dterocc.sco.gus

Projet Green Urban Sat (GUS)

Ce projet a pour objectif de produire une méthodologie de cartographie détaillée de la végétation urbaine répondant à plusieurs objectifs :

• réplicable mondialement
• indépendant de bases de données locales ou nationales
• support pour l'évaluation de 5 services écosystémiques : régulation du climat local, régulation de la qualité de l'air, bénéfices socio-culturels, continuités écologiques et irrigation.

Principe

Ce dépôt GITHUB présente l'ensemble des scripts python produits afin de générer automatiquement une cartographie détaillée de la végétation, à partir de deux images Pléaides données.

Cette cartographie se présente sous la forme d'une couche vecteur décrivant la végétation avec une table attributaire se présentant sous la forme suivante :

fid	strate	fv	paysage	surface	h_moy	h_med	h_et	h_min	h_max	perc_persistant	perc_caduc	perc_conifere	perc_feuillu
Identifiant unique de la forme végétale (fv)	Strate verticale à laquelle la fv appartient	Label de la fv	Paysage dans lequel s'inscrit la fv	Surface de la fv (m²)	Hauteur moyenne (m)	Hauteur médiane (m)	Écart-type de hauteur (m)	Hauteur minimale (m)	Hauteur maximale (m)	Pourcentage de la fv composée de couvert persistant (%)	Pourcentage de la fv composée de couvert caduc (%)	Pourcentage de la fv composée de conifères (%)	Pourcentage de la fv composée de feuillus (%)

Les indices de confiance :

idc_surface	idc_h	idc_prescadu	idc_coniffeuil	idc_typesol
Indice de confiance de la surface	Indice de confiance de la hauteur	Indice de confiance du pourcentage de caduc et persistant	Indice de confiance du pourcentage de caduc et persistant	Indice de confiance sur la valeur de type de sol renseignée

Composition du dépôt

Le dépot est composé de deux dossiers et d'un fichier main.py à la racine :

Dossier / fichier	Description
libs	Répertorie toutes les librairies utilisées dans les applications
app	Répertorie tous les fichiers .py d'applications appelées dans le main
main.py	Script principal du lancement de l'application

Configuration des librairies et du code

Nous garantissons un bon fonctionnement de l'application sous la configuration Ubuntu 22. 04. 2 LTS.

Librairies python

Version Python 3. 10. 12

Principales librairie
os
sys
glob
copy
time
subprocess
math
psycopg2
numpy

Logiciels annexes

Logiciel	Version
OTB	8. 0. 1
GDAL	3. 4. 1
GRASS GIS	7. 8. 7
SAGA	7. 3. 0
PostgreSQL	14. 9

Téléchargement et lancement

Le lancement du code se décompose en trois étapes :

1. le téléchargement du repertoire complet
2. le remplissage du fichier config.json
3. le lancement des scripts en ouvrant une fenêtre de commande à la racine du dossier (où se situe le fichier main) et en lançant la commande : python main.py config.json

Utilisation du main

Le main est divisé en deux parties : - les imports - le lancement des scripts (name == 'main')

Les imports

Il y a deux types d'imports :

• les imports de fonctions Python ou de librairies annexes
• les imports de fonctions provenants des .py de /app

Le lancement des scripts

Cette partie est divisée en quatre sous-parties :

• le renseignement des données d'entrée
• la création et l'implémentation des variables à partir des données fournies
• la création de l'environnement : dossier du projet, chemins de sauvegarde, base de données pgsql/postgis
• le lancement des étapes de production de la cartographie

Pré-traitements

Fonction	Usage	Optionnel
assemblyImages()	Assemblage des imagettes Pléiades	Oui
mnhCreation()	Création d'un Modèle Numérique de Hauteur à partir d'un MNS et d'un MNT	Oui
neochannelComputation()	Calcul des images d'indices radiométriques dérivés de l'image Pléaides de référence	Oui
concatenateData()	Concaténation des données une seule couche raster	Non

Certaines fonctions sont optionnelles lorsqu'il y a possibilité que l'opérateur apporte lui-même la donnée produite par cette fonction.

Extraction de la végétation

Fonction	Usage	Optionnel
createAllSamples()	Création des couches d'échantillons d'apprentissage	Oui
prepareAllSamples()	Découpe des couches d'échantillons d'apprentissage selon l'emprise de la zone d'étude et une potentielle érosion	Non
cleanAllSamples()	Nettoyage des échantillons d'apprentissage à partir de filtres sur les indices radiométriques	Non
cleanCoverClasses()	Nettoyage des échantillons d'apprentissage pour éviter les recouvrements de classes	Non
selectSamples()	Sélection de pourcentages d'échantillons d'apprentissage parmi ceux créés et nettoyés	Non
classifySupervised()	Classification supervisée à partir de l'algorithme Random Forest	Non
filterImageMajority()	Homogénéisation de l'image de classification	Non

Distinction des strates verticales de la végétation

Fonction	Usage	Optionnel
openConnection()	Nécessaire pour la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non
segmentationImageVegetation()	Création de la couche vecteur des segments de végétation à partir de l'algorithme de segmentation Meanshift	Non
classificationVerticalStratum()	Classification des segments végétation en strates verticales (arboré, arbustif et herbacé)	Non
closeConnection()	Nécessaire pour fermer la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non

Détection de formes végétales horizontales

Fonction	Usage	Optionnel
openConnection()	Nécessaire pour la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non
cartographyVegetation()	Cartographie des formes végétales horizontales de la végétation	Non
closeConnection()	Nécessaire pour fermer la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non

Calcul des attributs descriptifs

Fonction	Usage	Optionnel
openConnection()	Nécessaire pour la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non
createAndImplementFeatures()	Création et calcul des attributs descriptifs des formes végétales produites précedemment	Non
closeConnection()	Nécessaire pour fermer la connection au schéma de la db dans laquelle les traitements spatiaux vont êtres réalisés	Non

NB : particularités pour le calcul de l'image "paysages" qui n'est pas directement réalisé dans le fichier main.py mais dans la fonction app/IndicatorsComputation/landscapeIndicator().

En ne renseignant pas l'image des paysages détectés dans la balise indicators_computation > landscape > landscape_data. Le script va se lancer dans la production de cette même donnée via la fonction landscapeDetection() qui aura la possbilité d'utiliser deux méthodes en fonction des informations renseignés au niveau des balises :

1. data_entry > entry_options > lcz_information > lcz_data : si la donnée LCZ est renseignée, la donnée paysages sera dérivée de cette donnée LCZ.
2. data_entry > entry_options > img_ocs ou s'il existe déjà un fichier img_ocs dans le dossier du projet : la donnée paysages sera dérivée de la donnée satellitaire.

Fichier de configuration

Nous mettons à disposition un fichier de configuration config.json qui permet de renseigner les éléments nécessaires au bon déroulement des étapes de cartographie. Les grandes lignes sont présentées dans le tableau suivant, mais vous trouverez un fichier config_defs.json définissant chacun des termes à renseigner dans le dépôt.

Balise	Définition
repertory	Répertoire de création du dossier du projet
save_intermediate_result	Paramètre de sauvegarde des résultats intermédiaires
display_comments	Paramètre d'affichage des commentaires intermédiaires
steps_to_run	Gestion des étapes de traitements
data_entry	Données d'entrée initiales
db_params	Paramètres de création de la base de données PgSql
vegetation_extraction	Paramètres pour l'extraction de la végétation
vertical_stratum_detection	Paramètres pour la distinction des strates verticales de végétation
vegetation_form_stratum_detection	Paramètres de détection des formes végétales horizontales
indicators_computation	Paramètres de calcul des attributs descriptifs

Via la balise steps_to_run, l'opérateur choisit quelles étapes il veut faire tourner. Attention, chaque étape nécessite l'apport de données qui sont à fournir dans les balises suivantes.

Nous prévoyons un minimum de données à fournir pour lancer le script, mais l'opérateur peut très bien apporter lui-même certaines données via la balise data_entry > entry_options. En gardant bien les mêmes formats que la donnée produite (nom des champs, extension, etc.)

De plus, il existe une particularité pour le renseignement des informations en balise vegetation_extraction > samples_cleaning : si les indices radiométriques servants à nettoyer et filtrer les échantillons d'apprentissage ont été produits dans une étape précédente au script, nous retrouverons l'information source via l'arborescence du dossier de projet créé (à condition de bien respecter les noms des indices attribués dans le code : ndvi, msavi, ndwi, hue, mnh, etc.). Cette balise permet à l'opérateur d'ajouter une autre donnée de filtrage qui n'est pas produite via les scripts.

Enfin, il existe la balise vertical_stratum_detection > height_or_texture qui permet à l'opérateur de prioriser la hauteur ou la texture dans la classification des segments en strates verticales. Deux possibilités s'offrent donc :

• priorisation de la hauteur (valeur "height") où seule la donnée de hauteur est utilisée pour la première étape de la classification en strates verticales. NB : nous privilégions ce choix lorsque la donnée d'élévation est précise (ex : LiDAR).
• priorisation de la texture (valeur "texture") où une sueil appliqué sur la texture assure la distinction végétation herbacée vs végétation arborée et arbustive. La distinction de l'arboré et de l'arbustif se réalisant classiquement avec la donnée de hauteur. NB : nous privilégions ce choix lorsque la donnée d'élévation est peu précise (ex : MNH dérivé de la donnée satellitaire).

Ensuite, une seconde étape de classification de la strate arbustive permet de nettoyer cette strate qui a tendance à la surestimation.

Attention

Attention, si vous ne voulez pas faire tourner toutes les étapes (steps_to_run), des informations sont à fournir si vous n'avez pas utilisé les scripts dédiés pour les produire :

• steps_to_run > data_concatenation = False -> fournir l'image concaténée via la balise data_entry > entry_options > img_data_concatenation
• steps_to_run > vegetation_extraction = False -> fournir l'image classifiée via la balise data_entry > entry_options > img_ocs
• steps_to_run > vertical_stratum_detection = False -> fournir le schema et la table de la donnée via la balise vertical_stratum_detection > db_table
• steps_to_run > vegetation_form_stratum_detection = False -> fournir le schema et la table de la donnée via la balise vegetation_form_stratum_detection > db_table

Dossier configuration chaîne iota2

Pour la distinction des formes végétales "prairie" et "culture" au sein de la strate herbacée, nous avons besoins d'une image classifiée "prairie/culture" sur la zone d'étude. L'opérateur fournit cette donnée via la variable vegetation_form_stratum_detection > herbaceous > img_grasscrops.

Nous mettons à disposition une méthode de production de cette classification à partir de la chaîne iota2 développée par le Cesbio et disponible en gratuitement via ce lien.

La méthode se déroule en quatre grandes étapes :

1. Télécharger 12 images Sentinel-2 (une image par mois) sur la zone d'étude.

NB : en France, nous disposons d'images Sentinel-2 L3 correspondant aux synthèses mensuelles.

2. Préparer les données d'entrée :

• orthorectifier et ré-échantillonner les images les unes par rapport aux autres
• calculer les néocanaux dérivés des bandes de chaque image : NDVI,NDWI et BI
• concaténer l'ensemble des données en une unique image multi-bande
• préparer les données d'apprentissage en allant chercher dans le RPG les classes correspondant aux "prairies" et "cultures".
• nettoyer les échantillons d'apprentissage afin d'éviter un recouvrement de classes

3. Remplir le fichier de configuration de la chaîne iota2 dont un exemple est disponible dans le dossier config_iota\GusConfigIota2.cfg

4. Lancer la chaîne

Attention : nous préconisons la vérification du référentiel de projection de l'image classifiée finale. Si elle n'est pas dans le même référentiel que le projet, il faudra reprojeter l'image via, par exemple, l'application d'un gdalwarp.

Auteur

Mathilde Segaud - Cerema Toulouse / DT / OSECC (pôle satellite)

Diagramme de classe

--

Emma Bousquet

Responsable d'études observation satellitaire Direction territoriale Occitanie / DT / OSECC

Tél. : +33 (0)5 62 25 97 03 / Port. : +33 (0)7 64 73 35 20

Complexe scientifique de Rangueil - 1 av. du colonel Roche 31400 TOULOUSE