Surveillance et détection de changement de la déforestation dans les images SAR

Abstract

الملخص (بالعربية) :

أصبحت إزالة الغابات مشكلة كبيرة تتمثل في الانحدار المستمر لمناطق الغابات في العالم ولهذا السبب أصبح الاكتشاف الفعال لهذه التغييرات أكثر من اللازم إزاء حد أو تخفيض معدلات قطع الأشجار. في هذا العمل، تم اقتراح طريقة جديدة للكشف عن التغييرات الواقعة للغابات حيث يعتمد هذا النهج على دمج خواص نسيجية محلية مستخرجة من صور الرادار نوعية الفتحة الاصطناعية SAR (Synthetic Aperture Radar), ولقد تم استخدام صور القمر الصناعي المتقدم لرصد الأرض (ALOS) الذي يعطي صور الرادار ذو الفتحة الاصطناعية مع شريط L- متزامن النوع (PALSAR). تم إجراء تصنيف NRCS (مقطع عرضي تطبيعي للرادار) مع خصائص الاستقطاب المستخرجة من بيانات SAR المستقطبة HH (أفقي- أفقي( و ) HVأفقي- عمودي (التي سمحت للتعرف على فئات مختلفة من الغطاء الأرضي. أيضا لقد تم استعمال الميزات النسيجية المستخرجة من الصور SAR باستخدام مصفوفات التواجد المشترك GLCM من خلال تطبيق أحجام مختلفة من الإطارات المتحركة على المناطق المحلية التي تم الحصول عليها مسبقًا في تصنيف .NRCSاخيرا لقد تم استخدام ما مجموعه 300 عينة من الفئات لمختلف المناطق وخمس خصائص GLCM في هذه الدراسة حيث لقد تم الحصول على نتائج جيدة للغاية تكشف عن التغيير باستعمال النهج المقترح ، حيث تظهر إزالة الغابات بوضوح في الصور التي تم الحصول عليها بدقة مرضية للغاية من ناحية المناطق المتضررة. ---------------------------------------------- Résumé (Anglais) :

Deforestation has become a major problem consisting of a continuous regression of forested areas in the world, and for this purpose, an efficient detection of these changes has become more than necessary. In this work, a new method for deforestation change detection is proposed. This approach is based on a supervised fusion of local texture features extracted from SAR images. ALOS PALSAR (Advanced Land Observation Satellite Phased Array type L-band Synthetic Aperture Radar) multi-temporal data have been used in this work. Normalised radar cross-section (NRCS) and polarimetric features extracted from HH and HV polarised data allowed recognizing different categories of land covers termed as NRCS classification. Greylevel co-occurrence matrix (GLCM) texture features were extracted by using different moving window sizes applied on local regions previously obtained by binarisation of the NRCS results. A total of 300 samples of regions and five GLCM characteristics have been used here. The detection of deforestation appears clearly in the resulted images with a very satisfactory precision of the reached regions, and the obtained results of the proposed supervised approach have indeed led to very good detection results of the deforestation change.

---------------------------------------------- Résumé (Français) :

La déforestation est devenue un problème majeur qui consiste à une régression continue des zones forestières du monde, et pour cette raison, une détection efficace de ces changements est devenue plus que nécessaire. Dans ce travail, une nouvelle méthode de détection du changement de la déforestation est proposée. Cette approche repose sur une fusion supervisée des caractéristiques de texture locale extraite des images radar SAR (Synthetic Aperture Radar) ou RSO (Radar à synthèse d'ouverture), où des images ALOS (satellite d'observation terrestre avancée) PALSAR (Radar à synthèse d'ouverture avec une bande de type L synchrone) ont été utilisées dans ce travail. Une classification NRCS (Normalized radar cross-section, ou section transversale du radar normalisée) a été réalisée à partir des caractéristiques polarimétriques extraites des données SAR polarisées HH (Horizontal- Horizontal) et HV (Horizontal-Vertical), permettant de reconnaître différentes catégories de couvertures terrestres. Des caractéristiques de type texture utilisant les matrices de co-occurrence (GLCM), ont été extraites en appliquant différentes tailles de fenêtres mobiles aux régions locales précédemment obtenues dans la classification NRCS. Au total, 300 échantillons des différentes classes de régions et cinq caractéristiques GLCM ont été utilisés dans cette étude. L’approche proposée a donné de très bons résultats de détection du changement, où la déforestation apparaît clairement dans les images obtenues avec une précision très satisfaisante des régions atteintes.