Dans l’emprise de chaque zone d’étude 11 indices spectraux sont calculés, pour toutes les images L2A générées. Ces indices sont calculés par l’algorithme Sen2Chain. Les zones nuageuse sont masquées. Le produit est un raster de résolution 10 m visualisable et téléchargeable au format TIF gratuitement.
- Indices décrivant la végétation
- Indices de végétation liés à leur contenu en eau
- Indice de végétation lié au sol
- SAVI (Soil Adjusted Vegetation Index)
- Indices spécifiques à la mangrove
Indices décrivant la végétation
NDVI : Normalized Difference Vegetation Index
NDVI = (NIR-RED) / (NIR+RED)
NIR : bande 08
VIR : bande 04
Le NDVI, proposé par Wilson et Sader 2002, est un indice efficace pour quantifier la végétation verte. Il normalise la diffusion des feuilles vertes dans les longueurs d'onde du proche infrarouge avec l'absorption de la chlorophylle dans les longueurs d'onde rouges. C'est une mesure de l'état de santé de la végétation basée sur la façon dont les plantes réfléchissent la lumière à certaines longueurs d'onde. La plage de valeurs du NDVI est de -1 à 1. Les valeurs négatives du NDVI (valeurs proches de -1) correspondent à l'eau. Les valeurs proches de zéro (-0,1 à 0,1) correspondent généralement à des zones stériles de roche, de sable ou de neige. Les valeurs faibles et positives représentent les arbustes et les prairies (environ 0,2 à 0,4), tandis que les valeurs élevées indiquent les forêts pluviales tempérées et tropicales (valeurs proches de 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, 385-396.
IRECI : Inverted Red-Edge Chlorophyll Index
IRECI= (REDEDGE -RED) / (RE1/RE2)
REDEDGE : bande 783nm (B7 - 20m)
RED : bande 665nm (B4 - 10m)
RE1 : bande 705nm (B5 - 20m)
RE2 : bande 740nm (B6 - 20m)
Le IRECI a été proposé par Frampton et al. 2013 pour évaluer la concentration de chlorophylle dans la végétation, car la chlorophylle absorbe fortement la lumière rouge et émet de la fluorescence dans la bande REDEDGE. Ainsi, plus la concentration de chlorophylle est élevée, plus la réflectance dans la bande REDEDGE est faible par rapport à la réflectance dans la bande rouge, et plus l'indice IRECI est élevé. En utilisant l'indice IRECI, il est possible de cartographier la concentration de chlorophylle dans les plantes. La valeur de l'indice IRECI peut varier de -1 à 1, où les valeurs positives indiquent une concentration élevée en chlorophylle dans les feuilles des plantes, tandis que les valeurs négatives indiquent une en chlorophylle faible. L'IRECI est particulièrement utile pour évaluer la santé des cultures et des forêts, car il peut aider à détecter les premiers signes de stress. Les variations de l'IRECI peuvent être utilisées pour suivre par exemple la croissance des forêts, la détection des maladies, la surveillance des incendies.
Frampton, W.J., Dash, J., Watmough, G., Milton, E.J., (2013). Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation.ISPRS Journal of Photogrammetry and Remote Sensing 82, p.83–92
NDRE : Normalized difference red edge index
NDRE = (NIR - REDEDGE) / (NIR + REDEDGE)
NIR : bande 08
REDEDGE : bande 05
Le NDRE est un indice spectral utilisé pour évaluer la vigueur des plantes. L'invention de l'indice NDRE est attribuée à la société hollandaise MicaSense. Le REDEDGE est une région du spectre électromagnétique entre la bande du rouge et la bande du proche infrarouge. Cette région est particulièrement sensible à la chlorophylle et aux variations de l'indice de surface foliaire des plantes, ce qui permet de mieux distinguer les différences dans la vigueur des plantes. Les valeurs de l'indice varient de -1 à 1, où les valeurs positives indiquent une forte vigueur des plantes, tandis que les valeurs négatives indiquent une faible vigueur des plantes. L'indice NDRE est souvent utilisé pour évaluer la santé des cultures et la productivité agricole, car il peut fournir des informations sur la quantité de biomasse produite par les plantes. Il est également utilisé pour la cartographie des couverts végétaux et pour l'étude de la biodiversité végétale.
Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., Waller, P., Choi, C., Riley, E., Thompson, T., Lascano, R. J., Li, H., Moran, M.S., (2000). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the Fifth International Conference on Precision Agriculture, Bloomington, MN, USA (Vol. 1619)
BIGR : Brightness Index Green Red
BIGR = ((GREEN² + RED²)/2) ^ 0.5
GREEN : bande 03
RED : bande 04
Le BIGR est un indice de brillance qui permet de mesurer l'intensité de la végétation en utilisant une transformation géométrique pour combiner les réflectances dans les bandes verte et rouge. Il en résulte un indice qui peut fournir des informations sur les variations de luminosité et de couleur de la surface observée. Plus la valeur du BIGR est élevée, plus la végétation est dense et vigoureuse. Le BIGR est utilisé pour évaluer la santé et la productivité des cultures, la croissance des arbres et des forêts, ainsi que pour la surveillance des zones de végétation naturelle.
Indice de végétation liés à leur contenu en eau
NDWI : Normalized difference water index (Gao)
NDWI = (NIR-SWIR1) / (NIR+SWIR1)
NIR : bande 08
SWIR1 : bande 11
Le NDWI, proposé par Gao 1996, est un indice sensible aux niveaux d'humidité de la végétation. Le numérateur de l'équation mesure la différence de réflectance entre le NIR et le SWIR1, qui est sensible à la présence d'eau. Le dénominateur normalise cette différence pour éviter les erreurs dues aux variations atmosphériques et topographiques. Le NDWI est utilisé pour surveiller les changements dans la teneur en eau des feuilles. La bande SWIR reflète les changements à la fois dans la teneur en eau de la végétation et dans la structure du mésophylle spongieux dans les couverts végétaux, tandis que la réflectance NIR est affectée par la structure interne des feuilles et la teneur en matière sèche des feuilles, mais pas par la teneur en eau. La combinaison du NIR avec le SWIR supprime les variations induites par la structure interne des feuilles et la teneur en matière sèche des feuilles, améliorant ainsi la précision de la récupération de la teneur en eau de la végétation. Le NDWI est également utile pour surveiller les ressources en eau, telles que les lacs, les rivières et les zones humides.
NDWI2 : Normalized difference water index 2 (McFleeters)
NDWI2 = (GREEN-NIR) / (GREEN+NIR)
GREEN : bande 03
NIR : bande 08
Le NDWI2, proposé par McFeeters 1996, est un indice de végétation basé sur des longueurs d'onde spécifiques du spectre électromagnétique pour calculer la quantité d'eau contenue dans la végétation, comme le NDWI. L'indice NDWI de Gao est particulièrement efficace pour évaluer la quantité d'eau contenue dans la végétation dense, tandis Le NDWI2 est sensible à la quantité d'eau contenue dans la végétation moins dense, alors que le NDWI est efficace pour évaluer la quantité d'eau contenue dans la végétation dense. De plus le NDWI2 est un indice souvent utiliser pour délimiter et surveiller les changements de contenu dans l’eau en surface. Comme les masses d'eau absorbent fortement la lumière dans le spectre électromagnétique du visible à l'infrarouge, NDWI2 utilise des bandes vertes et proches de l'infrarouge pour mettre en évidence les masses d'eau.
McFEETERS, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features, International Journal of Remote Sensing, 17:7, 1425-1432.
MNDWI : Modified Normalized Difference Water Index
MNDWI = (GREEN-SWIR1) / (GREEN+SWIR1)
GREEN : bande 03
SWIR1 : bande 11
Le MNDWI est dérivé du NDWI, il a été modifié par Xu 2006. Il utilise les canaux vert et SWIR1 pour améliorer la détection de l’eau dans les entités hydrographiques ouvertes et dans les zones de végétation clairsemée. Il attribue des valeurs positives aux pixels d'eau et des valeurs négatives aux autres types de surfaces, tels que les terres. Plus la valeur MNDWI est élevée, plus la probabilité que le pixel corresponde à une zone d'eau est grande. L'indice MNDWI est largement utilisé pour la surveillance environnementale, la gestion des ressources en eau, la cartographie des zones inondées et d'autres applications liées à la détection de l'eau dans des images.
Xu, H.Q (2006). Modification of normalized difference water index (ndwi) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing 27, pp 3025-3033.
MNDWI 2 : Modified Normalized Difference Water Index 2
MNDWI2 = (GREEN-SWIR2) / (GREEN+SWIR2)
GREEN : bande 03
SWIR2 : bande 12
Le MNDWI2 utilise la bande spectrale SWIR2, contrairement au MNDWI qui utilise la bande spectrale SWIR1. La différence entre ces deux bandes spectrales réside dans leur capacité à être absorbées par l'eau et à détecter la réflexion de la lumière dans l'eau. Le SWIR1 est plus sensible à la réflectance des eaux peu profondes, tandis que le SWIR2, plus absorbé par l'eau, permet de détecter la présence d'eau dans des conditions plus turbides ou profondes. Il est par exemple utilisé pour détecter la présence d'eau dans les milieux urbains ou dans les zones de végétation dense.
Reddy, S. L. K., Rao, C. V., Kumar, P.R., Anjaneyulu, R. V. G., Krishna, B. G. (2018). A novel method for water and water canal extraction from Landsat-8 OLI imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLII-5: 323-328.
SAVI : Soil Adjusted Vegetation Index
SAVI = (NIR − Red / NIR + Red + L) x (1 + L) avec L=0.5
RED : bande 04
NIR : bande 08
Le SAVI, proposé par Huete 1988, 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 (L). L’indice a été proposé avec L= 0.5 quand le type de couvert végétal était inconnu, puisque 0.5 représente un couvert végétal moyen. Son créateur a ajouté un facteur d'ajustement du sol L à l'équation du NDVI afin de corriger les effets du bruit du sol (couleur du sol, humidité du sol, variabilité du sol d'une région à l'autre, etc.), qui ont tendance à influer sur les résultats.
Huete, A. R. (1988). "A soil-adjusted vegetation index (SAVI)." Remote Sensing of Environment 25(3): 295-309.
Indices spécifiques à la mangrove
MVI : Mangrove Vegetation Index, Baloloy et al. (2020)
MVI = (NIR - GREEN) / (SWIR1 - GREEN)
GREEN : bande 03
NIR : bande 08
SWIR1 : bande 11
Le MVI est un indice de végétation proposé par Baloloy et al. 2020 pour la détection des mangroves. Le MVI utilise les bandes Vert, NIR et SWIR1 pour capturer la verdeur et l'humidité particulières des mangroves en les distinguant des autres types de végétation et des couvertures non végétales. L'analyse des bandes spectrales montre que le |NIR-Green| capture les différences de verdure entre les forêts de mangrove et la végétation terrestre, tandis que le |SWIR-Vert| exprime l'humidité distincte des mangroves. La valeur MVI augmente avec la probabilité croissante qu'un pixel soit classé comme mangrove.
Baloloy, A. B., A. C. Blanco, et al. (2020). "Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping." ISPRS Journal of Photogrammetry and Remote Sensing 166: 95-117.
CMRI: Combined Mangrove Recognition Index, Gupta et al. 2018
CMRI = NDVI – NDWI2
Le CMRI est un indice spectral développé par Gupta et al. 2018 pour la détection des mangroves. Cet indice combine deux autres indices : le NDVI et le NDWI2. La combinaison de ces deux indices permet de différencier les zones de mangroves des autres types de végétation et des zones d'eau libre. Les mangroves ont des valeurs élevées de NDVI en raison de la densité élevée de leur feuillage, tandis que leur présence dans des zones de marécages ou d'eau salée peut également être détectée par le NDWI2, qui est sensible à la présence d'eau. Le CMRI a été développé pour les images Landsat, mais il peut également être utilisé pour les images d'autres capteurs, tels que Sentinel-2.
Gupta, K., A. Mukhopadhyay, et al. (2018). "An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery." MethodsX 5: 1129-1139.