer des endroits où il faut regarder en détail et mettre à
jour par d'autres méthodes.
Mais ce qui serait aussi très intéressant serait d'essayer de
travailler avec des nomenclatures plus fines (essences de forêts,
types de cultures, distinction friches/forêts). Pour y arriver il est
très important d'avoir de la donnée terrain pour alimenter les
algorithmes d'apprentissage automatique. En clair, cela veut dire
qu'on dessine quelques polygones pour lesquels on connaît la classe,
et l'algorithme apprend dessus.
5 Sur la puissance de calcul nécessaire
═══
Même si les im
