Télédétection hyperspectrale et inversion des paramètres biophysiques forestiers

Applications hyperspectrales

Les caractéristiques d'absorption dans le proche infrarouge (1000–2500 nm) dépendent des vibrations de flexion et d'élongation des liaisons biochimiques (par exemple, entre les atomes d'hydrogène et de carbone, et entre les atomes d'azote et d'oxygène) ainsi que de leurs harmoniques. Dans le visible, la chlorophylle et les caroténoïdes présentent une forte absorption due aux transitions d'énergie électronique. Différentes méthodes permettent de déterminer les caractéristiques des feuilles et du couvert végétal à partir de mesures de réflectance.

(1) Modèles empiriques (régression exponentielle et/ou multiple) :Le principe consiste à construire des combinaisons mathématiques de mesures de réflectance multiples sur des bandes spectrales étroites ou larges et à les corréler avec des caractéristiques spécifiques de la surface observée. Ces relations sont calibrées à partir de bases de données de réflectance expérimentales ou simulées (basées sur des modèles de transfert radiatif). Ce type d'approche est simple, mais présente certaines limitations : lorsqu'elle est calibrée sur une base de données expérimentale, la représentativité des relations est limitée à celle de la base de données (figure 1). De plus, les régressions exponentielles et multivariées peuvent être sensibles à de multiples caractéristiques individuelles. Elles sont également sensibles aux conditions atmosphériques, à la géométrie d'imagerie et à la résolution spatiale, ce qui nécessite généralement un étalonnage pour chaque image.

△Figure 1. Stratégies d'extraction des attributs forestiers à partir de données de télédétection dans le cadre de la recherche forestière

(2) Inversion du modèle :Cette méthode utilise un modèle pour simuler les spectres de réflectance des feuilles, du couvert végétal et du sol, puis obtient les paramètres des feuilles et du couvert par inversion du modèle. Les méthodes d'inversion numérique classiques consistent à fixer certains paramètres à des valeurs raisonnables et à déterminer les autres (paramètres libres) en minimisant une fonction de la différence entre la réflectance observée (Pmeas) et la réflectance simulée (Pmod). Cette fonction est appelée fonction d'évaluation. Une méthode de minimisation efficace, telle que la méthode d'optimisation simplex proposée par Nelder et Mead (1965), a été recommandée par Privette et al. (1994) après avoir testé plusieurs méthodes d'inversion. Pour les applications pratiques, les techniques d'inversion basées sur des bases de données de réflectance précalculées sont généralement préférées aux méthodes itératives, plus coûteuses en calcul. Parmi les méthodes de calcul efficaces fréquemment utilisées figurent les tables de correspondance et les réseaux de neurones.

Les deux méthodes susmentionnées reposent sur des bases de données d'apprentissage issues de simulations ou de mesures. Si les incertitudes liées aux mesures et aux modèles peuvent engendrer des variations importantes dans les résultats, les stratégies d'inversion numérique doivent également relever d'autres défis : le problème d'inversion consiste à déterminer les causes des résultats attendus ou observés, ou à calibrer les paramètres du modèle mathématique afin de reproduire les observations. Les problèmes d'inversion ne satisfont généralement pas aux hypothèses importantes de bonne définition : il peut ne pas exister de solution strictement définie, la solution peut ne pas être unique et/ou elle peut dépendre des données de manière non cohérente. L'inversion de tels modèles produit souvent un grand nombre de solutions possibles différentes, c'est-à-dire qu'ils sont mal conditionnés. Par conséquent, l'utilisation de stratégies de régularisation efficaces (contraignant la minimisation de la fonction d'erreur empirique) est cruciale pour les stratégies d'inversion numérique.

△Figure 2. Recueil de paramètres biophysiques forestiers hyperspectraux