Comparaison des données hyperspectrales satellitaires en cartographie géologique (Méthodes, partie 1)

exister Comparaison des données hyperspectrales satellitaires en cartographie géologique (Section Données)Les sections précédentes ont présenté la zone d'étude, les données issues de différents capteurs et le prétraitement des données. Cette section présente principalement les techniques de recherche utilisées.

1. Enregistrement des données

L’enregistrement des données est le processus d’alignement précis des jeux de données provenant de différentes sources afin de permettre une comparaison et une analyse directes au sein d’un même système de référence spatial. Dans cette étude, pour comparer les données multispectrales satellitaires des capteurs HyMap, EnMAP, PRISMA et EMIT, les étapes suivantes ont été réalisées pour l’enregistrement des données :

1) Sélection du sous-ensemble de données : Tout d'abord, pour les données de chaque capteur, Rupsa et al. ont sélectionné une région de sous-ensemble correspondant à la zone d'étude.

2) Utilisation des outils AROSICS : Utilisez le logiciel d'enregistrement d'images open-source (AROSICS, version 1.11.0) pour identifier automatiquement la corrélation entre les bandes comparables et calculer les points clés pour l'enregistrement des données.

2. Transformation affine mondiale

Une transformation affine globale est appliquée pour ajuster et rééchantillonner les données afin que tous les jeux de données soient reprojetés sur la même grille que les données HyMap. Cette étape est réalisée à l'aide des bibliothèques Rasterio et scikit-image.

3. Rééchantillonnage

Afin de minimiser l'impact du rééchantillonnage sur les résultats finaux, Rupsa et al. ont effectué le rééchantillonnage des données le plus tard possible dans la dernière étape du processus d'analyse.

Les étapes précédentes garantissent la cohérence spatiale entre les différents jeux de données de capteurs, condition essentielle à une analyse qualitative et quantitative précise. L'alignement des données permet la comparaison des caractéristiques spectrales entre les différents jeux de données, l'évaluation de leur potentiel d'application en cartographie géologique et l'identification des similitudes et des différences entre les capteurs.

4. Analyse spectrale

L'analyse spectrale est une technique importante en télédétection pour l'identification et la classification des matériaux de surface. Dans cette étude, les chercheurs ont utilisé deux méthodes principales d'analyse spectrale afin de comparer et d'évaluer l'application de différentes données de capteurs satellitaires à la cartographie géologique.

4.1 Indice spectral

L'analyse de l'indice spectral génère une image en divisant une bande spectrale par une autre. Cette image est relativement insensible à de nombreux bruits parasites courants, tels que les effets atmosphériques, car ces derniers sont généralement largement compensés lors de la division. Typiquement, les bandes sont choisies de sorte que le dénominateur représente la valeur minimale de la caractéristique d'absorption cible, et le numérateur la réflectance associée à une ou deux bandes adjacentes. Ceci permet de distinguer les types de minéraux car cela annule les effets entre bandes quasi identiques tout en accentuant les variations locales dues à l'absorption minérale.

Rupsa et al. ont utilisé plusieurs indices spectraux établis pour analyser les minéraux dans deux zones d'étude. À Eppembe, ces indices ont permis de distinguer les ravins rocheux riches en carbonate de calcium de la roche encaissante altérée environnante. À Marinkas-Quellen, ils ont servi à cartographier la distribution des roches carbonatées calciques et magnésiennes. Ces formules et leurs sources sont décrites dans le tableau 1.

Les principales étapes de l'analyse d'indice spectral :

(1) Sélectionnez une bande spécifique qui est pertinente pour le minéral cible.

(2) Calculer la valeur de l'indice spectral pour améliorer la détection des minéraux cibles.

(3) Utilisez ces valeurs d'index pour générer des cartes des caractéristiques géologiques.

Tableau 1. Formules des indices spectraux utilisés dans l'étude.

4.2 Abondance spectrale

Le démixage spectral désigne le processus par lequel le signal d'un pixel spectral est une combinaison pondérée linéairement de l'abondance des spectres de référence. Ces spectres de référence sont des pixels purs d'une image qui représentent les caractéristiques spectrales de substances quasi pures. Grâce au démixage spectral linéaire, l'abondance des différentes substances dans une image peut être estimée. Ces abondances peuvent être représentées sous forme de cartes d'abondance spectrale, reflétant les variables latentes de la variation spectrale (c'est-à-dire les variables cachées qui déterminent la variation des pixels spectraux). Les variables latentes sont des quantités qui ne peuvent être observées directement ; elles représentent des aspects cachés des données et sont inférées par modélisation mathématique et par les relations entre les variables observables. Cette approche présente des limitations dans certains cas : les pixels purs dans les données satellitaires peuvent être rares en raison de la faible résolution spatiale, et certaines substances peuvent être mélangées de manière non linéaire et dépendante de l'échelle. Cependant, la représentation des images hyperspectrales comme des combinaisons parcimonieuses de spectres de référence pondérés offre une méthode de comparaison des informations latentes. Par conséquent, en définissant manuellement des emplacements de pixels d'extrémité fixes pour chaque zone d'étude et en supposant que ces emplacements représentent des « spectres purs » typiques pour chaque type géologique de la scène, une bibliothèque spectrale d'extrémité correspondante a été extraite pour chaque capteur en utilisant ces emplacements d'extrémité.

Rupsa et al. ont utilisé EnMAP comme référence et ont sélectionné les pixels d'extrémité car leurs spectres échantillonnés étaient les plus similaires à ceux d'autres capteurs. Un démixage spectral linéaire a été réalisé par la méthode des moindres carrés non négatifs afin d'extraire des cartes d'abondance de chaque image. En raison des différentes réponses spectrales, Rupsa et al. ont sélectionné différents sous-ensembles spectraux pour le démixage dans les régions de Marinkas-Quellen et d'Epembe. Pour Epembe, les gammes VNIR (450–1150 nm) et SWIR (2000–2480 nm) ont été prises en compte, car des absorptions caractéristiques des précipités de fer et des carbonates sont présentes dans ces gammes. Pour Marinkas-Quellen, seule la gamme SWIR (2000–2480 nm) a été considérée, car les minéraux dominants y sont des carbonates. De plus, les bandes d'absorption de l'eau ont été exclues du démixage en raison du niveau de bruit généralement élevé observé dans les données de télédétection.

Rupsa et al. ont ainsi généré des cartes d'abondance et les ont utilisées pour comparer la cohérence entre différents capteurs. Ils ont constaté que, même en présence de biais spectraux importants dans les spectres des composants purs, les cartes d'abondance issues de divers capteurs présentaient des schémas similaires de changements géologiques. Ceci suggère que, malgré les problèmes de cohérence entre les données spectrales, les techniques de décomposition spectrale peuvent révéler des caractéristiques sous-jacentes cohérentes avec les changements géologiques. Cette comparaison permet d'évaluer la capacité des différents capteurs à capturer les caractéristiques géologiques et d'identifier les capteurs les plus adaptés à la cartographie géologique.

Référence : [1] : Chakraborty, R. ; Rachdi, I. ; Thiele, S. ; Booysen, R. ; Kirsch, M. ; Lorenz, S. ; Gloaguen, R. ; Sebari, I. A Spectral and Spatial Comparison of Satellite-Based Hyperspectral Data for Geological Mapping. Remote Sens. 2024, 16, 2089. https://doi.org/ 10.3390/rs16122089