Galerie d'indices

Les indices d'image sont des images calculées à partir d'images à plusieurs canaux. Les images mettent en évidence un phénomène spécifique qui est présent, tout en atténuant d'autres facteurs qui altèrent les effets sur l'image. Par exemple, un indice de végétation présentera la végétation saine dans une couleur claire dans l'image d'indice, tandis que la végétation non saine possède des valeurs plus faibles et le MNT nu est sombre. Comme l'ombrage de la variation MNT (collines et vallées) a un impact sur l'intensité des images, les indices sont créés de façon que la couleur d'un objet est mise en évidence au lieu de l'intensité ou de la luminosité de l'objet. La valeur d'un indice de végétation pour un pin sain qui est ombragé dans une vallée est identique à celle d'un pin qui se trouve en plein soleil. Ces indices sont souvent générés en combinant l'ajout et la soustraction de canaux, ce qui crée des taux de bandes différents. Ils sont liés à des canaux spécifiques qui sont situés dans des parties précises du spectre électromagnétique. Par conséquent, ils risquent d'être uniquement valides pour certains capteurs ou classes de capteurs et il est essentiel que les canaux appropriés soient utilisés dans le calcul.

Un des modes d'utilisation les plus courants de ces indices concerne la comparaison du même objet sur plusieurs images au fil du temps. Par exemple, plusieurs images d'un champ agricole ont pu être prises toutes les semaines depuis que le champ a été planté et tout au long de la saison des cultures. L'indice de végétation est alors calculé pour chaque image. Lorsque vous analysez ces indices de végétation hebdomadaires, vous vous attendez à constater un éclaircissement tout au long de la saison des cultures. Ensuite, lorsque la sénescence commence à l'automne, l'indice diminue jusqu'à ce que la plante soit récoltée ou que les feuilles meurent à la fin de la saison. L'effet de normalisation des indices rend cette comparaison pratique. En comparant plusieurs champs dans une région, vous pouvez identifier ceux qui poussent bien et ceux qui rencontrent des difficultés. Ce type d'analyse peut également servir à identifier les champs qui ont souffert des dommages provoqués par des tempêtes.

Choisissez l’indice en fonction du phénomène que vous souhaitez analyser. Assurez-vous que l'image en entrée provient d'un capteur doté des canaux appropriés (longueurs d'ondes plage) pour prendre en charge l'indice sélectionné. Les indices lisent les métadonnées de l'image pour vérifier les noms de canaux. Lorsqu’une correspondance est trouvée, l’indice est automatiquement appliqué. ArcGIS Pro utilise en général les noms des canaux du satellite Landsat 8, mais d'autres capteurs peuvent utiliser des noms différents. Si tel est le cas, vous pouvez remplacer le canal approprié du capteur que vous utilisez dans la fonction indice. Par exemple, le produit raster Landsat 5 TM possède un canal (7) nommé mi infrarouge (MIR), qui est comparable au canal équivalent Landsat 8 (7) nommé infrarouge à onde courte 2 (shortwave infrared 2 - SWIR2). Dans ce cas, l'indice que vous souhaitez appliquer ne parvient pas à trouver pas les noms de canaux appropriés dans les métadonnées de l'image. Une boîte de dialogue s’ouvre alors vous demandant de saisir le numéro de canal correspondant à l'indice que vous souhaitez appliquer.

Remarque :

En sélectionnant un indice à appliquer à votre imagerie, assurez-vous que votre imagerie source possède le canal adapté à l’indice. Par exemple, l’indice de neige par différence normalisée (NDSI) nécessite un canal infrarouge à onde courte (SWIR), et ne fonctionne pas correctement avec les imageries qui ne possèdent pas de canal SWIR.

Indices de végétation et du sol

MSAVI

L'indice modifié de végétation ajusté au sol (MSAVI2) tente de minimiser l'effet du sol nu sur l'indice de végétation ajusté au sol (SAVI).

MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)2-8(NIR-Red)))
  • NIR = valeurs de pixel du canal proche infrarouge
  • Rouge = valeurs de pixel du canal rouge

Référence : Qi, J. et al., 1994, "A modified soil vegetation adjusted index," Remote Sensing of Environment, Vol. 48, No. 2, 119-126.

Indice NDVI

L’indice de végétation de différence normalisée (NDVI, Normalized Difference Vegetation Index) est un indice normalisé qui vous permet de générer une image illustrant une couverture végétale, également appelée biomasse relative. Cet indice tire parti du contraste des caractéristiques de deux canaux d’un jeu de données raster multispectral : l’absorption de pigments chlorophylliens dans le canal rouge et la réflectivité élevée des matières végétales dans le canal proche infrarouge (NIR).

L'équation NDVI par défaut documentée est la suivante :

NDVI = ((NIR - Red)/(NIR + Red))
  • NIR = valeurs de pixel du canal proche infrarouge
  • Rouge = valeurs de pixel du canal rouge

Cet indice génère des valeurs comprises entre -1,0 et 1,0.

Pour en savoir plus sur la méthode NDVI

PVI

L'indice de végétation perpendiculaire (PVI, Perpendicular Vegetation Index) est similaire à un indice de végétation par différence. Il est toutefois sensible aux variations atmosphériques. Si vous utilisez cette méthode pour comparer différentes images, ne l'appliquez qu'à des images qui ont subi une correction atmosphérique.

PVI = (NIR - a*Red - b) / (sqrt(1 + a2))
  • NIR = valeurs de pixel du canal proche infrarouge
  • Rouge = valeurs de pixel du canal rouge
  • a = pente de la ligne de sol
  • b = dégradé de ligne de sol

Cet indice génère des valeurs comprises entre -1,0 et 1,0.

SAVI

L'indice de végétation ajusté au sol et modifié (SAVI, Soil-Adjusted Vegetation Index) est un indice de végétation qui tente de minimiser les influences de la luminosité du sol à l'aide d'un facteur de correction de luminosité du sol. Il est souvent utilisé dans les régions arides où la couverture végétale est faible.

SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)
  • NIR = valeurs de pixel du canal proche infrarouge
  • Rouge = valeurs de pixel du canal proche rouge
  • L = surface de couvert végétal

NIR et Rouge se rapportent aux canaux associés à ces longueurs d'ondes. La valeur L varie selon l'ampleur de la couvert végétal. En règle générale, dans les zones sans couvert végétal, L=1 ; dans les zones à couvert végétal modéré, L=0.5 ; et dans les zones à très fort couvert végétal, L=0 (ce qui est l’équivalent de la méthode NDVI). Cet indice génère des valeurs comprises entre -1,0 et 1,0.

Référence : Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol 25, 295–309.

TSAVI

L'indice transformé de végétation ajusté au sol (TSAVI) est un indice de végétation qui tente de minimiser les influences de la luminosité du sol en supposant que la ligne du sol présente une pente et une interception arbitraires.

TSAVI = (s * (NIR - s * Red - a)) / (a * NIR + Red - a * s + X * (1 + s2))
  • NIR = valeurs de pixel du canal proche infrarouge
  • Rouge = valeurs de pixel du canal rouge
  • s = pente de la ligne de sol
  • a = intersection de ligne de sol
  • X = facteur d’ajustement défini pour minimiser le bruit du sol

Référence : Baret, F. and G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment," Remote Sensing of Environment, Vol. 35, 161-173.

VARI

L'indice visible de réduction des effets atmosphériques (VARI) permet de mettre en évidence la végétation dans la portion visible du spectre, tout en atténuant les différences d'éclairage et les effets atmosphériques. Il est parfaitement adapté aux images RVB ou couleur. Il utilise les trois canaux de couleur.

VARI = (Green - Red)/ (Green + Red - Blue)
  • Vert = valeurs de pixel du canal vert
  • Rouge = valeurs de pixel du canal rouge
  • Bleu = valeurs de pixel du canal bleu

Référence : Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562.

Indices hydrographiques

NDSI

L'indice de neige par différence normalisé (NDSI) est conçu pour utiliser le canal 4 et le canal 6 MODIS et le canal 2 et le canal 5 Landsat TM pour identifier la couverture neigeuse tout en ignorant la couverture nuageuse. Comme il repose sur un ratio, il atténue également les effets atmosphériques.

 NDSI = (Green - SWIR) / (Green + SWIR)
  • Vert = valeurs de pixel du canal vert
  • SWIR = valeurs de pixel du canal infrarouge à onde courte

Référence : Riggs, G., D. Hall, and V. Salomonson. "A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer." Geoscience and Remote Sensing Symposium, IGARSS '94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.

MNDWI

L'indice modifié de l'eau par différence normalisé (MNDWI) utilise les canaux vert et SWIR pour améliorer les entités hydrographiques ouvertes. Il diminue également les zones construites qui sont souvent corrélées à des entités hydrographiques ouvertes dans d'autres indices.

MNDWI = (Green - SWIR) / (Green + SWIR)
  • Vert = valeurs de pixel du canal vert
  • SWIR = valeurs de pixel du canal d'onde courte infrarouge

Référence : Xu, H. "Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery." International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.

NDMI

L'indice d'humidité par différence normalisé (NDMI) est sensible aux niveaux d'humidité dans la végétation. Il permet de surveiller les niveaux de sécheresse et de combustibles dans les zones sujettes aux incendies. Il utilise les canaux NIR et SWIR pour créer un ratio conçu pour atténuer l'éclairage et les effets atmosphériques.

NDMI = (NIR - SWIR1)/(NIR + SWIR1)
  • NIR = valeurs de pixel du canal proche infrarouge
  • SWIR1 = valeurs de pixel du canal d'onde courte infrarouge 1

Bibliographie :

  1. Wilson, E.H. and Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80 , pp. 385-396.
  2. Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage." Remote Sensing of Environment, Vol. 86, Pp. 433-443.

Indices géologiques

Minéraux argileux

Le taux argileux est un ratio des canaux SWIR1 et SWIR2. Ce ratio tient compte du fait que les minéraux hydrologiques comme l'argile et l'alunite absorbent le rayonnement de la portion 2.0–2.3 microns du spectre. Cet indice atténue l'évolution de l'éclairage provoquée par le MNT, car il s'agit d'un ratio.

Clay Minerals Ratio = SWIR1 / SWIR2
  • SWIR1 = valeurs de pixel du canal d'onde courte infrarouge 1
  • SWIR2 = valeurs de pixel du canal d'onde courte infrarouge 2

Référence : Amro F. Alasta, "Using Remote Sensing data to identify iron deposits in central western Libya." International Conference on Emerging Trends in Computer and Image Processing (ICETCIP'2011) Bangkok Dec., 2011.

Minéraux ferreux

Le ratio de minéraux ferreux met en évidence les minéraux à base de fer. Il utilise le ratio entre le canal SWIR et le canal NIR.

Ferrous Minerals Ratio = SWIR / NIR
  • SWIR = valeurs de pixel du canal d'onde courte infrarouge
  • NIR = valeurs de pixel du canal proche infrarouge

Référence : Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data." Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

Oxyde de fer

Le taux d'oxyde de fer est un ratio des longueurs d'ondes rouges et bleues. La présence de minerais limonitiques contenant des phyllosilicates et l'altération d'oxyde de fer limonitique entraîne l'absorption du canal bleu et de la réflectance du canal rouge. Ainsi, les surfaces qui présentent une altération prononcée d'oxyde de fer sont claires. La nature du ratio permet à cet indice d'atténuer les différences d'éclairage provoquées par l'ombrage du MNT.

Iron Oxide Ratio = Red / Blue
  • Rouge = valeurs de pixel du canal rouge
  • Bleu = valeurs de pixel du canal bleu

Référence : Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data." Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

Indices paysagers

BAI

L'indice de zones brûlées (BAI) utilise des valeurs de réflectance des portions rouges et NIR du spectre pour identifier les surfaces du MNT affectées par le feu.

BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)
  • Rouge = valeurs de pixel du canal rouge
  • NIR = valeurs de pixel du canal proche infrarouge

Référence : Chuvieco, E., M. Pilar Martin, and A. Palacios. "Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination." Remote Sensing of Environment 112 (2002): 2381-2396.

NBR

L'indice de ratio de brûlure normalisé (NBRI) utilise les canaux NIR et SWIR pour mettre en évidence les zones brûlées tout en atténuant l'éclairage et les effets atmosphériques. Vos images doivent être remplacées par des valeurs de réflectance avant d'utiliser cet indice.

NBR = (NIR - SWIR) / (NIR+ SWIR)
  • NIR = valeurs de pixel du canal proche infrarouge
  • SWIR = valeurs de pixel du canal d'onde courte infrarouge

Référence : Key, C. and N. Benson, N. "Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index." FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).

NDBI

L'indice d'urbanisation par différence normalisé (NDBI) utilise les canaux NIR et SWIR pour mettre en évidence les agglomérations. Cet indice basé sur les ratios permet d'atténuer les effets des différences d'éclairage du MNT, ainsi que les effets atmosphériques.

NDBI = (SWIR - NIR) / (SWIR + NIR)
  • SWIR = valeurs de pixel du canal d'onde courte infrarouge
  • NIR = valeurs de pixel du canal proche infrarouge

Référence : Zha, Y., J. Gao, and S. Ni. "Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery." International Journal of Remote Sensing 24, no. 3 (2003): 583-594.

Rubriques connexes