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
- Prétraitement des deux images selon le pipeline complet de la leçon 3.4 (Calibration → Lee → Terrain Correction → Clipping)
- 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
- 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