Ludovic BASLY

MS. Christiane Weber, Laboratoire Image et Ville, Université Louis Pasteur, pour avoir accepté l'intervenante, mais aussi pour l'accueil pour présenter mon travail. Arnaud Rebours, Air Pays de la Loire, pour les échanges fructueux que nous avons eu et pour avoir accepté d'être membre du jury.

Table de rugosité de l'European Wind Atlas _________________________________ 179

Introduction

La qualité de l'air en milieu urbain
Qualité de l'air et santé
Gestion de la qualité de l'air dans les villes françaises
La rugosité aérodynamique
La distribution spatiale des polluants atmosphériques

On comprend aisément que la présence de vent fort favorise la dispersion de la pollution atmosphérique. Cet indice permet d'informer les autorités locales et la population sur la qualité de l'air ambiant (niveau 1 : excellente qualité de l'air, niveau 10 : qualité épouvantable).

Les satellites ERS et leur radar à synthèse d'ouverture

Un capteur « tout temps, tout instant »
Quelques rappels théoriques
Aberrations géométriques
Le chatoiement
Onde radar et rugosité
Géométrie des images RSO

Ceci explique l'adoption d'une visée latérale (qui sert par ailleurs à lever l'ambiguïté droite/gauche lors de l'étude Doppler du signal reçu). Le passage de la géométrie radiale à la géométrie « radiale au sol » se fait de la manière suivante.

Figure 2.1. Géométrie de la visée du RSO imageur des satellites ERS.

Structures urbaines et images ROS ERS

Zones artificielles

Cette vue permet d'estimer la superficie de la ville et le nombre de bâtiments. De plus, le contraste est important avec la signature de la Loire (dans la plupart des images).

Figure 3.9. La cité Malakoff. (a) Photo prise de l'île de Nantes en juin 1996. (b) Détail de l'image-radar PRI moyenne

Zones naturelles

Tous ces paramètres urbains structurels et morphologiques qui affectent la signature radar modifient également la rugosité aérodynamique de la surface. Nous montrerons qu'un traitement approprié des images SAR permettra de cartographier la rugosité aérodynamique.

Télédétection pour la cartographie de la rugosité aérodynamique en milieu urbain

Le variogramme comme indicateur de la variabilité locale

Donc pour | h| très grand, γ(h) tend asymptotiquement vers une constante égale à la variance de la zone échantillon ou de la zone d'étude. Sarrat (1977) recommande de prendre une dimension du variogramme inférieure ou égale à la moitié de la taille de la zone d'étude pour analyser les textures. Le degré d'anisotropie du variogramme dépend de la densité, du type de bâtiment et de l'orientation moyenne dans la zone.

La variance de l'échantillon est donnée par la valeur de la plus grande échelle caractéristique.

Figure 4.2. Variogramme d'une fonction aléatoire.

Classification d'images RSO par variogramme bi-dimensionnel

Plus la zone est homogène et plus la taille des objets est proche du pixel, plus la variance sera faible. Par conséquent, nous avons utilisé le variogramme bidimensionnel pour l'information bidirectionnelle des images SAR moyennes et avons ainsi procédé à leur classification. Cette morphologie locale est liée à la rugosité aérodynamique, donc la cartographie de la rugosité aérodynamique est traitée en attribuant à chaque classe une valeur de longueur de rugosité z0 tirée de l'Atlas éolien européen (Troen et Petersen 1989, voir Annexe B).

Pour vérifier la reproductibilité de la méthode, nous l'avons appliquée à chaque image SAR moyenne réduite à leur partie commune.

Cartographie de la rugosité aérodynamique

Les valeurs des cellules de la matrice indiquent le nombre de pixels de classification attribués à la classe d'image de référence. Il est calculé en divisant la somme des valeurs de la première diagonale par le nombre total de pixels. Cependant, la classe de rugosité no. 3 n’est en aucun cas équivalent à la combinaison de la classe no. 1 avec le numéro de classe. 2.

En revanche, ils diffèrent grandement de l’histogramme de la carte EAN, notamment pour les classes 3, 4 et 5.

Figure 4.8. Cartes de rugosité obtenue avec les deux différents types de données RSO. (a) VAR-SLC

Discussion

Introduction

La limite théorique de ces algorithmes est le sommet de la pyramide correspondant à un seul pixel. Le niveau de détail de l'image résultant de la différence entre une approximation de l'image de résolution j et son approximation de résolution 2*j contient donc une information sur les échelles caractéristiques entre j et 2*j. Les principales composantes résultant de l'analyse sont classées par ordre décroissant d'explication de la variance totale.

Les trois premières composantes expliquent ensemble près de 90 % de la variance totale des huit images.

Figure 4.12. Représentation graphique d'un algorithme pyramidal.

Classification simultanée des deux jeux de données et cartographie du z 0 Les cartes obtenues par classification simultanée des jeux de données, Landsat TM

De même, dans les deux cas, la classe 6 est largement répandue en classe 5 (plus de 30 %). Le changement de méthode est une contribution indéniable à la qualité de la cartographie de rugosité. Bien qu’améliorés, les paramètres de qualité de la matrice de confusion sont un peu faibles.

Dans ce dernier cas, le type d'image radar influencerait la classification et donc la cartographie de rugosité aérodynamique.

Figure 4.14. Cartes de rugosité obtenues par classification simultanée des jeux de données

Comparaison avec la carte de rugosité calculée EAN

Pour élaborer la comparaison, nous avons établi les matrices de confusion entre la carte EAN et chacune des cartes obtenues par classification. Compte tenu des limites de la carte EAN, cette comparaison ne peut être considérée comme une validation des méthodes développées. La comparaison des cartes obtenues avec une carte EAN montre de grandes différences, qui sont en grande partie dues à la différence d'échelle.

Cependant, compte tenu des limites de la carte EAN, cette comparaison n'est pas suffisante pour valider les méthodes développées.

Figure 4.16. Histogramme des classes de rugosité pour les trois cartes de rugosité exprimé en pourcentage du nombre total de pixels de l’image.

Télédétection pour la cartographie de la pollution atmosphérique

La ville de Nantes

Toutes les données de pollution nous ont été fournies par Air Pays de la Loire, responsable du réseau de surveillance de la qualité de l'air. Les normes suivies par les mesures font partie de la norme AFNOR NFX 43-005, décrétée en 1977. En effet, le rapport particules1/polluant varie selon le lieu, la saison et l'heure de la journée (Muir 1998).

Une carte des Nations Unies s'avère d'autant plus utile qu'elle pourrait être représentative de la qualité de l'air.

Figure 5.1. Réseau de mesure de l'agglomération nantaise en 1992.

La ville de Naples

Observations sur la ville de Nantes

Afin de valider les résultats, dans les deux cas nous avons pris la moitié des valeurs FN pour comparer avec les données TM6. Après avoir extrait les comptages numériques correspondant aux stations, nous avons calculé les corrélations entre les données TM6 et les mesures de polluants (tab. 5.3). Plus le nombre de points utilisés pour trouver la corrélation est faible, plus la corrélation sera sensible aux variations et moins elle sera significative.

Le signe de la corrélation et l'influence du choix des stations de mesure seront discutés ultérieurement (voir § 5.4.3).

Figure 5.2. Image de la ville de Nantes acquise par le satellite Landsat-5 dans le proche infrarouge (TM4 à 0,8 µm) le 20 mai 1992

Observations sur la ville de Naples

Le signe de la corrélation est-il fonction de la pollution ?

À partir des résultats du tableau 5.5, nous pourrions conclure de manière triviale que plus la concentration de particules est élevée, plus la corrélation devient négative. Finzi et Lechi (1991) ont constaté un changement du signe de la corrélation selon que la date correspondait ou non à un jour pollué, le polluant étudié était le SO2 (tab. 5.6). Les concentrations journalières estimées sont de 317 µg/m3 pour la journée polluée et de 96 µg/m3 pour la journée non polluée.

Finzi et Lechi (1991) expliquent la corrélation négative avec le fait que la présence d'aérosols assombrit l'atmosphère dans la bande infrarouge thermique.

Tableau 5.5. Tableau récapitulant les coefficients de corrélation calculés entre les données infrarouges thermiques satellitales et les concentrations en particules

Conclusion

Ils soulignent que plusieurs hypothèses autres que la pollution pourraient expliquer les différences de température entre zones polluées et non polluées. Finzi et Lechi (1991) estiment que ce changement de signe indique que la capacité d'absorption des polluants augmente proportionnellement à leur concentration.

Cartographie par interpolation / extrapolation des mesures

Carte de la concentration annuelle moyenne de NO2 pour l'année 1988 dans le sud des gorges du Rhin. L'apparence des structures dépendra du nombre de points de données et de la méthode utilisée. Comme précédemment, les fonctions ne sont pas définies en dehors de la zone convexe.

Quelle que soit la méthode utilisée, on constate l’influence de la station Hugo qui a mesuré la plus forte concentration.

Figure 5.4. Carte de la moyenne annuelle de la concentration en NO 2 pour l'année 1988 pour le fossé rhénan méridional.

Cartographie des fumées noires par imagerie satellitale infrarouge thermique

Paramètres de régression linéaire entre concentration de fumées noires et comptage numérique TM6 pour Nantes aux deux dates étudiées. Par rapport aux méthodes utilisant l'interpolation, même si certaines structures de la métropole nantaise sont présentes, l'amélioration des résultats de validation reste mitigée. Cartographie de la concentration de FN dans l'atmosphère nantaise à partir d'images Landsat-5 TM6 corrigées avec des résidus interpolés.

En revanche, dans le second cas, la répartition des valeurs de fortes concentrations est localisée dans les zones urbanisées au nord de la Loire.

Tableau 5.9. Paramètres de la régression linéaire entre la concentration en fumées noires et les comptes numériques de TM6 pour Nantes aux deux dates étudiées.

Cartographie combinant informations satellitales et interpolation

Au § 5.3.3 nous avons évalué l'influence du choix de combinaison sur le signe de la corrélation. Nous avons ensuite utilisé la méthode d'interpolation sur plaque mince pour les pseudo-stations résultant de la combinaison des canaux TM 1, 2, 3 et 4. Après avoir exclu la station de proximité du jeu de données, un premier impact est visible.

Ce qui est normal car la méthode prend en compte la réalité physique du site.

Tableau 5.12. Prévision FN avec pseudo-stations pour le 20/05/92. Résultats de la validation de la méthode utilisant les pseudo-stations pour Nantes le 20/05/92.

Influence de la résolution spatiale et du capteur sur la cartographie de la pollution

Cas du canal infrarouge thermique de Landstat-5

Pour le 20/05/92 (tab. 6.1), le changement de résolution spatiale n'a réellement affecté que la corrélation avec FN, c'est pourquoi elle est plus faible pour TM6_BR. La détérioration de la corrélation entre FN et TM6_BR suggère que la distribution spatiale de FN est hétérogène. Pour le SO2, la corrélation ne change pas avec le changement de résolution, le gaz devrait être réparti plus uniformément.

Les observations des responsables des mesures au sol montrent que la répartition spatiale des FN est très hétérogène.

Cas des canaux thermiques de Landsat-7

On remarque que le FN n'est pas corrélé aux bandes visible et infrarouge. Le signe négatif des corrélations indique que le rayonnement n'est pas distribué vers le capteur. De plus, pour ces deux dates, le maximum n'est pas atteint avec la bande 2, et les corrélations sont faibles.

L'influence de la résolution spatiale sur la relation entre les données infrarouges thermiques Landsat et les polluants n'est pas clairement définie pour tous les polluants.

Tableau 6.2. Coefficients de corrélation entre les mesures de pollution au sol et la température apparente mesurée dans ETM6, ETM6_120 et ETM6_960 pour le 27/01/00.

Conclusion générale et perspectives

Optique

Les anomalies thermiques, obtenues en comparant la carte de référence avec les images prises par Landsat, seraient ensuite mises en correspondance avec les mesures de polluants au sol. Cette relation démontrerait l'importance de la pollution dans la réduction des rayonnements émis et réfléchis par la surface de la Terre. Cette méthode permettra d'obtenir un modèle de spatialisation de la concentration du polluant dans des conditions données.

Les cartes issues des observations de la Terre constitueront une nouvelle source d'informations permettant de mieux comprendre la pollution atmosphérique.

ATKINSON P.M et CURRAN P.J., 'Choosing an appropriate spatial resolution for remote sensing investigations', Photogrammetric Engineering and Remote Sensing, 63, 12, p. CURTISS P.S., HERNANDEZ B., PONS A., RABL A., DREICTORER V., MARGERIE H., et LANDRIEU G., 'Environmental impacts and their costs: nuclear cycles and fossil fuels', final report version 2.0, ARMINES , CEPN and INERIS (1995). FELLAH K., BESNUS Y., CLANDILLON S., ETTAJANI A., MEYER C., et FRAIPONT P., 'Multi-temporal ERS-1 SAR data in environmental studies: investigating a quantitative approach to soil moisture retrieval ', in: ESA SP-365, Proc.

Investigation of the heat island over the city of Rome from Landsat-TM satellite in relation to urban air pollution', in: R.

Catalogue des images RSO utilisées

I MAGES ERS SLC

Caractéristiques météorologiques : pas de précipitations ni de problèmes de visibilité (brume ou brouillard) ; vent faible du nord-est avec rafales jusqu'à 11 m.s-1, ciel dégagé, sol sec. Caractéristiques météorologiques : pluie continue, ciel très nuageux, vent léger de nord-ouest avec des rafales jusqu'à 6 m.s-1, sol humide. Caractéristiques météorologiques : pluie persistante, ciel très nuageux, vent de sud-ouest faible à modéré avec des rafales jusqu'à 11 m.s-1, sol humide.

Caractéristiques météorologiques : pas de précipitations, très nuageux, vent modéré du sud-ouest avec des rafales jusqu'à 19 m.s-1, sol sec.

Figure 2.2. Image du 5 novembre 1994. Caractéristiques météorologiques : pluie continue, ciel très couvert, vent faible de secteur nord-ouest avec rafales jusqu'à 6 m.s -1 , sol mouillé.

I MAGES ERS PRI

La rugosité du terrain est généralement paramétrée sur une échelle de longueur appelée longueur de rugosité z0. Une relation empirique simple entre les éléments de rugosité de surface et la longueur de rugosité a été donnée par Lettau (1969). La figure 2.1 montre la relation entre la longueur de la rugosité, les caractéristiques du terrain et la classe de rugosité.

Le point central donne la valeur de référence et la longueur de la barre indique la plage de variation de l'incertitude dans l'estimation de la rugosité (d'après Troen et Petersen 1989).