Global Vision Media Focus
L'entreprise a été présentée sur les chaînes de vidéosurveillance à 15 reprises, et sa diffusion via les médias du Parti, les médias centraux et les médias officiels locaux a touché un total de 50 millions de personnes.
Étude de cas sur la classification des efflorescences algales du lac Taihu basée sur le SAM
Introduction générale
La technologie de télédétection par satellite joue un rôle important dans la surveillance de la qualité de l'eau des plans d'eau intérieurs.Large gamme, relativement rapide, peu coûteuxL'inversion des principaux paramètres de qualité de l'eau est possible. Cependant, la surveillance de la qualité des eaux continentales exige des technologies de télédétection satellitaire performantes : les petites masses d'eau nécessitent une haute résolution spatiale ; l'évolution rapide de la qualité de l'eau requiert une haute résolution temporelle ; et les propriétés optiques complexes et variables des masses d'eau exigent une haute résolution spectrale. Par conséquent, les données satellitaires qui répondent simultanément à des résolutions spatiale, temporelle et spectrale élevées présentent des avantages considérables pour la surveillance des eaux continentales.
Le Spectral Angle Mapper (SAM) est une méthode de classification spectrale basée sur la physique qui utilise des angles n-dimensionnels pour associer les pixels à des spectres de référence. L'algorithme détermine la similarité spectrale entre deux spectres en calculant les angles qui les séparent et en les traitant comme des vecteurs dans un espace dont la dimension est égale au nombre de bandes. Les spectres de référence utilisés par SAM peuvent provenir de fichiers ASCII ou de bibliothèques spectrales, ou être extraits directement de l'image (sous forme de spectre moyen de la région d'intérêt). Plus l'angle est petit, plus la probabilité d'appartenir à la même catégorie est élevée. Il s'agit d'une méthode de classification supervisée largement utilisée en télédétection hyperspectrale.
Méthodes et principes
Cette étude de cas utilise des images hyperspectrales de la région du lac Taihu prises par le satellite Xiguang-1 05 (Tianxianpei) le 18 juin 2025 pour effectuer une classification SAM et analyse la distribution spatiale des efflorescences algales sur la base des résultats de la classification.
Tableau 1. Introduction aux données
La procédure opératoire spécifique est la suivante :
1. Prétraitement des données
(1) Étalonnage des radiations :Pour les données de valeurs DN d'origine, une correction radiométrique est effectuée à l'aide des coefficients d'étalonnage radiométrique fournis par la luminance afin d'obtenir les données de luminance apparente. Cette opération peut être réalisée à l'aide de l'outil d'étalonnage radiométrique d'ENVI.
(2) Correction atmosphérique :La correction atmosphérique est effectuée à l'aide d'outils de correction atmosphérique basés sur les modèles 6S ou MODTRAN pour obtenir des données de réflectance de surface, comme l'outil de correction atmosphérique FLAASH dans ENVI.
(3) Lissage spectral :Dans ENVI, l'algorithme de Savitzky-Golay (SG) est utilisé pour lisser les données de réflectance de surface, ce qui réduit le bruit spectral et améliore la fiabilité de la classification ultérieure. Vous pouvez utiliser l'extension « Filtre Savitzky-Golay » disponible sur l'App Store d'ENVI ou l'outil de lissage spectral intégré THOR.
(4) Enregistrement d'image (facultatif) :Après traitement, effectuez le géoréférencement sur la carte de base. Ce géoréférencement peut être réalisé avec ENVI, QGIS ou ArcGIS. L'utilisation de Google Images est recommandée comme carte de référence.
(5) Masque corporel à base d'eau :En calculant l'indice d'eau normalisé à partir de la réflectance de surface et en sélectionnant un seuil approprié en fonction de l'histogramme des résultats du calcul, la région du lac Taihu est extraite.
(6) Sélection de l'échantillon de la zone d'intérêt :Cliquez sur les données de réflectance de surface, utilisez l'outil de sélection de zone d'intérêt (ROI) pour sélectionner un nombre approprié d'échantillons de masse d'eau et de prolifération d'algues, puis synthétisez et visualisez statistiquement les courbes spectrales. Utilisez la fonction Option > Calculer la séparabilité de la ROI pour calculer les paramètres de Jeffries-Matusita et de divergence transformée. Une valeur supérieure à 1,9 indique une bonne séparabilité des échantillons ; une valeur inférieure à 1,8 nécessite une nouvelle sélection.
(7) Correspondance SAM de l'angle spectral :Sélectionnez l'outil de classification Spectral Angle Mapper :
(a) Les données de réflectance de surface filtrées du lac Taihu ont été sélectionnées comme données d'entrée, et les résultats de binarisation NDWI ont été sélectionnés comme données de masque pour éliminer les images de plans d'eau non aquatiques.
Masque NDWI
b) Sélectionnez les échantillons à classifier, cliquez sur Appliquer pour accéder au panneau des paramètres et définissez le seuil d'angle spectral (0,1 radian par défaut). Un seuil plus élevé élargit la plage de classification ; un seuil plus bas améliore la précision de la classification.
Définir l'angle maximal : Définit le seuil d'angle spectral maximal (0 à 1,0), en radians. Vous pouvez définir un seuil unique ou des seuils individuels pour chaque catégorie.
Images de règles de sortie : Indique si un fichier de règles doit être généré. Ce fichier image utilise les angles spectraux comme valeurs de pixels. Son exportation permet une classification par segmentation de densité ou sert de référence pour le calcul d'un seuil.
1. Calcul de l'indice spectral
(1) JE SUIS
L'étendue des plans d'eau a été extraite par la méthode de l'indice spectral. Plus précisément, l'indice de différence normalisée de l'eau (NDWI) a été calculé à partir de l'image de réflectance de surface traitée par FLASH. Ensuite, un seuil a été défini à partir de l'histogramme de l'image NDWI pour extraire les plans d'eau. La formule de calcul est la suivante :
Le masque d'eau du lac Taihu a été extrait en calculant le NDWI et utilisé pour les opérations de classification ultérieures.
Affichage des résultats
Figure 1 Image composite en vraies couleursXiguang No. 1 05 (Un accord parfait) 20250618
Comparaison des courbes spectrales dans la région du lac Taihu avant et après filtrage SG (réflectivité augmentée de 10 000 fois, satellite Xiguang-1 05 (Tianxianpei), 06/04/2025)
Figure 2 Comparaison des courbes spectrales avant et après filtrage SG
Les résultats suivants ont été obtenus à partir de l'extraction de la masse d'eau et du calcul de l'indice effectués sur les données XG05 :
Figure 3 Carte de répartition de la prolifération d'algues SAM Xiguang No. 1 05 (Un accord parfait) 20250618
Les résultats ci-dessus montrent que les proliférations d'algues sont importantes dans la partie ouest du lac Taihu, avec des concentrations de chlorophylle a plus élevées à proximité des zones touchées. Ceci s'explique par le fait que la partie ouest du lac Taihu est une zone où les rivières se jettent, apportant d'importantes quantités de nutriments. Ces apports favorisent une croissance algale vigoureuse, provoquant ainsi des proliférations de cyanobactéries et une augmentation des concentrations de chlorophylle a. Les parties centrale et orientale du lac Taihu sont moins affectées, ce qui explique une meilleure qualité de l'eau que dans la partie ouest. La végétation aquatique se développe dans la partie orientale du lac, et la concentration de chlorophylle a y est plus faible. La partie centrale du lac est une zone de forte prolifération d'algues, et lorsqu'une prolifération se produit en été, elle couvre une vaste superficie. En revanche, les proliférations d'algues sont rares dans la partie sud-ouest du lac, et quasi inexistantes dans la partie orientale, ce qui indique un environnement plus sain dans cette dernière.
En paramétrant différents seuils d'angle spectral, la méthode SAM est très sensible à ces paramètres, ce qui entraîne une amplification du bruit et une distorsion angulaire dans la bande. Parallèlement, un biais systématique apparaît lorsque les spectres purs sont difficiles à obtenir ou que le seuil est mal paramétré, provoquant ainsi une classification erronée de type « sel et poivre » et un grand nombre de détections manquées. À l'avenir, il sera possible de l'associer à des méthodes telles que la réduction de dimensionnalité, les contraintes spatiales et l'apprentissage profond afin d'améliorer significativement la précision de la classification tout en préservant l'interprétabilité physique.