Comparaison des données hyperspectrales satellitaires en cartographie géologique (Méthodes, partie 2)

Dans l'article précédent, « Comparaison des données hyperspectrales satellitaires en cartographie géologique (Méthodes, partie 1) »,... (Voir l'article du 5 décembre 2024)Les sections précédentes ont présenté l'enregistrement des données, le démixage spectral, l'abondance spectrale et l'indice spectral des différents capteurs de la zone d'étude. Cette section poursuit la présentation des techniques de recherche associées.

3.3 Comparaison des capteurs par cohérence spectrale quantitative

Rupsa et al. ont conçu un ensemble de quatre indicateurs de cohérence permettant des comparaisons allant de larges gammes spectrales à des gammes spectrales étroites, spécifiques à des applications particulières. Afin de garantir l'interprétabilité et la cohérence des résultats, ils ont utilisé le coefficient de détermination R² comme base de comparaison. De plus, Rabs², un indicateur de cohérence absolue, a été calculé en comparant la différence quadratique moyenne des valeurs de réflectance (sur toutes les bandes de chaque capteur) entre chaque capteur, par rapport à la valeur du capteur présentant l'écart type le plus élevé. Cet indicateur varie de 0 à 1 ; la valeur 1 indique une cohérence parfaite des données, tandis que les valeurs 0 ou moins indiquent que la différence entre les capteurs est égale ou supérieure à la variabilité interne des données.

Les mesures de cohérence absolue sont trop conservatrices car les méthodes utilisées ne sont généralement sensibles qu'aux variations spectrales relatives, et non à la réflectance absolue. C'est pourquoi les chercheurs ont proposé une seconde mesure de cohérence, Rprop², calculée à partir des résidus entre la régression linéaire et la régression linéaire optimale, plutôt que par comparaison avec une droite de régression linéaire. Cet indice est équivalent au coefficient de détermination R² de la régression linéaire pour chaque paire de mesures de réflectance, et sa valeur varie donc de 0 (absence de corrélation) à 1 (corrélation parfaite).

Où SSR est la somme des résidus de la régression linéaire la mieux ajustée, et SST est la somme des carrés des sommes des variables dépendantes.

Pour comparer la cohérence absolue et relative des capteurs, Rupsa et al. ont rééchantillonné toutes les données de réflectance à la même taille de pixel de 60 mètres qu'EMIT et ont ajusté la résolution spectrale à environ 125 bandes, comme HyMap.

Ces deux métriques sont sensibles aux données couvrant l'ensemble du spectre ou un sous-ensemble sélectionné. Cependant, de nombreuses analyses spectrales, telles que l'analyse d'indice spectral et le démixage linéaire, n'utilisent que quelques spectres spécifiques, ce qui rend la plupart des différences spectrales non pertinentes dans ces comparaisons. C'est pourquoi Rupsa et al. ont proposé une troisième métrique de cohérence, Rfeat², spécifiquement conçue pour comparer les résultats d'indices spectraux spécifiques. Il ne s'agit pas d'une valeur absolue, mais plutôt d'une combinaison linéaire de pixels spécifiques (c.-à-d. des endmembers). Ces caractéristiques latentes peuvent être biaisées par des effets de capteur et/ou des artefacts de correction atmosphérique et topographique, mais elles peuvent maintenir leur cohérence tant qu'elles ont le même impact sur chaque pixel de l'image. Cette comparaison de caractéristiques latentes est également spécifique à l'application et repose sur la sélection d'un ensemble spécifique de pixels endmembers qui conservent des positions cohérentes entre les deux jeux de données. De cette manière, les chercheurs ont utilisé les moindres carrés non négatifs pour démixer linéairement les images et ont calculé la métrique Rfeat² en comparant l'abondance spectrale des résultats.

En résumé, Rupsa et al. ont calculé quatre métriques comparatives basées sur le coefficient de détermination R² afin d'évaluer la cohérence entre des capteurs sélectionnés dans deux zones d'étude. Rabs² mesure la cohérence des estimations de réflectance brute, tandis que Rprop² mesure la cohérence des variations spectrales relatives. Rfeat² et Rlat² sont des comparaisons spécifiques à l'application, comparant respectivement des indices spectraux spécifiques et les abondances spectrales non mélangées linéairement. Rupsa et al. ont souligné avoir conservé la résolution originale des données spectrales lors de l'analyse spectrale et les avoir rééchantillonnées à 60 mètres pour la comparaison finale. Cette approche permet d'évaluer les performances pratiques de différents capteurs en cartographie géologique et d'identifier les capteurs les plus performants avec des méthodes d'analyse spectrale spécifiques.

[1] : Chakraborty, R. ; Rachdi, I. ; Thiele, S. ; Booysen, R. ; Kirsch, M. ; Lorenz, S. ; Gloaguen, R. ; Sebari, I. Comparaison spectrale et spatiale de données hyperspectrales satellitaires pour la cartographie géologique. Remote Sens. 2024, 16, 2089. https://doi.org/10.3390/rs16122089