Le Contexte
De nombreux mouvements de terrain existent en Haïti, souvent de faible intensité, en termes de surfaces ou de vitesse. Néanmoins, le cumul des surfaces affectées suite à un événement de forçage majeur (fortes pluies, tremblement de terre) peut être important avec des taux d'érosion non négligeable, des pertes en terres arables, et des dégâts dans les plaines alluviales par transport sédimentaire. Peu d’information existe, et les mouvements de terrain ne sont pas répertoriés. Le BME a entreprit la création d'un atlas des mouvements de terrains mais cela est impossible sans automatisation.
Travail réalisé par l'EOST, contrat CNES
Imagerie (fourniture) : Spot 6/7 (CNES)
Les Produits
- Détection et caractérisation des mouvements de terrain dans la zone du RO déclenchés par le cyclone Matthieu
- Développement d'une méthode de détection automatique des mouvements de terrain.
Pour la carte d'inventaire de mouvement de terrain post-Matthieu, le produit dérivé de l'imagerie satellitaire optique (algorithme ALADIM et imCLASS) est validé par rapport à un inventaire géomorphologique expert issue d'une image-interprétation.
Extrait de résultat de l'algorithme ImCLASS, Présentation Atelier RO 2019
En Rouge les Mouvements de terrain identifiés, en Jaune detectés par ImCLASS
Transmission des produits
La carte d'inventaire de mouvement de terrain Post-Matthieu sera transmise en fichier vecteur au BME et au CNIGS.
Retour d'expérience
Inventaire des mouvements de terrain déclenchés par le cyclone Matthieu dans le Département de la Grande Anse / Est du Parc Macaya
Il existe un verrou méthodologique pour l'identification automatique des mouvements du sol car les glissements de terrain sont majoritairement petits (en surface, de l'ordre de quelques centaines de m2), connectés aux principaux thalwegs (d'où des problèmes de classification erronée avec les sédiments de rivière), et très ressemblants (en termes de radiométrie) avec les sols nus ou les terrains agricoles. L'identification automatique dans les secteurs sous l'ombre des nuages est également difficile. Il serait nécessaire, dans le cas d'une production annuelle possible de cartes d'inventaires, de disposer d'une couverture image annuelle systématiquement prise à la même période pour obtenir des conditions d'ensoleillement et d'état de végétation similaire.
Un retour d'expérience avec CNIGS et BME doit être fait pour définir les caractéristiques techniques (périodicité de mise à jour, précision recherchée, taille limite des glissements cartés, etc).
La livraison est disponible dans les fichiers joints :
- Présentation des travaux intermédiaires (Atelier Avril / Mai 2019)
- Les résultats de la classification par segment (ALADIM) en format shp et en format tif
- Les resultats de la classification par pixel (IMClass) en format tif (et proba en format tif : partie 1 / partie 2)
- Livraison finale (Octobre 2020)
- digitalisation.shp : le travail d'image interprétation de référence réalisé par l'étudiante Melyssa Reynaud
- training_areas.shp : les zones utilisées pour l'entrainement du modèle de classification Random Forest
- resultats_seuil05_W7_poly.shp : le shapefile résultat ALADIM après le post-traitement (opérations morphologique - erosion/dilatation, seuillage, binarisation et polygonisation - probabilité binarisé à 0.5 (beta score)
- results_classif_per_pixel_proba_20200828_210837.tif : résultat ImCLASS : carte de probabilité d’occurrence de glissement de terrain et fichier *_open_close : carte de probabilité après opération morphologique
- results_classif_per_pixel_binarized_threshold_0.632_20200828_211059.shp : résultat ImCLASS - shape file après binarisation (seuil optimal évalué à 0.632)
- results_classif_per_pixel_majority_vote_on_segment_20200829_010008.shp : résultat ImCLASS - shape file après vote majoritaire (de la carte par pixel binarisée avec le seuil optimal) sur des segments issus d’une segmentation des couches BGRN + NDVI + proba.
