Evaluation de dégâts de tempête à l'échelle infra-parcellaire à partir d'une image Pléiades à très haute résolution spatiale sur un massif forestier feuillu en France
DOI:
https://doi.org/10.52638/rfpt.2015.223Keywords:
forêt, tempête, image optique, très haute résolution spatiale, Pléiades, détection de changementsAbstract
Les tempêtes constituent la source majeure de perturbation des peuplements forestiers et l'évaluation rapide des dégâts est un défi important pour les gestionnaires forestiers. Nous avons étudié le potentiel d'une image Pléiades pour évaluer et cartographier les dégâts causés par une tempête sur un massif forestier de plaine en juin 2012. La méthode mise en œuvre repose sur la comparaison de deux segmentations et classifications indépendantes, avant et après tempête, pour détecter la perte de couvert forestier. La référence avant tempête est constituée par l'orthophotoplan départemental BDOrtho® de l'institut Géographique National, l'image après tempête étant une image Pléiades. La carte des dégâts obtenue est globalement satisfaisante (précision globale 70%, kappa 62.5%), avec une bonne détection des dégâts massifs. Les dégâts diffus sont moins bien détectés et on observe des confusions entre les zones de dégâts et les peuplements résineux indemnes. Malgré ces limitations, une telle carte, sous réserve que l'image puisse être obtenue et traitée rapidement peut constituer une aide efficace pour la gestion de la crise.
Downloads
Download data is not yet available.
References
BAUMANN, M., OZDOGAN, M, WOLTER, P., KRYLOV, A., VLADIMIROVA, M. & RADELOFF, V.C. 2014. Landsat remote sensing of forest windfall disturbance. Remote Sensing of EnvironmentRemote Sensing of Environment, 143, 171—179.
BLASCHKE, T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2—16.
BLASCHKE, T. 2005. Towards a framework for change detection based on image object. Göttinger Geographische Abhandlungen, 1—9.
BOUALLEGUE, M., BOURGEOIS, L. & ROUQUET, E. 2010. Quelle perspective d'utilisation de la télédétection pour aider à la gestion de crises chablis à l'ONF, raport de stage TGAE, ONF, 70p
BREIMAN, L. 2001. Random Forests. Machine Learnings, 45, 5—32.
CHEHATA, N., ORNY, C., BOUKIR, S., GUYON, D. & WIGNERON, J.P. 2014. Object-based change detection in wind storm-damaged forest using high-resolution multispectral images. International Journal of Remote Sensing, 35.
CHEN, G., HAY, G.J., CARVALHO, L.M.T. & WULDER, M.A. 2012. Object-based change detection. International Journal of Remote Sensing, 33, 4434—4457.
DESCLÉE, B., BOGAERT, P. & DEFOURNY, P. 2006. Forest change detection by statistical object-based method. Remote Sensing of Environment, 102, 1—11.
ELATAWNEH, A., WALLNER, A., MANAKOS, I., SCHNEIDER, T. & KNOKE, T. 2014. Forest Cover Database Updates Using Multi-Seasonal RapidEye Data—Storm Event Assessment in the Bavarian Forest National Park. Forests, 5, 1284—1303.
GARDINER, B., BLENNOW, K., CARNUS, J.M., FLEISCHER, P., INGEMARSON, F., LANDMANN, G., LINDNER, M., et al. 2010. Destructive Storms in European Forests: Past and Forthcoming Impacts. EFI, Atlantic European Regional Office, 138p.
GENUER, R., POGGI, J.-M. & TULEAU-MALOT, C. 2010. Variable selection using random forests. Pattern Recognition Letters, 31, 2225—2236.
HARALICK, R.M., SHANMUGAM, K. & DINSTEIN, I. 1973. Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, 3.
HONKAVAARA, E., LITKEY, P. & NURMINEN, K. 2013. Automatic Storm Damage Detection in Forests Using High-Altitude Photogrammetric Imagery. Remote Sensing, 5, 1405—1424.
HUSSAIN, M., CHEN, D., CHENG, A., WEI, H. & STANLEY, D. 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91—106.
IGN. 2011a. BD Ortho Version 2 - Descriptif de contenu. 17p.
IGN. 2011b. BD Topo Version 2.1 - Descriptif de contenu. 166p
IGN. 2013. Guide IGN Pléiades, V 1.2 du 01/08/13, 12p.
MEYER, C., GELDREICH, P. & YESOU, H. 2001. Apports des Données Simulées SPOT5 Pour l'Évaluation Des Dégâts De Tempête Dans La Forêt. Cas De La Foret De Haguenau (Alsace, France). Bulletin de la Société Française de Photogrammétrie et de Télédétection, 164-165, 162—173.
NELSON, M.D., HEALEY, S.D. & MOSER, W.K. 2009. Combining satellite imagery with forest inventory data to assess damage severity following a major blowdown event in northern Minnesota, USA. International Journal of Remote Sensing, 30, 5089—5108.
OBSERVATOIRE FRANÇAIS DES TORNADES ET ORAGES VIOLENTS. 2012. Quels épisodes orageux ont marqué l'histoire climatique de Champagne-Ardenne ? - Orages localement violents le 7 juin 2012: http://www.keraunos.org/region/champagne-ardenne/orages-violents-champagne-ardenne-grele-foudre-vent-tornade-inondations-pluie-extreme.html [Accessed August 20, 2012.
ONF. 2003. Guide “gérer la crise chablis" (instruction 03-T-45)
RICH, R.L., FRELICH, L., REICH, P.B. & BAUER, M.E. 2010. Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data. Remote Sensing of Environment, 114, 299—308.
STACH, N. & DESHAYE, M. 2009. Estimation des dégâts de tempête: l'œil, l'avion et le satellite. In La forêt face aux tempêtes.Éditions Quae, 49—68.
WANG, W., QU, J.J., HAO, X., LIU, Y. & STANTURF, J.A. 2010. Post-hurricane forest damage assessment using satellite remote sensing. Agricultural and Forest Meteorology, 150, 122—132.
BLASCHKE, T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2—16.
BLASCHKE, T. 2005. Towards a framework for change detection based on image object. Göttinger Geographische Abhandlungen, 1—9.
BOUALLEGUE, M., BOURGEOIS, L. & ROUQUET, E. 2010. Quelle perspective d'utilisation de la télédétection pour aider à la gestion de crises chablis à l'ONF, raport de stage TGAE, ONF, 70p
BREIMAN, L. 2001. Random Forests. Machine Learnings, 45, 5—32.
CHEHATA, N., ORNY, C., BOUKIR, S., GUYON, D. & WIGNERON, J.P. 2014. Object-based change detection in wind storm-damaged forest using high-resolution multispectral images. International Journal of Remote Sensing, 35.
CHEN, G., HAY, G.J., CARVALHO, L.M.T. & WULDER, M.A. 2012. Object-based change detection. International Journal of Remote Sensing, 33, 4434—4457.
DESCLÉE, B., BOGAERT, P. & DEFOURNY, P. 2006. Forest change detection by statistical object-based method. Remote Sensing of Environment, 102, 1—11.
ELATAWNEH, A., WALLNER, A., MANAKOS, I., SCHNEIDER, T. & KNOKE, T. 2014. Forest Cover Database Updates Using Multi-Seasonal RapidEye Data—Storm Event Assessment in the Bavarian Forest National Park. Forests, 5, 1284—1303.
GARDINER, B., BLENNOW, K., CARNUS, J.M., FLEISCHER, P., INGEMARSON, F., LANDMANN, G., LINDNER, M., et al. 2010. Destructive Storms in European Forests: Past and Forthcoming Impacts. EFI, Atlantic European Regional Office, 138p.
GENUER, R., POGGI, J.-M. & TULEAU-MALOT, C. 2010. Variable selection using random forests. Pattern Recognition Letters, 31, 2225—2236.
HARALICK, R.M., SHANMUGAM, K. & DINSTEIN, I. 1973. Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, 3.
HONKAVAARA, E., LITKEY, P. & NURMINEN, K. 2013. Automatic Storm Damage Detection in Forests Using High-Altitude Photogrammetric Imagery. Remote Sensing, 5, 1405—1424.
HUSSAIN, M., CHEN, D., CHENG, A., WEI, H. & STANLEY, D. 2013. Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, 91—106.
IGN. 2011a. BD Ortho Version 2 - Descriptif de contenu. 17p.
IGN. 2011b. BD Topo Version 2.1 - Descriptif de contenu. 166p
IGN. 2013. Guide IGN Pléiades, V 1.2 du 01/08/13, 12p.
MEYER, C., GELDREICH, P. & YESOU, H. 2001. Apports des Données Simulées SPOT5 Pour l'Évaluation Des Dégâts De Tempête Dans La Forêt. Cas De La Foret De Haguenau (Alsace, France). Bulletin de la Société Française de Photogrammétrie et de Télédétection, 164-165, 162—173.
NELSON, M.D., HEALEY, S.D. & MOSER, W.K. 2009. Combining satellite imagery with forest inventory data to assess damage severity following a major blowdown event in northern Minnesota, USA. International Journal of Remote Sensing, 30, 5089—5108.
OBSERVATOIRE FRANÇAIS DES TORNADES ET ORAGES VIOLENTS. 2012. Quels épisodes orageux ont marqué l'histoire climatique de Champagne-Ardenne ? - Orages localement violents le 7 juin 2012: http://www.keraunos.org/region/champagne-ardenne/orages-violents-champagne-ardenne-grele-foudre-vent-tornade-inondations-pluie-extreme.html [Accessed August 20, 2012.
ONF. 2003. Guide “gérer la crise chablis" (instruction 03-T-45)
RICH, R.L., FRELICH, L., REICH, P.B. & BAUER, M.E. 2010. Detecting wind disturbance severity and canopy heterogeneity in boreal forest by coupling high-spatial resolution satellite imagery and field data. Remote Sensing of Environment, 114, 299—308.
STACH, N. & DESHAYE, M. 2009. Estimation des dégâts de tempête: l'œil, l'avion et le satellite. In La forêt face aux tempêtes.Éditions Quae, 49—68.
WANG, W., QU, J.J., HAO, X., LIU, Y. & STANTURF, J.A. 2010. Post-hurricane forest damage assessment using satellite remote sensing. Agricultural and Forest Meteorology, 150, 122—132.
Downloads
Published
2015-01-21
How to Cite
Jolly, A., Dapoigny, E., Renaud, J.-P., & Ladjal, M. (2015). Evaluation de dégâts de tempête à l’échelle infra-parcellaire à partir d’une image Pléiades à très haute résolution spatiale sur un massif forestier feuillu en France. Revue Française de Photogrammétrie et de Télédétection, (209), 157–163. https://doi.org/10.52638/rfpt.2015.223
Issue
Section
Articles
License
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution (CC-BY) 4.0 License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
