Hoang, Kim Huong; Bernier, Monique; Duchesne, Sophie 
ORCID: https://orcid.org/0000-0002-5619-0849 et Tran, Minh Y.
(2018).
Renforcement de la qualité d’information de l’occupation du sol par l’intégration de données satellitaires optiques et radar en support à la modélisation hydrologique / Land cover information quality enhancement by integrating optical and radar satellite data in support of hydrological modeling.
Revue des sciences de l’eau
, vol. 31
, nº 3.
pp. 177-199.
DOI: 10.7202/1054302ar.
Résumé
Afin de suivre l’évolution de l’occupation du sol du bassin versant de la rivière Cau (nord du Vietnam), des images HRVIR 2 du satellite SPOT-4 ont été acquises fin novembre 2007 et début janvier 2008. Dans un premier temps, l’approche de classification hiérarchique avec le mode de classification « avec caractéristiques liées aux classes (class-related features) » a été développée et appliquée afin d’extraire sept classes d’occupation du sol pertinentes à la modélisation hydrologique, sans distinguer les rizières des autres types de culture. Cette approche a montré son efficacité, la précision globale de la classification étant de 91 %. Une diminution significative de la confusion entre les milieux urbains, les terres agricoles et les plantations a été remarquée par rapport à une classification antérieure d’une image LANDSAT-7 de 2003, dont la précision globale était de 78 %. Par la suite, afin de distinguer les rizières des autres types de culture, deux séries d’images du satellite RADARSAT-2 en bande-C (double polarisation et polarimétriques) ont été utilisées. Ces images ont été acquises de mai 2009 à mai 2010 et couvrent deux périodes de croissance du riz, soit la période de la principale récolte (saison traditionnelle du riz) et celle du printemps. Pour les images double polarisation, en mode standard (S5), une méthode de seuillage a été appliquée sur la variation temporelle du signal entre les images acquises en début de saison et celles à la mi-saison. Cette méthode a permis de détecter 74 % des rizières de la saison traditionnelle du riz et 63 % des rizières de la saison de riz du printemps, selon une comparaison avec des données statistiques de la province de Thai Nguyen. La précision globale de la classification obtenue, pour toutes les classes d’occupation du sol, est de 71 % pour la saison traditionnelle de riz et de 67 % pour la saison de riz du printemps. Pour les images polarimétriques, en mode fin (FQ21), la matrice de cohérence a été choisie pour identifier les rizières d’une zone hétérogène. La classification a été réalisée à l’aide de l’algorithme SVM (Support Vector Machine). Ces dernières informations ont ensuite été intégrées à la carte thématique dérivée d’images SPOT-4 pour obtenir la carte finale. Cette carte sert directement à la modélisation hydrologique. Les calculs des besoins en eau pour la culture du riz ont montré que les rizières prennent une grande proportion du débit total dans les deux sous-bassins versants utilisés en exemple. Ces calculs montrent l’importance de détecter les rizières si l’on souhaite réaliser des simulations hydrologiques réalistes sur le bassin versant de la rivière Cau et confirment une des hypothèses de nos travaux, qui est que l’identification des rizières sur la carte d’occupation du sol améliore les évaluations et prédictions liées au cycle hydrologique.
Abstract
In order to follow-up the evolution of land-cover in the Cau river watershed (northern Vietnam), SPOT-4 HRVIR 2 images were acquired at the end of November 2007 and at the beginning of January 2008. Initially, the hierarchical classification with class-related features approach has been developed and applied in order to extract seven land-cover classes relevant to hydrological modeling, without distinguishing between rice fields and other types of crop. This approach has proven to be effective, with overall classification accuracy of 91%. A significant decrease in confusion between urban areas, farmland and plantations was noted compared to a prior classification of a LANDSAT-7 image acquired in 2003 which had an overall accuracy of 78%. Subsequently, in order to distinguish paddy fields from other crop types, two series of RADARSAT-2 images which cover the centre region of the watershed were acquired during the second half of 2009 and the first half of 2010. One series of images were acquired as dual-polarization (like-polarization HH and cross-polarization HV) in standard mode (S5) and the others as quad-polarization in fine mode (FQ21). These images were acquired over a period which covers two rice growing periods, including the traditional crop season and the spring crop season. For dual polarization images (S5), a suitable thresholding method was applied to the ratio between images acquired at the beginning of the season and at the mid-season. This method detected 74% of rice fields in the traditional rice season and 63% of rice fields in the spring rice season, compared with statistical data from the province of Thai Nguyen. The overall classification accuracy for all land-cover classes is 71% for the traditional rice season and 67% for the spring rice season. As to the polarimetric images (FQ21), the coherence matrix was chosen to identify the rice fields of a heterogeneous zone. The classification was performed using the SVM (Support Vector Machine) algorithm. The latter information was then integrated into the thematic map derived from SPOT-4 images to obtain the final map. This map is directly used for hydrological modeling. Calculations of water requirements for rice cultivation have shown that rice fields take a large proportion of the total flow in the two sub-watersheds used as examples. These calculations show the importance of detecting rice fields when the realization of the realistic hydrological simulations on the Cau river watershed and to confirm the hypothesis that the identification of rice fields on the land-cover map improves assessments and predictions related to the hydrological cycle.
| Type de document: | Article |
|---|---|
| Mots-clés libres: | image optique; radar; classification orientée-objet; classification hiérarchique; rizière; modélisation hydrologique; optical image; oriented-objects classification; hierarchical classification; rice; hydrological modeling |
| Centre: | Centre Eau Terre Environnement |
| Date de dépôt: | 04 déc. 2019 15:22 |
| Dernière modification: | 15 févr. 2022 17:06 |
| URI: | https://espace.inrs.ca/id/eprint/9613 |
Gestion Actions (Identification requise)
 |
Modifier la notice |