Identification des navires basée sur le démixage des pixels FCLS

Introduction générale

Dans le domaine de la surveillance maritime et fluviale, l'identification des navires a toujours constitué une application cruciale de la télédétection. La distribution des navires est directement liée à la gestion du trafic maritime, à l'application du droit maritime et à la sécurité nationale, ainsi qu'à la surveillance des ressources halieutiques, à la lutte contre la pêche illégale, à la protection de l'environnement et aux opérations de sauvetage d'urgence. Les méthodes traditionnelles de surveillance des navires reposent principalement sur les radars et les capteurs optiques, mais ces derniers sont sensibles aux interférences et présentent des zones d'ombre en cas de conditions maritimes complexes, de couverture nuageuse ou de nuit. L'émergence de la télédétection hyperspectrale a ouvert de nouvelles perspectives pour l'identification des navires. En particulier, la méthode de décomposition spectrale basée sur les moindres carrés entièrement contraints (FCLS) permet de séparer les composantes spectrales de l'eau et des navires à l'échelle sub-pixel, offrant ainsi un moyen plus robuste et précis d'identifier les navires dans des environnements complexes. Par conséquent, la technologie d'identification hyperspectrale des navires combinée à la méthode FCLS devient progressivement un axe de recherche important dans le domaine de la surveillance maritime et de l'analyse intelligente par télédétection.

Cette étude vise à exploiter pleinement les avantages spectraux de la télédétection hyperspectrale et à explorer une stratégie d'identification des navires basée sur la méthode de démixage FCLS (Fully Constrained Least Squares), améliorant ainsi la précision et la stabilité de la détection dans des environnements complexes. En considérant la coque du navire comme un composant anormal du milieu aquatique, la méthode FCLS est utilisée pour décomposer le spectre des pixels en tenant compte des contraintes d'abondance. Ceci permet de quantifier le rapport entre les composants du navire et ceux de l'eau, surmontant ainsi les limitations de la résolution d'image traditionnelle pour l'identification des navires à petite échelle. En combinant des contraintes morphologiques spatiales et l'analyse des anomalies résiduelles, cette étude vise à construire un critère de détection des navires par fusion multi-caractéristiques afin d'obtenir une identification robuste des navires à différentes échelles et dans diverses conditions d'environnement. L'objectif final de cette recherche est non seulement d'améliorer l'automatisation et la précision de l'identification des navires, mais aussi de fournir des données fiables et des solutions techniques pour la surveillance du trafic maritime, l'application de la réglementation des pêches, la gestion des ressources marines et les opérations de sauvetage d'urgence.

Données et méthodes

1. Données

Cette étude de cas utilise des images hyperspectrales du détroit méditerranéen (détroit de Bonifacio) entre la Corse, France et la Sardaigne, Italie, prises par le satellite Xiguang-1 05 (Tianxianpei) le 15 juillet 2025, avec une réflectance de classe L2C corrigée atmosphériquement.Les données de taux sont utilisées pour identifier les navires dans la zone grâce à l'algorithme FCLS.

Tableau 1. Introduction aux données

2. Démixage de pixels FCLS

Dans un premier temps, les composés purs ont été sélectionnés en fonction de la cible de détection. Pour cette identification, quatre catégories ont été retenues : l’eau, la terre, les nuages ​​et la coque des navires, comme illustré sur la figure 1-4.

Figure 1 Élément terminal du corps d'eau

Figure 2 Élément terminal terrestre

Figure 3 Métadonnées du nuage

Figure 4. Élément d'extrémité de coque

La réflectivité de différents types d'objets est illustrée dans la figure 5 ci-dessous.

Figure 5. Élément d'extrémité de coque

Affichage des résultats

La figure 6 montre l'image à détecter, qui contient un certain nombre de navires dans l'eau.

Figure 6. Image composite en vraies couleurs (satellite Xiguang-1 05 - Tianxianpei 20250715)

La solution de traitement des pixels décrite ci-dessus a été appliquée aux données. Après suppression des zones terrestres à l'aide de masques et application d'une classification par seuillage, les résultats suivants ont été obtenus, les pixels rouges représentant la coque du navire :

Figure 7 (satellite Xiguang n°1 05 - numéro Tianxianpei 20250715)

En nous basant sur le démixage FCLS et les méthodes de discrimination subséquentes, nous avons dénombré les coques de navires extraites dans la zone d'étude et comparé ce nombre aux résultats d'une interprétation manuelle. Globalement, la méthode de démixage permet de séparer avec précision les zones à forte abondance de composants purs sur les coques, formant ainsi des regroupements de navires distincts. Par exemple, dans une zone portuaire côtière, l'interprétation manuelle a dénombré 11 coques, tandis que l'identification basée sur le FCLS en a extrait 13, soit un taux de reconnaissance d'environ 85 %. Parmi celles-ci, la quasi-totalité des grands navires ont été correctement identifiés grâce à leurs caractéristiques spectrales distinctes. Cependant, un petit navire a été mal identifié car son composant pur n'était pas suffisamment visible en raison de son fort taux de mélange avec l'eau ou d'interférences dues au littoral. Un autre navire, une petite zone à fort résidu, a également été identifié à tort comme un navire, ce qui indique que la méthode génère quelques fausses alarmes en présence de fortes vagues ou d'interférences d'écume. Dans l'ensemble, le nombre de coques extraites par le démixage est très cohérent avec les données étiquetées manuellement, ce qui confirme l'efficacité de la méthode dans des environnements aquatiques complexes. Cependant, cela suggère également la nécessité de combiner davantage les contraintes morphologiques spatiales et la fusion de caractéristiques multi-sources afin de réduire les taux de faux positifs et de faux négatifs.