Imagerie hyperspectrale ou spectro-imagerie pour l'observation de la Terre

Définition de l'imagerie hyperspectrale

L’imagerie hyperspectrale ou spectro imagerie (Figure 1) consiste à acquérir une image dans un grand nombre ( de 100 à 300) de bandes spectrales étroites (de l'ordre de 10 nm dans le domaine 0.4 à 2.5 µm, de 10 cm-1 dans le domaine 3 – 12 µm). Ainsi en tout point de l'image, le flux énergétique mesuré, la luminance, est caractéristique du paysage observé et de l’atmosphère présente. En effet, le paysage et l'atmosphère interagissent avec le rayonnement électromagnétique, ce qui a pour effet de modifier spectralement le flux mesuré par la présence de raies d'absorption plus ou moins larges. La localisation de ces raies d'absorption dans le domaine optique est liée aux niveaux électroniques, vibrationnels et rotationnels (molécule) des espèces chimiques présentes.

L'utilisation de cette technique se manifeste dans de nombreuses applications telles que les géoscience (identification des minéraux, propriétés pérennes des sols, érosion des sols, cartographie…), étude de la végétation (biodiversité végétale, stress des plantes, suivi des cultures…), hydrologie (état du manteau neigeux, taille des grains de la neige, discrimination entre eau solide et liquide, caractérisation du phytoplancton, qualité des eaux…), étude des milieux urbains (planification urbaine, détection et suivi des plantes invasives, détection des îlots de chaleur urbains…), étude des écosystèmes côtiers (classification et suivi des espèces végétales, suivi des peuplements phytobentiques…), de la pollution (production des effluents aérosols et gaz, qualité des eaux, pollution des sols) et de la défense (discrimination, renseignement, ciblage, suivi de la prolifération, surveillance, détection d'anomalie, décamouflage…).

Synthèse instruments aéroportés et spatiaux

La majorité des instruments existants en observation depuis l'espace ou à partir d'avion fonctionnent dans le spectre visible et proche infrarouge ([0.4 – 2.5 µm]) et reposent essentiellement sur une technologie dispersive (réseau, prisme, filtres ajustables par cristaux liquides…). Le domaine infrarouge moyen [3.0 – 12.0 µm] est plus récent. Dans ce domaine spectral, des recherches instrumentales sont menées en parallèle sur des technologies dispersives ou par transformée de Fourier temporelle ou statique (interféromètre de Michelson…). L'autre élément clé est le détecteur permettant d'enregistrer l'information suivant les dimensions spatiale et spectrale pour lequel un effort important pour la recherche de la plus grande sensibilité radiométrique.

On assiste depuis quelques années à une multiplication des capteurs hyperspectraux aéroportés dont les performances n'ont pas cessé de s'améliorer : augmentation du rapport signal à bruit (d'un facteur au moins de 2), de la résolution spatiale (métrique à décimétrique), du domaine spectral couvert (SEBASS-USA [7.8 - 13.5 µm] et [3.0 - 5.5 μm], SYSIPHE-ONERA-France [0.4 – 2.5 µm], [3.0 – 5.0] et [8.0 – 11.5 µm]) ou en terme de recherche de compacité pour être embarqué sur des drones légers.

Les principaux capteurs hyperspectraux spatiaux lancés ces 10 dernières années (Hyperion-USA en 2000, CHRIS-UK en 2001, HySi-Inde et HJ-1A-Chine en 2008 et enfin HICO-USA en 2009) ont une couverture spectrale limitée au domaine [0.4 – 1.0 µm] avec une résolution spatiale de 17 m pour CHRIS à 506 m pour HySi. Une forte évolution est constatée pour les projets spatiaux dont les lancements sont prévus en 2015/2016 comme EnMap-Allemagne, PRISMA-Italie ou MSMI-Afrique du Sud où le domaine spectral est plus large [0.4 – 2.5 µm] avec une résolution spatiale meilleure (15 m pour PRISMA à 30 m pour EnMap). De plus, des projets sont en cours d'études pour définir la génération après 2020, HyspIRI-USA, HISUI-ALOS-3-Japon ou HYPXIM-France, dont les améliorations vont porter soit sur la sensibilité radiométrique (HyspIRI, résolution spatiale 60 m) soit sur la résolution spatiale (HYPXIM, résolution spatiale meilleure que 8 m). Aujourd'hui, seul le projet HyspIRI a pour projet d'utiliser des bandes spectrales dans le domaine infrarouge thermique.

Compréhension du signal hyperspectral

La compréhension des phénomènes radiatifs caractéristiques de la nature ou du comportement d'un objet d'intérêt est une étape nécessaire avant toute exploitation d'une mesure hyperspectrale. En effet, elle permet de développer les outils nécessaires pour relier les grandeurs recherchées par un utilisateur (stress hydrique d'une plante, espèce d'arbre, surface perméable ou imperméable, taux d'argile…) à la grandeur optique de surface (réflectance, émissivité). La modélisation de la physique de la mesure va ensuite expliciter comment ces grandeurs sont reliées. Des outils tels que DIRSIG-USA ou MATISSE-MOHICANS-ONERA-France permettent de générer de telles scènes 3D complexes synthétiques et de modéliser l'ensemble des phénomènes radiatifs incidents au capteur. Les enjeux de la modélisation sont la prise en compte d'effets spectraux de plus en plus fins, des ombrages (dus à la présence de bâtiment, de végétation ou de nuage), du relief et de conditions climatiques variées (du ciel clair à la couverture nuageuse partielle ou totale).

Traitements du signal hyperspectral

Avec l'imagerie hyperspectrale, il est crucial de traiter les mesures acquises afin d'accéder aux quantités spectrales d'intérêt et ensuite aux paramètres chimiques ou biophysiques de la surface. Ces traitements jouent un rôle essentiel pour la dissémination et l'interprétation de ces données bien que toutes les étapes qui vont suivre ne soient pas nécessairement obligatoires. La première étape cruciale porte sur l'étalonnage et la correction radiométrique et géométrique de ces données. Ensuite, une étape d'évaluation de la qualité des données est souvent réalisée (voir par exemple l'effort de standardisation de cette étape réalisées dans le cadre du projet européen FP7 EUFAR-JRA HYQUAPRO) afin de détecter les éventuels pixels morts ou saturés, la présence de nébulosité ou de nuages et de leur ombre qui pourraient introduire des artefacts dans l'analyse des images proprement dite. Enfin, une étape de réduction du jeu de données est possible, soit à travers une compression afin de transmettre l'ensemble des données en cohérence avec les débits de transmission disponible, soit à travers une réduction de la dimension de l'image en exploitant la forte cohérence des luminances observées. A ce stade, les images sont exprimées en unité de flux énergétique la luminance spectrale, dans laquelle se trouve l'information optique caractéristique de l'objet d'étude mais qui a été perturbée par la présence de l'atmosphère. Aussi, une étape de correction atmosphérique est nécessaire afin de s'affranchir des phénomènes de diffusion, d'absorption et/ou d'émission atmosphériques qui ont chacun un impact radiatif spectralement différent et dont l'importance dépend de l'état de l'atmosphère. En sortie de cette étape, les paramètres radiatifs de surface suivant seront accessibles : la réflectance ou l'émissivité spectrale ou la température de surface. La richesse de l'information hyperspectrale permet donc de caractériser l'état de l'atmosphère (gaz, aérosols, profils de température et de vapeur d'eau suivant le domaine spectral considéré) afin d'apporter les entrées nécessaires pour s'affranchir de ces effets. Différentes méthodes de correction atmosphérique existent dont le choix dépend du milieu observé (paysage plat FLAASH-USA or ISAC-USA, scène montagneuse ATCOR4-Allemagne, Cochise-ONERA-France, scène urbaine avec traitement des zones à l'ombre ICARE-ONERA-France, ATCOR4-Allemagne…).

Plusieurs classes de traitement de plus haut niveau sont possibles, selon l'application. Par exemple, la recherche d'objets atypiques dans la scène (détection d'anomalie) repose sur une règle pour séparer le signal spectral de la cible potentielle par rapport aux statistiques de son environnement. Le choix de cette statistique reste le point clé pour obtenir de bonnes performances de détection. Les principales méthodes de classification des types de surfaces observées (matériaux, végétation) sont en grande partie basées sur l'exploitation de l'information spectrale mais de nouvelles méthodes récentes cherchent à utiliser conjointement l'information spatiale et spectrale (amélioration attendue des méthodes de classification non supervisée, c.a.d. sans intervention humaine). Pour les méthodes de classification supervisée, l'utilisation d'une base d'apprentissage représentative reste le point clé. Bien que la détection de changement soit une problématique déjà largement traitée en imagerie, l'utilisation de la richesse spectrale offre de nouvelles possibilités, car elle donne accès à des informations plus fines tout en s'affranchissant mieux des effets de l'atmosphère. Enfin, l'imagerie hyperspectrale permet d'identifier les pixels purs (pôles de mélange ou endmembers) pour ensuite identifier la composition interne d'un pixel en termes de pôle de mélange et de leur abondance (démélange ou unmixing). La plupart de ces méthodes utilisent un modèle de mélange linéaire qui montre ses limites en présence de mélange intime, lorsque la scène est fortement structurée, lorsque l'éclairement du pixel n'est pas homogène mais aussi dans le domaine thermique. Enfin, le développement de méthodes performantes pour remonter aux propriétés biophysiques des milieux et caractériser l'état de l'environnement constitue également une problématique importante pour toute la communauté des thématiciens.

Utilisation des images : enjeux et défis

Plusieurs enjeux et défis peuvent être identifiés liés à la nature même de cette technologie, sans que cela soit exhaustif.

D'un point de vue instrumental, les demandes des utilisateurs portent sur une amélioration de la sensibilité radiométrique, une meilleure résolution spatiale et un accès à tout le domaine optique en particulier au domaine infrarouge thermique [3.0 – 12.2 µm]. Une remarque particulière peut être faite sur la recherche d'une plus grande compacité de ces capteurs pour être utilisé sur des drones et sur la diminution des coûts d’acquisition des images.

Le processus d’exploitation reste complexe, et une maturation des algorithmes et des outils est nécessaire afin qu’ils puissent être utilisés de manière fiable et robuste par des non spécialistes, y compris sur des milieux complexes (urbain, zones avec relief) et au-delà des conditions météorologique de ciel parfaitement clair

Ceci passe aussi par  la disponibilité de bases de données des propriétés optiques spectrales complètes et statistiquement représentatives. Leur acquisition repose sur l'utilisation de moyens spectrométriques tant de laboratoire que de terrain dont les performances doivent être améliorées et adaptées au type de milieu.

Pour l’extension aux conditions météorologiques imparfaites, ceci suppose le développement d’algorithmes originaux permettant de corriger leurs effets perturbateurs en utilisant la redondance de l’information contenue dans l’image hyperspectrale.

Un dernier aspect est de réduire les temps de traitement car certaines applications nécessitent le quasi temps réel. Des résultats prometteurs par des méthodes massivement parallèles montrent le réalisme de cet objectif.

En conclusion, le principal verrou de la diffusion de la technique d'imagerie hyperspectrale vers la communauté des utilisateurs reste l'accessibilité à ces capteurs et la disponibilité de chaînes d’exploitation « métier », confortable d’utilisation et robustes. Des efforts importants sont entrepris pour développer ces outils d'interprétation et d'analyse facile d'utilisation et pour l’accompagnement des nouveaux utilisateurs par des formations.