Diagrammes d’imagerie et diagrammes raster

Les diagrammes constituent un outil analytique très pratique pour interpréter des données tabulaires et raster (provenant de différentes variables) sous forme graphique. Les fonctionnalités de création de diagrammes dans ArcGIS Pro vous donnent la possibilité de sélectionner les données de ces variables d’un point de vue géographique. Cela permet d’analyser à la fois les variables et les relations géographiques sous un nouvel angle. Dans le cas des données raster, par exemple, vous pouvez explorer des variables en fonction d’une zone d’intérêt donnée (telle qu’un champ agricole), ou bien étudier les signatures spectrales d’imagerie de différents types de récoltes tout au long de la saison de production.

Lors de l’exploration des données vectorielles, raster et d’imagerie, les outils de création de diagrammes possèdent de nombreuses similitudes. Vous pouvez visualiser des nuages de points d’attributs de données vectorielles et étudier la corrélation entre les variables dans les nuages de points, de la même façon que vous examineriez la corrélation entre des canaux spectraux dans l’imagerie.

Le mode d’utilisation des diagrammes lors de l’analyse des données vectorielles et d’imagerie varie souvent en fonction du type de données. Avec des données vectorielles, par exemple, il peut être intéressant d’étudier la corrélation entre des variables pour établir et quantifier des relations ; dans le cas des données d’imagerie, vous aurez plutôt intérêt à réduire la corrélation entre les canaux utilisés dans le cadre des opérations d’extraction d’entités. D’autre part, les données tabulaires et les données des rasters catégoriques sont des données discrètes alors que les données d’imagerie sont continues. Cette différence a un impact fondamental sur la façon dont chaque type de données est traité et analysé dans un diagramme.

Pour en savoir plus sur la création d’un diagramme

À propos des diagrammes d’imagerie et des diagrammes raster

Les données raster d’imagerie et d’analyse télédétectées comprennent de solides informations sur les géographies qu’elles représentent. Chaque pixel d’une image est une mesure spectrale et spatiale matérialisant un emplacement dans la géographie. On a souvent recours à plus de trois canaux d’informations pour représenter un exemple de signature spectrale des entités affichées. Dans le domaine scientifique, il peut s’agir de données multitemporelles permettant d’étudier diverses variables sur différentes périodes à des emplacements spécifiques. La visualisation de l’imagerie ou des données scientifiques sous forme de raster est le moyen le plus courant de consulter et d’interpréter les données ; toutefois, les présentations qui diffèrent de la vue cartographique peuvent être plus pertinentes, notamment pour affiner la comparaison de plusieurs entités ou pour discerner des modèles dans le temps.

Les diagrammes conçus pour explorer les signatures spectrales des entités dans une image multispectrale sont spécifiques aux donnés d’imagerie. Les diagrammes raster se basent sur les métadonnées de l’imagerie pour représenter les longueurs d’onde des canaux spectraux et tirent parti de ces informations pour spécifier des groupes de pixels à des fins de comparaison et d’analyse. Cela permet de mettre en place un système d’extraction d’entité faisant appel à la télédétection et à des méthodologies de traitement d’image pour dériver des produits raster (cartographies de l’état de la végétation et de la qualité de l’eau, par exemple). Une fois les produits de données catégorielles obtenus à partir des données d’imagerie continues, il est possible d’affiner l’analyse au moyen de diagrammes vectoriels.

Il existe cinq types de diagrammes d’imagerie et de diagramme raster : barres d’imagerie, histogramme d’image, nuage de points des images, profil spectral et profil temporel.

Diagrammes à barres d’imagerie

La distribution des données raster catégorique peut être visualisée à l’aide de diagrammes à barres. Par exemple, les diagrammes à barres peuvent être utilisés pour comprendre le nombre de pixels dans chaque catégorie d’occupation du sol ou la surface totale concernée par une classe de risque spécifique. Le diagramme à barres d’imagerie permet de visualiser la distribution des données raster thématiques dans chaque catégorie. Le raster doit posséder une table attributaire pour utiliser des diagrammes à barres.

Diagramme à barres affichant la distribution des pixels pour différents types d’occupation du sol

Histogrammes d’images

Lorsque vous utilisez des images, il est souvent nécessaire de comprendre le type d’information qu’elles renferment. La distribution statistique des valeurs dans un canal vous donne des indications précieuses sur le fonctionnement des capteurs et sur les conditions en vigueur au moment de la collecte de l’image. Elle fournit également un moyen pour caractériser des aspects importants de la qualité d’image. L’histogramme d’une image permet de visualiser et d’analyser la distribution des pixels pour ce canal. L’analyse des histogrammes d’images comprend des mesures statistiques (asymétrie de la distribution, tracés de la moyenne et des valeurs médianes, par exemple) et des barres pour afficher l’écart type.

Histogramme d’image montrant la distribution des pixels dans le canal infrarouge

Nuages de points des images

Ce type de diagramme permet de représenter les informations spectrales de données d’entité, de façon à visualiser deux canaux d’informations par tracé. Cela permet de comprendre dans quelle mesure les informations des canaux sont liées ou non et donne des indications sur la sélection des différentes combinaisons de canaux qui mettent en surbrillance les entités présentant un intérêt dans les images. S’il existe un fort degré de corrélation entre les pixels de canaux différents, seuls quelques canaux peuvent s’avérer nécessaires pour la classification des images. Lorsque le nuage de points des canaux indique que les pixels comprenant plusieurs entités sont séparables, cela signifie que les deux canaux sont de sérieux candidats pour la classification des images.

Les pixels répondant aux critères de sélection dans le nuage de points sont mis en surbrillance dans l'affichage cartographique.

Les nuages de points sont également utiles pour analyser les caractéristiques des données d’images transformées (Tasseled Cap, analyse des composants principaux ou étude de divers indices, par exemple). L’emplacement des entités au sein de la distribution du nuage de points donne des indications sur la phénoménologie (état de la végétation et phase de croissance d’une culture ou gravité des dégâts causés par un incendie de forêt, par exemple).

Diagrammes de profils spectraux

Ce type de diagramme permet de sélectionner des régions ou des entités de terrain sur l’image et d’examiner les informations spectrales de tous les canaux dans l’image. Vous obtenez ainsi l’empreinte spectrale des entités d’intérêt dans cette région. Si vous comparez, par exemple, deux champs agricoles pour déterminer s’ils contiennent le même type de culture, vous pouvez sélectionner une surface dans chaque champ et afficher la synthèse des valeurs de pixels de chaque canal dans le diagramme du profil spectral. Il suffit d’examiner les moyennes, les moustaches correspondant à l’écart type et leur position dans le spectre de chaque diagramme pour identifier les différences dans les signatures spectrales. Il est possible aussi de représenter les autres types de canaux (non spectraux) de façon à visualiser des indices ou des données à partir de jeux de données raster analytiques. Vous pourrez ainsi déterminer si une signature spectrale est similaire ou distincte, en fonction des informations sur les canaux pour chacune des entités.

Profil spectral des entités terrestres affichées dans un diagramme de type Boxes (Boîtes) et Mean Lines (Lignes moyennes)

Les diagrammes de profils spectraux sont pratiques pour interpréter les signatures spectrales des entités et distinguer les caractéristiques, ou s’assurer que l’image a été traitée correctement. Vous pouvez les utiliser pour élaborer les fonctions raster de correction atmosphérique ou pour exécuter un pré-traitement des images à des fins de classification.

Diagrammes de profils temporels

Ce type de diagramme constitue un moyen d’analyse intéressant des données d’imagerie dans une série chronologique. La visualisation des modifications dans le temps grâce au profil temporel permet de repérer des tendances et de les comparer simultanément à des variables, des canaux ou des valeurs provenant d’autres dimensions. Il est possible, par exemple, de suivre la vigueur de la végétation au cours de la saison de production ou d’effectuer un comparatif sur plusieurs années.

Diagramme de profil temporel pour une variable à plusieurs dimensions

Les diagrammes de profils temporels permettent d’effectuer des analyses de tendances, d’explorer les données raster multidimensionnelles à des emplacements spécifiques et de représenter des valeurs qui évoluent au fil du temps sous la forme d’un diagramme linéaire. Ce type diagramme est interactif : la sélection d’un point sur le profil temporel bascule l’affichage cartographique sur l’intervalle temporel à partir duquel la valeur du point a été extraite, ce qui est très pratique pour parcourir les données. Vous pouvez utiliser les diagrammes de profils temporels dans diverses applications scientifiques impliquant une analyse chronologique des données raster.

Explorateur des changements de pixels dans la série chronologique

L’explorateur des changements de pixels dans la série chronologique vous permet d’identifier les changements d’une seule valeur de pixel au fil du temps à l’aide de la méthode CCDC (Continuous Change Detection and Classification) ou à l’aide de la méthode LandTrendr (Landsat-based detection of trends in disturbance and recovery). Cela vous permet d’affiner les paramètre de modèle afin de vous concentrer sur des changements spécifiques avant d’exécuter l’outil Analyze Changes Using CCDC (Analyser les changements à l’aide de la méthode CCDC) ou Analyze Changes Using LandTrendr (Analyser les changements à l’aide de la méthode LandTrendr) pour un jeu de données entier. Par exemple, vous pouvez visualiser la manière dont un pixel d’une région forestière a changé au fil du temps en fonction des événements environnementaux tels qu’un incendie ou une période de sécheresse.

Graphique de changements de pixels dans une série chronologique pour un canal créé à l’aide de l’algorithme CCDC

Rubriques connexes