Principe de la détection de changement SAR

La détection de changement par imagerie SAR analyse une paire d’images acquises sur la même zone géographique à des instants différents — généralement une image avant catastrophe et une autre après — pour identifier les changements survenus. Cette méthode est particulièrement efficace pour la cartographie rapide des inondations grâce à la forte réponse différentielle de l’eau.

Référence publiée : Hamdi et al., Computer Optics, 2021 — DOI: 10.18287/2412-6179-CO-814

Les 3 étapes fondamentales

  1. Prétraitement des deux images selon le pipeline complet de la leçon 3.4 (Calibration → Lee → Terrain Correction → Clipping)
  2. Calcul de la différence entre les deux images calibrées :
    • Par soustraction : D = I2 − I1
    • Par ratio : R = I2 / I1
    • Par log-ratio : log(I2/I1) — préféré car réduit l’effet multiplicatif du speckle
  3. Seuillage et classification : extraction des zones de changement via un seuil statistique ou global

Méthode 1 : Composition colorée multi-temporelle

Cette approche permet de visualiser rapidement les changements sur une seule image couleur RGB :

  • Canal Rouge (R) = image date 1 (pré-inondation, 11 sept. 2018)
  • Canal Vert (V) = image date 2 (post-inondation, 23 sept. 2018)
  • Canal Bleu (B) = image date 2 (post-inondation, 23 sept. 2018)

Interprétation des couleurs résultantes :

  • Zones en cyan → apparition de nouvelles surfaces d’eau (I2 ↑, I1 faible)
  • Zones en rouge → disparition de surfaces d’eau ou changements inverses
  • Zones grises → pas de changement significatif

Méthode 2 : Seuillage global sur σ⁰

Expression du seuil de binarisation (masque eau/non-eau) dans l’outil de traitement :

255 * (Sigma0_VV < 2.22E-2)

Ce seuil (~−16.5 dB) est déterminé par analyse de l’histogramme de σ⁰. Les pixels ayant un σ⁰ inférieur au seuil sont classés comme eau (valeur 255), les autres comme non-eau (valeur 0).

Justification statistique : l’eau calme produit une réponse spéculaire très faible (σ⁰ < −15 dB), nettement séparée du sol (σ⁰ entre −10 et 0 dB).

Cas d’étude : Barrage El Mansour Eddahbi (Ouarzazate)

L’inondation de septembre 2018 autour du barrage El Mansour Eddahbi a été analysée avec la méthode présentée dans ce cours.

Paramètre Valeur
Zone d’étude Barrage El Mansour Eddahbi, Ouarzazate, Maroc
Image pré-inondation Sentinel-1B, 11 septembre 2018, mode IW, VV+VH
Image post-inondation Sentinel-1B, 23 septembre 2018, mode IW, VV+VH
Surface inondée détectée ~12 km² (variation par rapport à la pré-inondation)
Seuil appliqué σ⁰ < 2.22E-2 (≈ −16.5 dB)
Paramètres Rayleigh (σ) 0.045 (pré-inondation), 0.032 (post-inondation)
Coordonnées bbox 30°55’N–30°58’N, 6°41’W–6°51’W

Distribution gaussienne de la différence

Comme démontré dans la leçon 3.3, la différence D = I2 − I1 suit une distribution gaussienne :

fG(h; μ, σ) = (1/σ√2π) · exp(-(h-μ)²/2σ²)

Sur nos données : μ ≈ 0.01, σ ≈ 0.05. Le seuil optimal correspond à μ − kσ où k est déterminé par minimisation des fausses alarmes.

Pipeline Python complet

import rasterio
import numpy as np

# Chargement des images prétraitées
with rasterio.open('pre_flood_sigma0_VV.tif') as src:
    pre = src.read(1)
with rasterio.open('post_flood_sigma0_VV.tif') as src:
    post = src.read(1)

# Seuillage direct
threshold = 2.22e-2  # ~-16.5 dB
water_mask = (post < threshold).astype(np.uint8) * 255

# Log-ratio pour visualisation
log_ratio = np.log10(post / (pre + 1e-10))

# Composition colorée RGB
rgb = np.stack([pre, post, post], axis=0)

Points clés à retenir

  • La détection de changement SAR repose sur la différence radiométrique entre deux dates
  • La composition colorée (R=date1, V=B=date2) permet une visualisation rapide sans calcul numérique
  • Le seuil σ⁰ < 2.22E-2 est efficace pour Sentinel-1 bande C sur les inondations marocaines
  • La distribution gaussienne de la différence justifie l’utilisation de seuils statistiques
  • L’événement Eddahbi (sept. 2018) est le cas d’étude de référence de ce module
PrécédentSuivant