Cartographier les inondations avec des données SAR et le Deep Learning
Pour réaliser cette analyse, vous allez commencer par extraire les pixels qui représentent l’eau dans l’imagerie SAR Sentinel-1 avant et après l’inondation à l’aide d’un modèle de Deep Learning pré-entraîné. Vous allez ensuite effectuer une détection des changements entre les deux rasters d’eau extraits afin d’identifier les zones inondées. Enfin, vous allez calculer la surface totale de la zone concernée par l’inondation (en kilomètres carrés).
Configurer le projet et explorer les données
Pour commencer, téléchargez un projet qui contient les données dont vous avez besoin pour ce didacticiel et ouvrez-le dans ArcGIS Pro. Commencez ensuite à explorer les données.
- Téléchargez le paquetage Flood_mapping.
Un fichier nommé Flood_mapping.ppkx est téléchargé sur votre ordinateur.
Remarque :
Un fichier .ppkx est un paquetage de projet ArcGIS Pro qui peut contenir des cartes, des données et d’autres fichiers pouvant être ouverts dans ArcGIS Pro. Pour en savoir plus sur la gestion des fichiers .ppkx, consultez ce guide.
- Recherchez le fichier téléchargé sur votre ordinateur.
Conseil :
Sur la plupart des navigateurs web, les fichiers sont téléchargés dans le dossier Téléchargements.
- Double-cliquez sur le fichier Flood_mapping.ppkx pour l’ouvrir dans ArcGIS Pro. À l’invite, connectez-vous avec votre compte ArcGIS.
Remarque :
Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte ArcGIS, consultez les options disponibles pour accéder aux logiciels.
Le projet s’ouvre.
Le projet contient quatre cartes : Compare SAR Imagery (Comparer des images SAR), Post Flood (Après l’inondation), Pre Flood (Avant l’inondation) et Change Detection (Détection des changements). Pour le moment, utilisez la première de ces cartes.
- Vérifiez que la carte Compare SAR Imagery (Comparer des images SAR) est sélectionnée.
La carte contient deux images satellite SAR (radar à synthèse d’ouverture), Pre_Flood_SAR_Composite et Post_Flood_SAR_Composite, qui représentent la zone d’intérêt avant et après l’inondation de 2019 à Saint-Louis. Actuellement, seule la couche avant l’inondation est visible au-dessus du fond de carte World Topographic (Topographie mondiale) par défaut. Les tons noirs ou gris foncé indiquent les zones recouvertes par l’eau et délimitent clairement les fleuves Mississippi, Illinois et Missouri.
Les satellites avec capteurs SAR génèrent des images basées sur la technologie radar. L’un des avantages du SAR vient du fait qu’il peut créer des images claires de jour et de nuit, même en cas de nuages, de fumée ou de pluie. Cela fait de l’imagerie SAR un très bon choix pour cartographier une inondation.
Remarque :
Pour en savoir plus sur le SAR, reportez-vous au didacticiel Explorer l’imagerie satellite SAR et à la série Prise en main de l’imagerie satellite SAR.
Ces deux couches sont dérivées des images SAR Sentinel-1 GRD capturées le 23 février et le 11 juin 2019.
Remarque :
Certaines étapes de prétraitement ont été appliquées aux jeux de données Sentinel-1 GRD d’origine afin de les préparer pour l’analyse, y compris la création de compositions d’images. Pour savoir comment obtenir des jeux de données Sentinel-1 GRD pour votre propre zone d’intérêt et comment les préparer, reportez-vous au deuxième module de ce didacticiel, Appliquer ce processus à votre propre zone d’intérêt.
Vous allez utiliser l’outil Swipe (Balayer) pour comparer visuellement les deux images.
- Dans la fenêtre Contents (Contenu), cliquez sur la couche Pre_Flood_SAR_Composite pour la sélectionner.
- Sur le ruban, cliquez sur l’onglet Raster Layer (Couche raster). Dans le groupe Compare (Comparer), cliquez sur Swipe (Balayer).
- Sur la carte, faites glisser le curseur du haut vers le bas pour retirer la couche Pre_Flood_SAR_Composite et révéler la couche Post_Flood_SAR_Composite qui se trouve en dessous.
Sur l’image après l’inondation, de nombreuses zones sont recouvertes d’eau. Elles apparaissent dans des tons noirs.
À titre de comparaison, l’imagerie satellite optique (Sentinel-2) pour la période après l’inondation montre une épaisse couche de nuages liée aux conditions météo, ce qui empêche son utilisation pour détecter les zones inondées au sol.
Imagerie optique Sentinel-2 après l’inondation présentant une épaisse couche de nuages. - Sur la carte, effectuez un zoom avant et arrière à l’aide de la molette de la souris et continuez à balayer les images SAR pour les examiner dans le détail.
Conseil :
Pour déplacer la carte lorsque l’outil Balayer est actif, appuyez sur la touche C et faites-la glisser.
- Pour quitter le mode balayer, sur le ruban, sur l’onglet Map (Carte), dans le groupe Navigate (Naviguer), cliquez sur Explore (Explorer).
Télécharger un modèle de Deep Learning pré-entraîné
Pour extraire les pixels qui représentent l’eau des images SAR, vous allez utiliser un modèle de Deep Learning pré-entraîné nommé Water Body Extraction (SAR) - USA. Ce modèle a été entraîné pour détecter les pixels d’eau dans les images SAR et est disponible via ArcGIS Living Atlas of the World. Vous allez télécharger le modèle sur votre ordinateur.
Remarque :
ArcGIS Living Atlas of the World est la collection officielle de données SIG de Esri et contient une bibliothèque toujours plus riche de modèles de Deep Learning pré-entraînés.
- Ouvrez ArcGIS Living Atlas of the World dans votre navigateur Web.
- Sur la page d’accueil, dans la zone de recherche, saisissez Water Body Extraction (SAR) - USA, puis cliquez sur le bouton de recherche.
- Dans la liste des résultats, cliquez sur Water Body Extraction (SAR) - USA pour ouvrir la page de cet élément.
La page de l’élément contient la documentation relative au modèle. Elle comporte également un lien vers un guide d’utilisation du modèle.
- Dans la partie supérieure de la page, sous Overview (Vue d’ensemble), cliquez sur Download (Télécharger).
Le fichier du modèle est téléchargé sur votre ordinateur.
- Localisez le fichier WaterbodyExtractionSAR_USA.dlpk téléchargé sur votre ordinateur et déplacez-le vers un dossier auquel vous pouvez facilement accéder, comme C:\GeoAI.
Extraire les pixels d’eau
Vous allez maintenant utiliser le modèle pré-entraîné téléchargé pour extraire les pixels d’eau de l’image avant l’inondation. Vous allez utiliser l’outil de géotraitement Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning).
Remarque :
L’utilisation des outils de Deep Learning de ArcGIS Pro implique que vous ayez installé les bibliothèques de Deep Learning appropriées sur votre ordinateur. Si ces fichiers ne sont pas installés, enregistrez votre projet, fermez ArcGIS Pro et suivez les étapes décrites dans les instructions Se préparer au Deep Learning dans ArcGIS Pro. Dans ces instructions, vous allez également découvrir comment vérifier si votre matériel informatique et vos logiciels peuvent exécuter des processus de Deep Learning et apprendre d’autres conseils utiles. Une fois que vous avez terminé, vous pouvez rouvrir votre projet et poursuivre le didacticiel.
Vous allez procéder à l’extraction des pixels d’eau dans la deuxième carte.
- Cliquez sur l’onglet de carte Pre Flood (Avant l’inondation).
Cette carte comporte la couche Pre_Flood_SAR_Composite. Le traitement de l’intégralité de l’image SAR à l’aide de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) peut prendre de 40 minutes à 4 heures en fonction des caractéristiques de votre ordinateur. Pour avancer plus rapidement dans ce didacticiel, vous allez uniquement traiter une petite partie de l’image.
- Sur le ruban, dans l’onglet Map (Carte), dans le groupe Navigate (Naviguer), cliquez sur Bookmarks (Géosignets) et choisissez Smaller extent (Étendue plus petite).
La carte effectue un zoom sur une étendue plus petite vers le centre de l’image SAR.
Vous allez maintenant ouvrir l’outil et en choisir les paramètres.
- Sur le ruban, dans l’onglet View (Vue), dans le groupe Windows (Fenêtres), cliquez sur Geoprocessing (Géotraitement).
- Dans la fenêtre Geoprocessing (Géotraitement), dans la zone de recherche, saisissez Classify Pixels Using Deep Learning. Dans la liste des résultats, cliquez sur l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) pour l’ouvrir.
- Dans l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning), définissez les paramètres suivants :
- Pour Input Raster (Raster en entrée), sélectionnez Pre_Flood_SAR_Composite.
- Pour Output Raster Dataset (Jeu de données raster en sortie), saisissez Étendue-Eau_Petite_Taille_Avant_Inondation.
Vous allez maintenant récupérer le modèle Water Body Extraction (SAR) - USA.
- En regard du paramètre Model Definition (Définition du modèle), cliquez sur le bouton Browse (Parcourir).
- Dans la fenêtre Model Definition (Définition du modèle), accédez au dossier dans lequel vous avez enregistré le modèle, sélectionnez WaterbodyExtractionSAR_USA.dlpk, puis cliquez sur OK.
Au bout de quelques instants, les arguments du modèle se chargent automatiquement.
- Sous Arguments, localisez l’argument batch_size.
La classification des pixels à l’aide d’algorithmes de Deep Learning ne peut pas être effectuée sur la totalité de l’image en une seule fois. L’outil doit découper l’image en petites parties, appelées fragments. Une taille de lot égale à 4 signifie que l’outil traite quatre fragments d’image à la fois. Lors de l’exécution de l’outil, vous risquez de recevoir une erreur si votre ordinateur ne dispose pas de suffisamment de mémoire pour ce niveau de traitement. Dans ce cas, essayez de diminuer la valeur de batch_size de 4 à 2, voire 1. Si vous possédez un ordinateur puissant, vous pouvez également augmenter la valeur de batch_size afin d’accélérer le traitement. La modification de la valeur de batch_size n’affecte pas la qualité des résultats, mais uniquement l’efficacité du traitement de classification du modèle.
Pour le moment, vous allez conserver la valeur par défaut, 4.
- Sous Arguments, pour test_time_augmentation, saisissez True.
Si cet argument est défini sur True, l’augmentation des données est appliquée : plusieurs versions des fragments d’image sont créées en les faisant basculer et pivoter, et les prévisions qui en résultent sont fusionnées dans la sortie finale.
Remarque :
Reportez-vous à la documentation Classer des pixels à l’aide d’algorithmes de Deep Learning pour en savoir plus sur les arguments de modèle.
Vous allez maintenant spécifier l’étendue de traitement dans les paramètres Environments (Environnements) pour la limiter à la plus petite portion de l’image qui s’affiche actuellement sur la carte.
- Cliquez sur l'onglet Environnements.
- Sous Extent (Étendue), cliquez sur le bouton Current Display Extent (Étendue d’affichage actuelle).
Les coordonnées de l’étendue sont mises à jour dans les paramètres Top (Haut), Left (Gauche), Right (Droite) et Bottom (Bas), en fonction de l’étendue actuelle de la carte.
- Sous Processor Type (Type de processeur), sélectionnez GPU. Pour GPU ID (ID GPU), saisissez 0.
Remarque :
Ce didacticiel suppose que votre ordinateur dispose d’un GPU NVIDIA. Si ce n’est pas le cas, sélectionnez CPU (UC), mais notez que dans ce cas, le traitement demande davantage de temps. Pour en savoir plus sur les GPU et leur utilisation pour les processus de Deep Learning, reportez-vous à la section Vérifier la disponibilité de la GPU dans le didacticiel Se préparer au Deep Learning dans ArcGIS Pro.
Vous êtes à présent en mesure d’exécuter l’outil.
Attention :
Selon les caractéristiques de votre ordinateur, ce processus prendra du temps. À titre de référence, sur un ordinateur avec une GPU Nvidia de 4 Go, il prend environ 7 minutes.
Si vous préférez ne pas exécuter ce processus pour gagner du temps, vous pouvez à la place ouvrir un raster en sortie fourni dans le projet. Dans la fenêtre Catalog (Catalogue), accédez à Databases (Bases de données) et Flood_mapping.gdb. Cliquez avec le bouton droit sur Pre_Flood_Water_Small_Extent_Provided et choisissez Add To Current Map (Ajouter à la carte actuelle).
- Si vous choisissez d’exécuter le processus vous-même, cliquez sur Run (Exécuter).
Pendant l’exécution de l’outil, vous pouvez cliquer sur View Details (Afficher les détails) pour en savoir plus.
Conseil :
Si vous rencontrez une erreur, essayez de diminuer la valeur de batch_size de 4 à 2, voire 1, et exécutez à nouveau le traitement.
Une fois le traitement terminé, le raster en sortie Pre_Flood_Water_Small_Extent apparaît dans la fenêtre Contents (Contenu).
- Dans la barre d’outils Quick Access (Accès rapide), cliquez sur le bouton Save Project (Enregistrer le projet).
Vous avez extrait les pixels d’eau des images avant l’inondation pour une partie de la région de Saint-Louis à l’aide de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) et du modèle pré-entraîné Water Bodies Extraction (SAR) - USA. Vous allez maintenant examiner les résultats.
Observer la sortie raster de l’eau
Vous allez utiliser l’outil Swipe (Balayer) pour comparer le raster d’eau avant l’inondation et l’image SAR.
- Dans la fenêtre Contents (Contenu), vérifiez que la couche Pre_Flood_Water_Small_Extent est sélectionnée.
- Sur le ruban, dans l’onglet Raster Layer (Couche raster), cliquez sur Swipe (Balayer).
- Sur la carte, faites glisser du haut vers le bas pour retirer la couche Pre_Flood_Water_Small_Extent et révéler la couche Pre_Flood_SAR_Composite qui se trouve en dessous.
Pendant le balayage, observez comment les pixels d’eau extraits, affichés en violet, correspondent aux zones plus sombres de l’image SAR. Dans la mesure où il s’agit de l’image SAR avant l’inondation, ces pixels correspondent à des plans d’eau permanents, comme des rivières et des lacs.
Vous allez ensuite devoir extraire les pixels d’eau de l’image SAR après l’inondation, en procédant de la même manière. Cependant, pour gagner du temps dans ce didacticiel, cette étape a été effectuée à votre place. Vous allez maintenant examiner la sortie.
- Cliquez sur l’onglet de carte Post Flood (Après l’inondation).
Cette carte comporte l’image SAR après l’inondation et le raster d’eau qui en a été extrait avec la même étendue plus petite que celle utilisée précédemment.
- Dans la fenêtre Contents (Contenu), sélectionnez la couche Post_Flood_Water_Small_Extent.
- Sur la carte, faites glisser du haut vers le bas pour retirer la couche Post_Flood_Water et révéler la couche Post_Flood_SAR_Composite qui se trouve en dessous.
Pendant le balayage, observez comment les pixels d’eau extraits, affichés en violet, correspondent aux zones plus sombres de l’image SAR. Dans la mesure où il s’agit de l’image SAR après l’inondation, ces pixels correspondent à des plans d’eau permanents, comme des rivières et des lacs, mais également aux zones recouvertes d’eau à cause de l’inondation.
- Pour quitter le mode balayer, sur le ruban, sur l’onglet Map (Carte), cliquez sur Explore (Explorer).
Maintenant que vous avez extrait les pixels d’eau des images avant et après l’inondation, l’étape suivante consiste à comprendre ce qui a changé entre ces deux images.
Effectuer une analyse de détection des changements
Pour identifier les zones inondées, vous devez effectuer une analyse de détection des changements en comparant les rasters avant et après l’inondation. Vous devez repérer les pixels qui n’étaient pas des pixels d’eau et le sont devenus. Vous allez le faire sur la quatrième carte à l’aide de Change Detection Wizard (Assistant de détection des changements).
- Cliquez sur l’onglet de carte Change Detection (Détection des changements).
Cette carte comporte les rasters d’eau avant et après l’inondation qui ont été extraits des images SAR.
Remarque :
Ces rasters plus grands ont été générés à l’aide de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) avec les mêmes paramètres que ceux utilisés précédemment, à l’exception du paramètre Extent (Étendue), qui a été défini sur Intersection of Inputs (Intersection des entrées).
Vous allez effectuer l’analyse de détection des changements sur cette étendue plus grande. Vous devez d’abord effectuer une étape de prétraitement. Les rasters d’eau obtenus à l’aide de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide d’algorithmes de Deep Learning) contiennent une seule classe, avec la valeur 1, qui représente les pixels d’eau.
Cependant, un raster binaire est nécessaire pour effectuer l’analyse de détection des changements. Le raster binaire a deux classes : 0 représente les pixels qui ne sont pas de l’eau et 1 représente les pixels d’eau. Vous allez générer ces rasters binaires à l’aide de l’outil Equal To (Égal à).
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez deux fois sur le bouton Back (Retour).
- Recherchez et ouvrez l’outil Equal To (Égal à).
Vous allez commencer par appliquer l’outil au raster avant l’inondation.
- Dans l’outil Equal To (Égal à), définissez les paramètres suivants :
- Pour Input raster or constant value 1 (Raster ou valeur constante 1 en entrée), sélectionnez Pre_Flood_Water.
- Pour Input raster or constant value 2 (Raster ou valeur constante 2 en entrée), tapez 1.
- Pour Output raster (Raster en sortie), saisissez Pre_Flood_Binary.
Pour chaque pixel, l’outil renvoie 1 si Input raster or constant value 1 (Raster ou valeur constante 1 en entrée) est égal à Input raster or constant value 2 (Raster ou valeur constante 2 en entrée), et 0 dans le cas contraire.
- Cliquez sur Run (Exécuter).
Après quelques instants, le raster binaire est ajouté à la carte.
Le raster binaire a deux classes : 0, symbolisée en gris (pas de l’eau), et 1, symbolisée en rouge (eau).
- De même, utilisez l’outil Equal To (Égal à) pour créer le raster Post_Flood_Binary.
Une fois que vous avez exécuté l’outil, le raster binaire après l’inondation est ajouté à la carte.
Vous allez maintenant effectuer une analyse de détection des changements.
- Sur le ruban, dans l’onglet Imagery (Imagerie), dans le groupe Analysis (Analyse), cliquez sur Change Detection (Détection des modifications) et sélectionnez Change Detection Wizard (Assistant de détection des modifications).
- Dans la fenêtre Change Detection Wizard (Assistant de détection des changements), sur l’onglet Configure (Configurer), définissez les paramètres suivants :
- Pour Change Detection Method (Méthode de détection des changements), sélectionnez Categorical Change (Changement catégoriel).
- Pour From Raster (Raster d’origine), sélectionnez Pre_Flood_Binary.
- Pour To Raster (Raster de destination), sélectionnez Post_Flood_Binary.
Les valeurs du raster binaire représentent les catégories (eau ou pas de l’eau), raison pour laquelle vous sélectionnez l’option Categorical Change (Changement catégoriel).
Remarque :
En savoir plus sur la détection des changements catégoriels.
Remarque :
Si vous recevez l’avertissement the standard Red, Blue, and Green fields not found (Champs Rouge, Bleu et Vert introuvables), vous pouvez l’ignorer.
- Cliquez sur Next (Suivant).
- Sur l’onglet Class Configuration (Configuration de classe), définissez les paramètres suivants :
- Pour Filter Method (Méthode de filtrage), vérifiez que l’option Changed Only (Ayant changé uniquement) est sélectionnée.
- Pour From Classes (Classes d’origine), cochez la case en regard de 0.
- Pour To Classes (Classes de destination), cochez la case en regard de 1.
Seuls les pixels qui n’étaient pas des pixels d’eau (0) et le sont devenus (1) seront détectés. Ces pixels représentent les zones inondées.
- Cliquez sur Next (Suivant).
- Sur l’onglet Output Generation (Génération en sortie), définissez les paramètres suivants :
- Pour Output Dataset (Jeu de données en sortie), saisissez Flood.crf.
- Acceptez les autres valeurs par défaut.
- Cliquez sur Run (Exécuter).
Après quelques instants, le raster en sortie Flood.crf est ajouté à la carte. Il contient deux classes de pixels :
- 0->1, qui représentent les pixels qui n’étaient pas des pixels d’eau et le sont devenus, et correspondent donc aux zones inondées. Cette classe est symbolisée en rose.
- Other (Autre), qui représente tous les autres pixels. Elle est symbolisée par l’option No Color (Aucune couleur) (transparent).
Visualiser l’inondation et calculer sa surface
Vous allez changer la symbologie afin de mieux visualiser les résultats, puis vous allez calculer la surface totale concernée par l’inondation.
- Dans la fenêtre Contents (Contenu), sous Flood.crf, cliquez avec le bouton droit sur le symbole 0->1 pour ouvrir la palette de couleurs. Choisissez un rouge foncé, comme Poinsettia Red (Rouge poinsettia).
- Décochez les cases en regard des couches Post_Flood_Binary, Pre_Flood_Binary et Post_Flood_Extracted_Water pour les désactiver.
- Cliquez avec le bouton droit sur le symbole Pre_Flood_Extracted_Water et choisissez un bleu foncé, comme Cretan Blue (Bleu crétois).
- Sur la carte, la couche d’inondation extraite s’affiche en rouge et, pour référence, les plans d’eau avant l’inondation apparaissent en bleu.
Enfin, vous allez calculer la surface totale de la zone concernée par l’inondation (en kilomètres carrés).
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Flood.crf et sélectionnez Attribute Table (Table attributaire).
La table attributaire Flood.crf s’affiche. Elle contient deux lignes, une pour chaque classe : 0->1 (pixels d’inondation) et Other (Autre) (autres pixels). La colonne Area (Surface) contient la surface totale pour chaque classe en mètres carrés. La classe d’inondation indique ainsi 524 619 200,703 mètres carrés.
Remarque :
Dans la mesure où la classification de Deep Learning n’est pas un processus déterministe, le nombre de zones que vous obtenez peut être légèrement différent.
Les valeurs en mètres carrés peuvent être difficiles à interpréter. Vous allez donc ajouter un nouveau champ pour afficher la surface en kilomètres carrés.
- Dans la fenêtre de la table attributaire, cliquez sur le bouton Calculate (Calculer).
- Dans la fenêtre Calculate Field (Calculer un champ), définissez les paramètres suivants :
- Pour Field Name (Existing or New) (Nom du champ (existant ou nouveau)), saisissez Area_km2.
- Pour Field Type (Type de champ), choisissez Double (64-bit floating point) (Double (virgule flottante 64 bits)).
La surface en kilomètres carrés correspond à la surface en mètres carrés divisée par 1 000 000. Vous allez créer l’expression correspondante.
- Sous Expression, pour Fields (Champs), double-cliquez sur Area (Surface). Sous Area_km23 =, complétez l’expression en saisissant /1000000.
L’expression entière est maintenant !Area! / 1000000.
- Cliquez sur Run (Exécuter).
Un nouveau champ Area_km2 apparaît, rempli avec des valeurs. Les zones inondées représentent une surface d’environ 525 kilomètres carrés.
- Fermez la table attributaire Flood.crf.
- Appuyez sur Ctrl+S pour enregistrer le projet.
Dans ce processus, vous avez commencé par extraire les pixels qui représentent l’eau dans l’imagerie SAR Sentinel-1 avant et après l’inondation à l’aide d’un modèle de Deep Learning pré-entraîné. Vous avez ensuite effectué une détection des changements entre les deux rasters d’eau extraits afin d’identifier les zones inondées. Enfin, vous avez calculé qu’une surface de 525 kilomètres carrés avait été inondée dans la région de Saint-Louis lors des inondations de 2019 dans le Midwest américain.
Appliquer ce processus à votre propre zone d’intérêt (facultatif)
L’imagerie Sentinel-1 est disponible pour l’ensemble de la Terre. Si vous souhaitez appliquer le processus que vous venez d’apprendre à votre propre zone d’intérêt, ce module facultatif vous explique où trouver les données et comment les préparer en vue de l’analyse.
Où trouver les données GRD Sentinel-1
Les données utilisées dans ce processus sont des données Ground Range Detected (GRD) Sentinel-1. L’un des sites Web où vous pouvez télécharger gratuitement les données GRD Sentinel-1 relatives à n’importe quel endroit de la Terre est le site ASF Data Search Vertex. Vous trouverez ci-après des instructions sur la manière de télécharger des jeux de données semblables à ceux que vous avez utilisés dans ce didacticiel sur l’étendue de votre choix.
- Créez un compte Earthdata Login, si vous ne possédez pas encore un tel compte.
- Sur le site Web ASF Data Search Vertex, dans la barre d’outils supérieure, connectez-vous avec vos identifiants de connexion Earthdata.
- Dans la barre d’outils supérieure, cliquez sur Search Type (Type de recherche) et saisissez Geographic Search (Recherche géographique). Dans Dataset (Jeu de données), assurez-vous que Sentinel-1 est sélectionné.
- Sur la carte, effectuez un zoom avant avec la molette de la souris sur la zone d’intérêt. Cliquez et faites glisser le pointeur pour tracer un rectangle autour de l’étendue qui vous intéresse, et cliquez à nouveau pour terminer le rectangle.
Dans la barre d’outils supérieure, le champ Area of Interest (Zone d’intérêt) est alimenté avec les coordonnées de la forme que vous venez de créer.
- Utilisez les widgets de calendrier pour remplir les champs Start Date (Date de début) et End Date (Date de fin). Cliquez sur Filter (Filtrer).
- Dans la fenêtre Filters (Filtres), sous Additional Filters (Filtres supplémentaires), choisissez les options supplémentaires :
- Pour File type (Type de fichier), sélectionnez L1 Detected High-Res Dual-Pol (GRD-HD).
- Pour Beam Mode (Mode de faisceau), sélectionnez IW.
- Pour Polarization (Polarisation), sélectionnez VV+VH.
- Pour Direction, sélectionnez Ascending (Croissant).
- Cliquez sur Chercher.
Au bout de quelques instants, une liste de scènes SAR correspondant à vos critères de recherche apparaît.
- Dans la liste, pour une scène de votre choix, cliquez sur le bouton Zoom to scene (Zoomer sur la scène) pour afficher un aperçu de l’image sur la carte.
- Si vous êtes satisfait de cette image, dans la troisième colonne à droite, dans le jeu de données GRD-HD, cliquez sur le bouton Download (Télécharger).
Le jeu de données est téléchargé dans le dossier Téléchargements de votre ordinateur.
Télécharger des exemples de données GRD Sentinel-1
Une fois que vous avez acquis des données pour votre zone d’intérêt, vous devez leur appliquer quelques étapes de prétraitement pour les préparer pour l’analyse. Pour vous entraîner, vous allez télécharger un exemple de jeu de données GRD Sentinel-1 et l’ouvrir dans votre projet ArcGIS Pro. Il s’agit du jeu de données qui a été employé pour dériver la couche Post_Flood_SAR_Composite utilisée précédemment dans ce didacticiel.
- Téléchargez le fichier Data_preparation.zip et recherchez-le sur votre ordinateur.
- Dans l’Explorateur Windows, cliquez avec le bouton droit de la souris sur le fichier Data_preparation.zip, puis décompressez-le à un emplacement de votre ordinateur, comme le lecteur C:\data, à l’aide d’un outil tel que 7-Zip.
- Dans ArcGIS Pro, sur le ruban, sur l’onglet View (Afficher) et dans le groupe Windows (Fenêtres), cliquez sur Catalog Pane (Fenêtre Catalogue).
La fenêtre Catalogue apparaît.
- Dans la fenêtre Catalog (Catalogue), cliquez avec le bouton droit sur Folders (Dossiers) et sélectionnez Add Folder Connection (Ajouter la connexion au dossier).
- Dans la fenêtre Add Folder Connection (Ajouter une connexion aux dossiers), accédez à l’emplacement du dossier Data_preparation, sélectionnez-le et cliquez sur OK.
Vous allez maintenant ouvrir l’image GRD Sentinel-1 dans une nouvelle carte.
- Dans la fenêtre Catalog (Catalogue), cliquez sur la flèche en regard de Folders (Dossiers), Data_preparation, Sentinel1 et S1A_IW_GRDH_1SDV_20190611T235618_20190611T235643_027639_031E97_AC44.SAFE pour développer ces dossiers.
- Cliquez avec le bouton droit de la souris sur manifest.safe, pointez sur Add To New (Ajouter à une nouvelle) et sélectionnez Map (Carte).
- Si vous êtes invité à créer des éléments Pyramids (Pyramides) et Statistics (Statistiques), cliquez sur OK pour accepter.
Remarque :
Les pyramides sont des aperçus à résolution réduite de l’image à différentes échelles, qui permettent d’améliorer la vitesse d’affichage. Les statistiques sont nécessaires pour effectuer certaines tâches sur l’imagerie, notamment son rendu avec un étirement. En savoir plus sur la génération des pyramides et le calcul des statistiques.
Au bout de quelques minutes, l’image est ajoutée à la nouvelle carte sous le nom IW_manifest.
L’image est prête à être prétraitée.
Appliquer une correction d’orbite et de terrain géométrique
Vous allez d’abord appliquer une correction d’orbite et de terrain géométrique.
Remarque :
Si vous ignorez ces deux étapes, la classification Deep Learning et l’analyse de la détection des changements fonctionneront toujours ; toutefois, vous risquez d’obtenir des résultats positionnés de façon imprécise sur la carte.
Quel que soit le degré d’optimisation de l’orbite d’un satellite, celui-ci est voué à dériver en raison des influences gravitationnelles et d’autres facteurs. Des fichiers orbitaux à jour fournissent la localisation précise du satellite au moment où l’image a été capturée. Vous allez utiliser l’outil Download Orbit File (Télécharger le fichier d’orbite) pour télécharger le fichier d’orbite adéquat.
- Accédez à la fenêtre Geoprocessing (Géotraitement). Si nécessaire, cliquez sur le bouton Back (Retour).
- Recherchez l’outil Download Orbit File (Télécharger le fichier d’orbite) et ouvrez-le.
- Dans l’outil Download Orbit File (Télécharger le fichier d’orbite), définissez les paramètres suivants :
- Pour Input Radar Data (Données radar en entrée), sélectionnez IW_Manifest.
- Pour Orbit Type (Type d’orbite), vérifiez que Sentinel Precise (Orbite Sentinel précise) est sélectionné.
- Sous Authentication and Data Store (Authentification et data store), vérifiez que les champs Username (Nom d’utilisateur) et Password (Mot de passe) restent vides.
- Cliquez sur Run (Exécuter).
Un nouveau fichier doté de l’extension .EOF est téléchargé dans le dossier .SAFE. Vous allez à présent mettre à jour les informations orbitales de l’image SAR à l’aide du fichier téléchargé dans l’outil Apply Orbit Correction (Appliquer une correction d’orbite).
- Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez l’outil Apply Orbit Correction (Appliquer une correction d’orbite) et ouvrez-le.
- Pour Input Radar Data (Données radar en entrée), sélectionnez IW_Manifest.
Le paramètre Input Orbit File (Fichier d’orbite en entrée) indique automatiquement le fichier d’orbite que vous avez téléchargé.
- Cliquez sur Run (Exécuter).
Une fois l’exécution terminée, l’outil affiche le message Apply Orbit Correction completed (Application de la correction d’orbite terminée). Aucune couche n’est créée, mais l’image d’origine est mise à jour. Vous allez ensuite procéder à l’orthorectification avec l’outil Apply Geometric Terrain Correction (Appliquer la correction de terrain géométrique). L’orthorectification est le processus qui consiste à corriger les changements apparents dans la position des objets au sol provoqués par la perspective de l’angle de vue du capteur et les variations d’élévation au sol. Ce processus utilise une couche de modèle numérique d’élévation (MNE). Vous allez utiliser celle fournie dans le dossier Data_preparation.
- Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez l’outil Apply Geometric Terrain Correction (Appliquer la correction de terrain géométrique) et ouvrez-le.
- Pour l’outil Apply Geometric Terrain Correction (Appliquer la correction de terrain géométrique), définissez les paramètres suivants :
- Pour Input Radar Data (Données radar en entrée), sélectionnez IW_Manifest.
- Vérifiez que Output Radar Data (Données de radar en sortie) est renseigné automatiquement.
- Pour Polarization Bands (Bandes de polarisation), cochez les cases VV et VH.
- Pour DEM Raster (Raster MNE), cliquez sur le bouton Browse (Parcourir), accédez à Folders (Dossiers) > Data_preparation > DEM (MNE), sélectionnez DEM.tif, puis cliquez sur OK.
- Cliquez sur Run (Exécuter).
Remarque :
L’exécution de l’outil Appliquer la correction de terrain géométrique peut prendre une dizaine de minutes.
Une fois le processus terminé, le fichier en sortie IW_manifest_GTC.crf s’affiche.
Vous avez appliqué une correction d’orbite et de terrain géométrique à l’image : tous ses pixels sont maintenant localisés de façon précise.
Créer un raster composite 3 bandes et le découper
Vous allez continuer à préparer les données en dérivant un raster composite 3 bandes et en le découpant pour qu’il corresponde exactement à votre zone d’intérêt.
Lorsque vous utilisez un modèle de Deep Learning pré-entraîné, vous devez lui fournir des données en entrée similaires à celles sur lesquelles il a été entraîné. Comme vous pouvez le lire dans la documentation sur le modèle pré-entraîné Extraction des plans d’eau (SAR) - États-Unis, l’entrée attendue est un raster 3 bandes à polarisation VH GRD Sentinel-1 SAR à bande C 8 bits.
La signification est la suivante :
- Le raster en entrée doit avoir un espace par pixel de 8 bits (non signé).
- Le raster en entrée doit être composé de trois bandes, chacune contenant une copie de la bande à polarisation VH.
Remarque :
Le modèle pré-entraîné Extraction des plans d’eau (SAR) - États-Unis utilise l’architecture DeepLab, qui attend une image 3 bandes en entrée. La bande VH SAR constituant généralement un bon choix pour la détection d’eau, il a été décidé de fournir un raster composite 3 bandes lors de l’entraînement du modèle, où la bande VH est répétée 3 fois.
Le jeu de données Sentinel-1 d’origine comporte un espace par pixel non signé de 16 bits, ainsi que deux bandes de polarisation, VH et VV.
Conseil :
Si vous voulez trouver vous-même ces informations sur le jeu de données Sentinel-1, dans la fenêtre Contents (Contenu), cliquez avec le bouton droit de la souris sur la couche IW_manifest et sélectionnez Properties (Propriétés). Dans la fenêtre Properties (Propriétés), cliquez sur l’onglet Source et développez les sections Raster Information (Informations raster), Band Metadata (Métadonnées des bandes) et Spatial Reference (Référence spatiale). Parmi les informations utiles, citons le nombre de bandes, les noms des bandes (VV et VH), l’espace par pixel et le système de coordonnées.
Vous allez dériver un raster composite 3 bandes 8 bits à l’aide de la fonction raster Extraire les bandes.
- Sur le ruban, sous l’onglet Imagery (Imagerie), dans le groupe Analysis (Analyse), cliquez sur le bouton Raster Functions (Fonctions raster).
- Dans la fenêtre Raster Functions (Fonctions raster), recherchez Extract Bands (Extraire les bandes) et ouvrez l’outil.
- Dans la fonction raster Extract Bands (Extraire les bandes), sur l’onglet Parameters (Paramètres), définissez les paramètres suivants :
- Pour Raster, sélectionnez IW_manifest_GTC.crf.
- Pour Method (Méthode), sélectionnez Band names (Noms des bandes).
- Pour Band (Bande), sélectionnez trois fois VH.
- Le paramètre Combination (Combinaison) est automatiquement renseigné avec l’expression VH VH VH.
- Cliquez sur l’onglet General (Général) et sélectionnez les paramètres suivants :
- Dans Name (Nom), saisissez Post_Flood_SAR_Composite.
- Pour Output Pixel Type (Type de pixel en sortie), choisissez 8 Bit Unsigned (8 octets Non signé).
- Cliquez sur Créer une nouvelle couche.
Le raster composite SAR est ajouté à la carte. Enfin, vous allez le découper pour qu’il corresponde exactement à votre zone d’intérêt à l’aide de l’outil Extract by Mask (Extraction par masque). La réduction de l’étendue diminue le temps nécessaire à l’exécution des outils de classification Deep Learning et de détection des changements.
- Dans la fenêtre Géotraitement, cliquez sur le bouton Retour. Recherchez l’outil Extract by Mask (Extraction par masque) et ouvrez-le.
- Pour l’outil Extract by Mask (Extraction par masque), définissez les paramètres suivants :
- Pour Input raster (Raster en entrée), sélectionnez Post_Flood_SAR_Composite_manifest_GTC.crf.
- Pour Output raster (Raster en sortie), saisissez Post_Flood_SAR_Composite_Clipped.
Vous allez dessiner votre étendue d’intérêt spécifique.
- Sous Analysis Extent (Étendue d’analyse), cliquez sur le bouton Draw Extent (Dessiner l’étendue).
- Sur la carte, dessinez un rectangle qui correspond à votre étendue d’intérêt.
Remarque :
Dans ce didacticiel, vous pouvez sélectionner n’importe quelle étendue.
Dans la fenêtre Contents (Contenu), le rectangle apparaît en tant que nouvelle couche nommée Extract by Mask Analysis Extent (Étendue d’analyse Extraction par masque).
- Dans l’outil Extract by Mask (Extraction par masque), pour Input raster or feature mask data (Données raster ou vecteur de masque en entrée), sélectionnez Extract by Mask Analysis Extent (Étendue d’analyse Extraction par masque).
- Cliquez éventuellement sur Environments (Environnements). Pour Output Coordinate System (Système de coordonnées en sortie), cliquez sur le bouton Select coordinate system (Sélectionner un système de coordonnées) pour choisir un nouveau système de coordonnées et obtenir une sortie rétroprojetée. .
Par exemple, WGS 1984 UTM Zone 15N était la projection sélectionnée pour les données que vous avez utilisées précédemment dans ce didacticiel. Pour en savoir plus sur les projections, consultez le didacticiel Choisir la projection appropriée.
- Cliquez sur Run (Exécuter).
Après quelques instants, la sortie est ajoutée à la carte.
- Dans la fenêtre Contents (Contenu), désactivez toutes les couches sauf Post_Flood_SAR_Composite_Clipped, World Topographic Map (Carte topographique mondiale) et World Hillshade (Ombrage mondial).
La couche Post_Flood_SAR_Composite_Clipped a été préparée de la même façon que l’image Post_Flood_SAR_Composite que vous avez utilisée au début de ce didacticiel. Elle est prête à être utilisée comme entrée pour le processus de classification Deep Learning et de détection des changements. Notez que vous aurez également besoin de préparer l’imagerie avant l’inondation en suivant le même processus.
- Appuyez sur Ctrl+S pour enregistrer le projet.
Dans ce didacticiel, vous avez cartographié l’inondation dans la région de St. Louis, Missouri, en 2019. Vous avez extrait les pixels d’eau dans l’imagerie SAR Sentinel-1 avant et après l’inondation à l’aide d’un modèle de Deep Learning pré-entraîné. Vous avez ensuite effectué une détection des changements entre les deux rasters d’eau extraits afin d’identifier les zones inondées. Enfin, vous avez calculé la surface totale de la zone concernée par l’inondation (en kilomètres carrés). Vous avez éventuellement appris à trouver les données concernant votre propre zone d’intérêt et à les préparer pour l’analyse.
Vous trouverez d’autres didacticiels comme ceux-ci dans la série Essayer le Deep Learning avec ArcGIS.
