Memoire Jofack
Memoire Jofack
Memoire Jofack
MÉMOIRE
Pour l’obtention du Diplôme de Master de Recherche
en Télédétection et Système d’Information Géographique
Composition du jury
Présenté par : JOFACK SOKENG Valère - Carin
Prof. COULIBALY Yacouba Président
Date de Soutenace : 20 Décembre 2013
Prof. KOUAMÉ Koffi Fernand Examinateur
Directeur de mémoire : Pr. KOUAMÉ Koffi Fernand
Dr. YOUAN TA Marc Examinateur
Co-Directeur de mémoire: Dr. YOUAN TA Marc
Dr. KOUAMÉ Koffi Examinateur
DÉDICACE
- Rien au monde ne vaut les efforts fournis jours et nuits pour mon éducation et mon
bien être.
- Ce travail est le fruit des sacrifices que vous avez consentis pour mon éducation et ma
formation.
i
AVANT-PROPOS
Avant tout propos, nous voudrions rendre toute la gloire à DIEU Tout Puissant. Car
sans lui, ce travail n’aurait pas pu aboutir, voire même pas pu être entamé. Nous lui disons un
grand merci d’avoir veillé sur nous jusqu’à ce que ce mémoire arrive à sa fin.
Nous remercions Messieurs les membres du Jury d’avoir accepté d’examiner ce travail
et d’avoir bien voulu participer à la soutenance publique de ce document.
Merci au Docteur KOUAME Koffi pour avoir instruit ce document. Vos remarques
pertinentes ont encore permis de l’améliorer.
À nos frères JOF Aymard, JOFACK Davy, JOF Dorian et JOFACK Daryl, et sœur
JOF Charlène. En reconnaissance de tous les sacrifices consentis pour nous permettre
ii
d’atteindre cette étape de notre vie, avec toute notre tendresse, merci encore. Aux autres
membres de notre famille, un grand merci pour vos prières.
Nous ne pouvons-nous permettre d’oublier nos amis avec qui nous avons passé de
merveilleux moments et qui ont fortement contribué à la réalisation de ce travail. Merci à
SORO Hyacinthe, HASSAN Djibril, YAO Simon Dedjo, RIRABE Dieudonné et aussi à tous
nos camarades de promotion. Merci aussi à, KAILLO Gide, DAKEYO Alix, TCHEUMADJI
Lionel, TCHOUAKAM Tatiana, TCHAPTCHET William, TCHUEMBOU Schella,
MOUASSOM Claudie, FOKO Katy, ATON Achille et TOUKAM Liliane et bien d’autres
que nous n’avons cité pour l’amour, l’assistance et leurs soutiens moraux.
Que Dieu bénisse abondamment tous ceux qui de près ou de loin ont contribué à la
réalisation de ce travail.
iii
TABLE DES MATIÈRES
DÉDICACE ................................................................................................................................. i
AVANT-PROPOS ..................................................................................................................... ii
ABSTRACT ............................................................................................................................. xv
Conclusion partielle.................................................................................................................. 13
iv
2.1.1. Cartographie structurale ..................................................................................... 14
Conclusion partielle.................................................................................................................. 30
4.2.2. Fusion des bandes multi spectrales ETM + et de l’image RADARSAT de haute
résolution simulée ............................................................................................................. 35
v
4.3.2. Réseaux de neurones cellulaires pour l’amélioration du gradient de l’image .... 37
Conclusion partielle.................................................................................................................. 50
CHAPITRE 5 : RÉSULTATS.................................................................................................. 52
5.2.2. Application des RNC à la détection des linéaments sur les images satellitaires 57
vi
5.3. Cartographie lithologique .......................................................................................... 70
Conclusion partielle.................................................................................................................. 81
ANNEXES ............................................................................................................................... 95
vii
LISTES DES ABRÉVIATIONS
OR : Optique – Radar
TO : Transformée en Ondelette
viii
LISTE DES FIGURES
ix
Figure 28: Résultats du calcul de gradient avec différents filtres : filtre de Sobel EW
rehaussant les linéaments NS. .................................................................................................. 56
Figure 29: Linéaments détectés automatiquement par la méthode de RNC ............................ 57
Figure 30: Comparaison des linéaments obtenus par réseaux de neurones avec ceux obtenus
par extraction manuels et par seuillage. ................................................................................... 59
Figure 31: Image issue d'un filtre Sobel EW utilisée pour évaluer l'influence des paramètres
du réseau sur la détection des linéaments ................................................................................. 60
Figure 32: Influence de la variation du rayon de voisinage sur la détection automatique des
linéaments................................................................................................................................. 61
Figure 33: Influence des constantes de seuils sur la détection automatique des linéaments.. . 62
Figure 34: Influence de la vitesse de décroissance du rayon de voisinage sur la détection
automatique des linéaments par RNC . .................................................................................... 63
Figure 35: Carte de linéaments de la région de Bondoukou .................................................... 65
Figure 36: Carte de fracturation majeure de la région de Bondoukou ..................................... 66
Figure 37: Superposition des linéaments avec le réseau hydrographique et les failles
répertoriés sur la carte géologique de Zéade et al., 1995. ........................................................ 67
Figure 38: Rosace directionnelles obtenues par réseaux de neurones...................................... 68
Figure 39: Comparaison des linéaments tracés avec les travaux antérieurs. ........................... 69
Figure 40: Comparaison des rosaces directionnelles obtenues par réseaux de neurones avec
celles obtenues à partir des travaux antérieurs. ........................................................................ 70
Figure 41: Composition colorée 451 rehaussant les grands ensembles géologique de la zone
d'étude....................................................................................................................................... 71
Figure 42: Composition colorée CP1123 - CP148 – CP1567 ....................................................... 72
Figure 43: Zoom sur les formations du Sud-Ouest mise en évidence par l'ACP sélective ...... 73
Figure 44: Composition colorée OR 457 identifiant des formations de métagranite à biotite à
l'Est de la zone d'étude ............................................................................................................. 74
Figure 45: Composition colorée CP1123 – OR4 – CP1567 rehaussant le granodiorite de
Bondoukou et les cuirasses latéritiques. ................................................................................... 75
Figure 46: Composition colorée OR 457 rehaussant le métagranite à biotite .......................... 76
Figure 47: Composition colorée CP1123 – OR4 – CP1567 montrant les limites du métagranite à
biotite de Sokola au sein des métatrondjémites. ...................................................................... 77
Figure 48: Composition colorée 451 différenciant les granites à biotite et muscovite des
granites monzonitiques à biotite et amphibole ......................................................................... 77
x
Figure 49: Composition colorée 451 permettant d'identifier les schistes à dominante pélitique
et une lentille d'amphibolite ..................................................................................................... 78
Figure 50: Validation des contours identifiés par superposition avec la carte géologique
existante .................................................................................................................................... 79
Figure 51: Carte lithostructurale téléanalytique de la région de Bondoukou ........................... 81
Figure 52: Réseau multicouche ................................................................................................ 96
Figure 53: Réseau Récurrent .................................................................................................... 96
Figure 54: Réseaux de Neurones Cellulaires ........................................................................... 97
Figure 55: Calcul de l'OIF avec les images Landsat ETM+ .................................................. 102
xi
LISTE DES TABLEAUX
Tableau i: Filtres de Sobel. (a)Filtre de Sobel N-S; (b) Filtre de Sobel E-W ; (c) : Filtre de
Sobel NW-SE ; (d) : Filtre de Sobel NE-SW ........................................................................... 36
Tableau ii: (a) Filtre de Yesou et al., (1993) ; (b) Filtre de Prewitt. ........................................ 37
Tableau iii: Matrice de corrélation des bandes de l'image Landsat ETM+ .............................. 47
Tableau iv: Matrice de corrélation des bandes de l'image Hybride Optique - Radar (OR) ..... 47
xii
LISTE DES ANNEXES
xiii
RÉSUME
Mots clés : réseaux de neurones, télédétection, SIG, carte litho-structurale, Bondoukou, Côte
d’Ivoire.
xiv
ABSTRACT
Keywords: neural networks, remote sensing, GIS, map litho-structural, Bondoukou, Cote
d'Ivoire.
xv
INTRODUCTION GÉNÉRALE
Pour les aider dans cette analyse préalable, la télédétection a des atouts intéressants :
c’est un ensemble de techniques, se différenciant les unes des autres par le type de vecteur
(avions, satellite ou navette spatiale), le mode d’acquisition (analogique ou numérique, passif
ou actif), la résolution spatiale, la résolution temporelle, la gamme spectrale utilisée et la
surface observée. Traditionnellement, on se réfère à ce caractère numérique et multi bande des
données, et à l’importance de la surface observée. On peut acquérir par télédétection, un état
de paysage, de son évolution, de ses variations induites par les phénomènes géologiques et
surtout une vision synoptique irremplaçable de l’écosystème terrestre qui associe dans une
réponse complexe, végétation, sols et leurs contenus en eau, roches et altérites.
1
résume à l’application des méthodes de télédétection pour la cartographie lithologique et
structurale à savoir : les filtrages spatiaux (filtres directionnels et gradients), les fusions
d’images (ACP, transformée en ondelette, intensité-teinte-saturation et composition colorées),
les combinaisons d’images (ratios de bandes, calcul d’indices normalisés) et les méthodes
d’interprétation multicritère. Tous les résultats jusqu’ici obtenus ont bien montré la
contribution de la télédétection à la cartographie géologique. L’utilisation des techniques de
filtrages leur a permis de détecter de façon manuelle (Kouamé, 1999, Saley, 2003, Jourda,
2005, Youan Ta, 2008, Kouamé et al., 2013) et automatique par morphologie mathématique
(Kouamé et al., 2009), les linéaments sur les images satellitaires. D’autre part, les techniques
de fusion d’image, de combinaison d’image ont permis de cartographier les grandes
formations géologiques.
Cependant, sur les images utilisées pour la réalisation manuelle de la carte structurale
(fracturation) les linéaments ne sont pas évidents à tracer d’une part. Ce qui rend cette
technique très lente et laborieuse en plus d’être subjective comme le mentionne Moore
(1986). Ce qui fait que l’analyse est la plupart de temps locale et la vision synoptique est aussi
souvent perdue. D’autre part, la continuité réelle des linéaments lors de l’extraction
automatique est perturbée par des occlusions importantes souvent dues soit au relief, soit au
bruit dans les images (Lepage et al., 2000). Kouamé et al. (2009) ont montré que la détection
automatique par morphologie mathématique entraine l’apparition des linéaments sous forme
de petits brins. Ces limites suscitent ainsi les préoccupations suivantes : comment réduire le
temps des experts géologues à la réalisation de la carte de fracturation en utilisant les images
satellitaires ? Comment extraire de façon automatique les linéaments sur les images
satellitaires tout en respectant leur continuité spatiale sur une direction donnée ? Comment
réaliser une carte géologique en utilisant les images satellitaires ?
2
serait innovateur et ainsi un complément dans un environnement où diverses techniques
avaient déjà été utilisées car grâce à cette technique, le temps mis par les experts géologues
lors de l’extraction des linéaments se trouvera réduit.
- développer une méthode basée sur les réseaux de neurones pour la détection des
linéaments sur les images satellitaires ;
- identifier les contours géologiques sur des images satellitaires, de les comparer
avec ceux identifiés sur le terrain afin de montrer l’apport de la télédétection ;
Trois hypothèses sont de ce fait posées au préalable : les réseaux de neurones facilitent
la détection automatique des linéaments dans les images satellitaires en liant les éléments de
contours ayant des orientations similaires pour donner de longues lignes. En plus, la
télédétection, avec la vision synoptique qu’elle procure, contribue à améliorer la cartographie
géologique existante. Une comparaison avec les résultats déjà obtenus montre l’efficacité de
ces techniques à la cartographie structurale d’une part, et lithologique d’autre part. Le
couplage de la carte structurale obtenue à partir des réseaux de neurones avec l’esquisse
géologique obtenue par télédétection, permet de déduire l’esquisse litho-structurale de la
région de Bondoukou.
Pour mener à bien les objectifs fixés, cette étude se fera en trois parties :
premièrement, les généralités sur la cartographie litho-structurale par télédétection, sur les
réseaux de neurones et sur la zone d’étude sont expliquées. Deuxièmement, le matériel et les
méthodologies utilisés pour réaliser l’esquisse litho-structurale de la région de Bondoukou
sont décrits et la troisième partie se consacre à l’analyse et l’interprétation des résultats
suivies de la discussion. Enfin, ce mémoire se termine par une conclusion générale qui fait la
synthèse des principaux résultats suivie des perspectives et des références bibliographiques.
3
PREMIÈRE PARTIE :
GÉNÉRALITÉS
4
PREMIÈRE PARTIE : GÉNÉRALITÉS
1.1.1. Localisation
5
L’agriculture et l’élevage sont les principales activités économiques. L’agriculture
diffère suivant que l’on se trouve en forêt (cultures d’anacardes, ignames, tarot, etc.) ou en
savane (culture de l’anacardier, haricot et arachide). L’élevage est essentiellement composé de
bovins, ovins, caprins et porcins.
6
Trois types de végétation dominent le secteur d’étude: la savane boisée à arborée au
Nord-Est, la forêt dense du Nord-Ouest au Centre-Est, et la savane avec plages de forêts
défrichées et plages de forêts humides dans le tiers Sud.
1.1.4. Hydrographie
Les principales rivières (Bineda, Guimebé) drainant la zone d’étude sont toutes
tributaires de la Volta Noire (figure 3). Le réseau hydrographique comprend également au
Sud-Ouest, les affluents gauches du fleuve Comoé.
7
Le réseau hydrographique à texture grossière constituée par les affluents de la Volta, a
une configuration dendritique et coule généralement suivant la direction NE. D’après Youan
Ta (2008), la très faible pente naturelle des cours d’eau, comprise entre 0,1 et 0,3 %, a facilité
l’infiltration des eaux de pluie et ainsi engendré cette texture (grossière) alors que les méga
fractures d’origine tectonique leur auraient imposé la direction NE-SO. Au niveau des
affluents de la Comoé, le Tamra et le Boya épousent une direction N-S.
1.1.5. Climat
L’analyse de ce diagramme met en relief quatre saisons dans la région: une grande
saison sèche allant de novembre à mars, une grande saison de pluie allant d’avril à juin, une
petite saison sèche allant de juillet à aout, et une petite saison de pluie allant de septembre à
octobre avec un taux de pluviométrie maximal en septembre. Les températures minimales
sont enregistrées en août (petite saison sèche) et les maximales en mars (grande saison sèche).
Il faut aussi noter que pendant les saisons de pluies, les valeurs enregistrées de température
sont supérieures à la température minimale enregistrée pendant la petite saison sèche.
8
1.2.Cadre géologique
La zone d’étude est recouverte par plusieurs formations géologiques (figure 5).
9
- les formations de l’Holocène sont des sédiments fluviatiles (vases et sables) associés
aux cuirasses latéritiques (figure 6) qui se sont individualisées sur les séries du
Rhyacien inférieur (Zeade et al., 1995) ;
- quant aux formations du Rhyacien inférieur à moyen (2300 à 2150 Ma), plus
dominantes, ce sont des roches volcano-sédimentaires et intrusives ;
les roches volcano-sédimentaires comportent les schistes (qui sont les plus
prédominantes à savoir les schistes volcano-sédimentaires, les schistes à pélites et
les schistes quartzeuses et à amphibole chlorite) et les conglomérats. Ceux-ci sont
associés à des roches telles que les dolérites, les métagabbros, métabasaltes et
métarhyolites ;
10
- les déformations par aplatissement (foliations en aplatissement ou légèrement
cisaillantes montrant des mouvements normaux à décrochants) ;
Figure 7: un couloir cisaillant dextre N60 dans les granites de Laoudi Bâ (Youan Ta, 2008).
Figure 8: Fracture cisaillante dextre de direction N80 dans les granites de Dagboloyo (Youan
Ta, 2008)
11
La déformation par aplatissement est marquée par la genèse d’une foliation sans
figures de déformation rotationnelle telles que les structures sigmoïdes et par des plis
semblables ou isoclinaux à axes subverticaux ou subhorizontaux (Djro 1998 cité par Youan
Ta, 2008). Différents types de foliations existent dans la zone d’étude :
- une deuxième foliation F2 est définie au niveau des plutons présents au sein des
formations volcano-sédimentaires. En se rapprochant de la bordure de ces plutons, F2 est
transposée progressivement le long d’une foliation F3 qui est régionale et à fort
prolongement. Celle-ci initialement en aplatissement, devient rotationnelle à la périphérie
immédiate du massif de Bondoukou et les plutons septentrionaux et s’accorde
progressivement avec leur foliation interne.
Ce contrôle géométrique des plutons sur les trajectoires F2/F3 dans les formations
volcano-sédimentaires, induit un point triple de foliation au Nord du massif de Bondoukou
(Zéade et al. 1995).
Plusieurs autres fractures ont été identifiées dans la zone d’étude. Les travaux de
Youan Ta (2008) dans la région sur la base des images satellites, mettent en évidence deux
12
directions majeures de la fracturation : les directions NE-SO (N30-60) et les directions NO-
SE (N120-160). D’après cet auteur, la première représente la direction birimienne en
référence à la déformation tectono-métamorphique majeure (orogénèse éburnéenne) qui a le
plus marqué la zone d’étude, et notamment le domaine Baoulé-Mossi de la Côte d’Ivoire. La
seconde s’apparente à la direction libérienne bien que la région n’est pas été affectée par
l’orogénèse libérienne.
La majorité des indices connus est localisée dans les complexes volcano-
sédimentaires. L’or et le manganèse sont les indices les plus dominants. Les réserves de
manganèse envoisinent 95000 tonnes à 20-35% de Mn pour les gisements de Naniango et de
Koissi Ndawa (Zeade et al., 1995). Quant à l’or, ce sont des trains d’indices alluvionnaires ou
en roches dans les ceintures volcaniques de la région de Kineta et de la granodiorite de
Bondoukou. On note aussi d’autres minerais de cuivre et d’étain dans ces régions.
Conclusion partielle
La zone d’étude est caractérisée par un réseau hydrographique très dense, un relief
plus ou moins monotone et un nombre d’habitants élevé malgré des activités
socioéconomiques limitées. Il y règne aussi, un climat semi-aride avec un faible taux de
précipitations et par conséquent de l’infiltration efficace. Contrairement à ce problème, on
note sur le plan géologique, un fort potentiel minier au sein des formations volcano-
sédimentaires bien que d’autres indices soient encore mal connus. Deux grands types de
formations dominent : les formations intrusives dominées par les granites et granodiorites et
les formations volcano-sédimentaires essentiellement marquées par les schistes, amphiboles et
métavolcanites. Sur le plan structural, la zone d’étude a subi une déformation cisaillante qui
est majoritairement marquée par des fractures. La recherche des poches d’eaux et de
nouveaux indices passe par l’élaboration d’une carte litho-structurale. Pour la réaliser,
différentes approches ont été abordées par de nombreux chercheurs. Le chapitre qui suit décrit
l’état de connaissances sur la cartographie litho-structurale et sur les réseaux de neurones.
13
CHAPITRE 2 : ÉTAT DE L’ART SUR LA CARTOGRAPHIE LITHO
STRUCTURALE ET LES RÉSEAUX DE NEURONES
2.
L’identification des fractures et des failles à partir des travaux de terrain est plus
souvent limitée par la difficulté d’accès à plusieurs secteurs des régions étudiées. De Sève et
Desjardins (1994) soulignent que les principaux obstacles sont généralement d’origine
naturelle tels les rivières, les montagnes, les boisés denses, sans oublier la grande superficie
des territoires qui rend ce genre d’approche onéreuse et fastidieuse.
Dès le milieu des années 30, la photographie aérienne s’est avérée un complément des
plus utiles à ce travail difficile. La vue plus globale qu’elle offre, associée à la stéréoscopie et
aux effets d’ombrage, a permis de mettre au point plusieurs méthodes d’étude directe de la
fracturation. De son côté, Norman (1976) in Dubois (1999), a aussi pu relever des indices
indirects de la présence de linéaments comme les alignements de la végétation, les
changements brusques de pente et profil linéaire du réseau hydrographique. Ces études
forment aujourd’hui la base de l’analyse photographique en géologie. Cependant, malgré les
grands avantages apportés par les clichés pris par avion, ceux-ci présentent l’inconvénient
d’être particulièrement sensibles aux conditions atmosphériques. Un autre aspect négatif
inhérent à ce type de prises d’images découle de l’altitude limitée que peuvent atteindre les
14
aéronefs. C’est pourquoi, malgré un certain éloignement de la surface étudiée, il reste encore
difficile d’avoir une vue synoptique plus large des territoires observés. Il n’est ainsi pas rare
qu’à cause des nombreux clichés nécessaires pour représenter une région d’intérêt, un
linéament soit répertorié plus d’une fois (Dubois, 1999).
L’identification des linéaments dans les images satellitaires est tributaire de la capacité
qu’a le capteur à détecter les légères variations de la réflectance associée à ces phénomènes
géologiques. Jusqu’à présent, il existe deux approches principales pour identifier les segments
linéaires dans les images (Poncelet and Cornet, 2010). Ce sont : la photo-interprétation et le
traitement automatique.
Puisqu’il arrive souvent que les linéaments soient sectionnés en petits segments ou
confondus avec le paysage, la vue d’ensemble et le jugement humain fournis par la première
démarche permettent une plus grande souplesse de l’analyse. Cette technique présente
15
toutefois l’inconvénient d’être lente et laborieuse en plus d’être subjective comme le
mentionne Moore (1986). Il n’est en effet pas rare qu’à partir d’une même photographie, deux
spécialistes dressent des cartes de linéaments présentant plusieurs différences.
Comme les images satellitaires ne cesse d’augmenter, leurs traitements se doit d’être
aussi rapides et objectifs que possible. L’utilisation d’algorithmes mathématiques exécutés sur
des ordinateurs procure un traitement nettement plus rapide et une entière impartialité.
Malheureusement, à cause de l’analyse locale généralement réalisée par ces opérations, la
vision globale est perdue et la souplesse du jugement s’en trouve grandement affectée
(Dubois, 1999). Il en résulte que dans la plupart des cas, l’intervention humaine reste toujours
nécessaire pour accomplir une interprétation finale. Il est cependant possible de réduire encore
plus le rôle de l’intervenant en faisant aussi exécuter une partie de cette interprétation par
l’ordinateur. L’objectif de la deuxième approche est de minimiser le plus possible
l’intervention humaine lors de l’identification des linéaments présents dans les images de la
surface terrestre prises par satellite.
Quelque soit la méthode d’extraction utilisée, ces chercheurs ont abouti à la réalisation
de la carte structurale détaillée. Cette étude s’inscrit donc dans le cadre de la minimisation du
rôle des experts géologues à la réalisation de la carte structurale. Pour cela, la méthode des
réseaux de neurones cellulaires mise au point par Rouhana (1998) et Lepage et al., (2000) sera
appliquée et un seuillage permettra de sélectionner de façon automatique les linéaments sur
des images satellitaires. Cette méthode sera mieux détaillée dans la deuxième partie de ce
document.
16
différentes approches consistent à faire des compositions colorées (à partir du calcul des OIF
(Optimum Index Factor) (Zeineladeina et al. (2008), Rawashdeh et al. (2010) ; Ghulam et al.,
(2010)), des analyses en composantes principales (ACP), des analyses en composantes
principales sélectives (Jourda, 2005 ; Youan Ta, 2008 ; Zeineladeina et al., 2008 ; Rawashdeh
et al., 2010 ; Ghulam et al., 2010), les analyses de textures (Youan Ta, 2008 ; Kouamé et al.,
2013) et des combinaisons d’images (calcul des ratios et d’indices). Ces techniques ont
concourus à mieux discriminer les ensembles géologiques à l’échelle régionale et à mettre à
jours les résultats des travaux antérieurs dans leurs zones d’études respectives. Youan Ta
(2008) a réalisé une composition colorée d’ACP158_ACP1567 ETM+4 pour rehausser le
contour des métavolcanites et des micaschistes de la région de Bondoukou. Une autre
composition colorée des composantes ACP247_ACP257_ACP227 en couleur inverse lui a
permis de rehausser les limites de la granodiorite porphyroïde de Bondoukou. Ces techniques
ont aussi été utilisées par Jourda (2005) dans la région de Korhogo. Les chiffres en indices
représentent les numéros de bandes qui ont servies à l’ACP. Zeineladeina et al. (2008) ont
utilisé des compositions colorées avec les ratios de bandes ETM+ et TM 5/7, 5/4 et 3/1 d’une
part, et 5/7, 3/1 et 4/3 d’autre part, pour mettre en exergue les zone d’altération des formations
volcaniques et plutoniques. À partir des images ASTER et du calcul des OIF, Rawashdeh et
al. (2010) ont trouvé les meilleures combinaisons permettant de différencier les réponses
spectrales de différents minéraux argileux dans un contexte volcanique. Ce qui leur a permis
de déduire que la composition 5/7, 3/1, 5 est la meilleure pour distinguer ces minéraux.
17
cartographie des structures linéaires indicatrices de failles, de fractures et de contacts
lithologiques (Wade et al., 2001). Pour extraire et combiner l’information de nature spectrale
qui provient du capteur optique et l’information de nature texturale qui provient du capteur
RSO, les techniques de fusion par transformations dans l’espace intensité-teinte-saturation
(ITS) (Wade et al., 2001) et la transformée en ondelettes (Kouamé et al., 2013) ont été testées
avec succès. Ces travaux ont montré l’apport de la fusion optique et radar au niveau du détail
pétrographique et de la délimitation encore plus nette des contours lithologiques que les
images optiques ou radar seules. Dans le souci de mettre à jour la carte géologique existante
de la zone d’étude, ces techniques ont été appliquées dans le cadre de ce travail.
- Le neurone humain
Les cellules nerveuses appelées neurones, sont des éléments de base du système
nerveux central. Le système nerveux contient plus de 100 milliards de neurones et 1 à 10
millions de synapses (Williams et Herrup, 2001). Leurs formes et fonctionnalités, dépendent
de leur position dans le cerveau. Le neurone humain est composé du corps cellulaire, de
l’axone et de l’arborisation dendritique (Marieb et al., 2010) (figure 9). Pour chaque neurone,
le signal de sortie est proportionnel à la combinaison linéaire de tous les signaux d’entrée
fournie par d’autres neurones du système.
18
2006). De même, au niveau de ces dendrites, il existe des récepteurs pour ces
neurotransmetteurs. En fonction de leurs natures, l’excitabilité va augmenter ou diminuer. Ce
qui fera propager ou non, le signal.
Figure 10: Schéma simplifié d'un neurone artificiel (Personnaz et Rivals, 2003)
- un ensemble de connexions (synapses) : chacun se caractérise par un poids réel. Le
signal ej, se trouvant à l’entrée de la synapse j est connecté au neurone i. Ce signal est
multiplié par le poids de la synapse Wij. Wij est le poids de connexion du neurone j vers le
neurone i. Si ce poids est négatif, l’effet est inhibiteur. Dans le cas contraire, l’effet est
excitateur et il y a propagation de l’information ;
19
2.2.2. Définition des réseaux de neurones et typologie
- Dans le réseau de neurone cellulaire (RNC), les neurones sont entièrement connectés
dans un plan. Chaque neurone est relié à tous les neurones qui l’entourent. Ce type de réseau
est très efficace dans l’identification des linéaments dans les images satellitaires et a été utilisé
dans cette étude.
La notion de réseaux de neurones artificiels a été utilisée depuis 1890 par le célèbre
psychologue W. James. Mais jusque-là, elle ne consistait qu’à faire des modélisations des
neurones biologiques (Loi de Hebb, loi de Pavlov).
20
neurones multicouches a contribué à la réussite des réseaux de neurones par rapport aux
autres méthodes de classification.
Dès lors, les réseaux de neurones sont aujourd’hui les plus utilisés pour faire face à de
nombreux problèmes de contrôle et de reconnaissance :
- la modélisation accélérée d’une fonction connue mais très complexe à calculer avec
exactitude ; par exemple certaines fonctions d’inversions utilisées pour décoder les
signaux de télédétection émis par les satellites et les transformer en données. Ceci est
utilisé dans le domaine des télécommunications ou celui du contrôle de processus
industriels (Fabien , 1999) ;
21
on fixe la sortie désirée, et l’algorithme minimise l’erreur entre la sortie désirée et celle du
réseau en modifiant les poids de connexion. Des auteurs tels que, Peddle et al. (1992),
Desjardins et al. (2000), Hosni (2000), Benkouider et al. (2012), ont utilisé cette technique
pour diverses études (reconnaissances de formes, extraction des routes, cartographies des
zones humides). Leurs travaux ont montré une supériorité minimale de 5% de la part des
réseaux de neurones par rapport aux méthodes classiques de classification (classification
supervisée). Ces exemples ont montré la capacité des RNA à détecter et classifier les
différentes textures retrouvées dans une image.
Pourtant dans le cas des linéaments, les résultats sont moins bon (Rouhana, 1998 ;
Dubois, 1999 ; Lepage et al., 2000). Cette limitation est sans doute due au fait que les
linéaments, éléments rectilignes ou curvilignes qui expriment la présence des phénomènes
profonds tels que les failles, les fractures et les contacts géologiques, doivent vérifier une
certaine continuité sur une longueur minimale et selon une direction. Donc pour détecter les
linéaments dans les images, on devrait inclure les informations sur le voisinage de tout pixel
de l’image. Rouhana (1998), Dubois (1999) et Lepage et al. (2000), sont partis de ces constats
pour développer les réseaux de neurones cellulaires (RNC) à grands voisinage cellulaire et à
répartition directionnel pour détecter les linéaments dans les images. Cette méthode a été
appliquée pour identifier les fractures dans la région de Bondoukou.
Actuellement, les traitements basés sur les filtres directionnels et gradient, sont
couramment utilisé dans la détection des linéaments. Leurs résultats sont limités surtout à
cause du bruit présent sur les images résultantes et des occlusions importantes (figure 11)
perturbant la continuité des linéaments détectés (Lepage et al., 2000).
22
Figure 11: Exemple d'occlusion perturbant la continuité des linéaments. Entre ces occlusion,
des fragments d'un même linéament (Lepage et al., 2000).
Les réseaux de neurones ont montré d’après Lepage et al., (2000), une grande capacité
à lier les éléments de contours ayant des orientations similaires pour donner de longues lignes.
De nombreux chercheurs tels que Grossberg (1991), Penn et al. (1993), Basak et al.
(1994), Rouhana (1998), Dubois (1999), les ont utilisés pour extraire les linéaments sur des
images satellitaires. Ce concept de RNC a été évoqué pour la première fois par Chua et Yang
en 1988.
Ces réseaux sont formés d’une grande matrice de cellules identiques, homogènes et
interconnectées (figure 12). La cellule étant l’élément de base. Elle est formée d’éléments
linéaires et non linéaires et communique avec les cellules voisines (figure 13).
23
Figure 12: Réseaux de neurone cellulaire à M=4 Figure 13: Définition du rayon de voisinage et
et N=4 avec voisinage de 8 (Rouhana, 1998) du poids de connexion (Dubois, 1999)
Deux algorithmes basés sur les réseaux de neurones cellulaires existent dans la
littérature :
- la méthode de grand voisinage : ici, un grand voisinage circulaire est définit autour
d’un pixel d’intérêt (figure 13). Ce pixel induit un champ de gradient dans son
voisinage qui dépend de l’amplitude et de l’orientation du gradient initial. Ainsi, les
éléments d’orientations similaires se lient ensemble et les éléments isolés se
détruisent. Le réseau réussit à détecter les contours de grandes dimensions mais son
efficacité dépend de la taille du rayon de voisinage circulaire ; un voisinage de grand
rayon élimine une grande partie du bruit et retrouve les occlusions importantes dans
l’image (Lepage et al., 2000).
Les réseaux de neurones cellulaires tentent de lier les arêtes entrecoupées par le bruit à
condition d’avoir suffisamment de continuité d’orientation (Penn et al., 1993). Elles doivent
aussi être suffisamment près les uns des autres pour que la probabilité qu’elles fassent partie
du même segment soit grande. C’est ce modèle à grand voisinage qui a été retenu dans cette
étude.
Architecture du réseau
24
Figure 14: Diagramme de traitement d'une cellule C (i, j) (Dubois, 1999).
Le noyau de convolution B, sert à effectuer un prétraitement sur les données d’entrée uk,
comme par exemple, filtrer le bruit ou encore, détecter les contours. L’entrée I est utilisée
pour fournir une valeur d’état initiale ou une constante de seuillage. La matrice A quant à elle,
est la contribution de contre-réaction provenant de la sortie de chacun des neurones du
voisinage N. Le fonctionnement de la cellule est alors régi par l’équation (1) dynamique
suivante :
(1)
( ) (| | | |) (2)
Conclusion Partielle
25
les filtres directionnels et gradients. Sur le plan lithologique, elles concernent l’application des
techniques de fusions et de combinaisons d’images. Il ressort de cette synthèse que les
réseaux de neurones cellulaire (RNC) font partie des techniques de détection automatique des
linéaments, facilitant ainsi, la cartographie géologique en générale et structurale en particulier.
Cette dernière combinée à l’esquisse lithologique, permet d’obtenir la carte litho-structurale.
La partie qui suit détaille le matériel et les méthodes qui ont été adoptés dans ce projet pour la
réalisation de la carte litho structurale de la région de Bondoukou.
26
DEUXIÈME PARTIE : MATÉRIEL
ET MÉTHODES
CHAPITRE 3 : MATÉRIEL
CHAPITRE 4 : MÉTHODES
27
DEUXIÈME PARTIE : MATÉRIEL ET MÉTHODES
CHAPITRE 3 : MATÉRIEL
3.
3.1.Données
Données cartographiques
- une carte topographique au 1/200 000 du Degré Carré de Bondoukou éditée par le
Bureau National d’Étude Technique et de Développement (BNETD) en 2002;
- une carte géologique au 1/200000 du Degré Carré de Bondoukou établie par Zéade et
al., 1995, et éditée par la Direction de la Géologie de Côte d’Ivoire;
Ce sont :
28
- une image RSO de RADARSAT -1 acquise le 21 août 1999 en orbite descendante
dans le mode Scansar avec une résolution de 50 m, en une polarisation HH dans une
bande C (de longueur d’onde 5,66 cm). Ces images sont reconnues pour leur grand
potentiel dans les applications géologiques. Cette image a été extraite de la banque de
donnée image du CURAT ;
- une image SRTM : ce sont les images de la mission topographique américaine Shuttle
Radar Topographic Mission (SRTM) réalisée en février 2000 depuis la navette spatiale
Endeavour. Cette mission a cartographié le relief terrestre d’environ 90 % de la
surface mondiale émergée en utilisant la technique du radar interférométrique. De
résolution spatiale 90 m, elle a servie à la réalisation du modèle numérique de terrain
(MNT) de la zone d’étude. Cette image a été téléchargée sur le site
http//www.glcf.edu/.
les roches
Ce sont les ensembles pétrographiques qui ont été observés lors des travaux de Youan
Ta (2008) dans la région d’étude. Elles sont constituées d’images d’affleurements de
prises sur le terrain au cours des travaux de Youan Ta (2008) et les descriptions qui
leurs sont associées
3.2.Logiciels :
- ENVI 4.4 (The Environment For Visualizing Images, élaboré par la société «
ITTVIS ») et ERDAS Imagine de la société Inter graph pour le Traitement des images
(prétraitements, fusions d’images et filtrages spatio-directionnels) ;
29
Ces logiciels ont été installés sur un ordinateur portable Core duo 2.4Gh X 2 4Go de
RAM à l’aide duquel, tous les traitements ont été effectués.
Conclusion partielle
Le travail préliminaire de cette étude a été la collecte des données. Les démarches
effectuées (recherche sur Internet, visite aux administrations ou entreprises concernées, etc.)
ont permis d’acquérir les nombreuses informations utiles. Cette base de données initiale est
composée de données satellitaires et cartographiques. Ces données ont été traitées à l’aide du
matériel et des logiciels appropriés conformément à l’approche méthodologique que nous
présentons au chapitre suivant.
30
CHAPITRE 4 : MÉTHODES
4.
4.1.Traitements préliminaires
31
4.1.1. Réduction du chatoiement
Une rectification géométrique a été faite d’abord sur les images LANDSAT. Celle-ci a
facilité la superposition avec les données exogènes (cartes topographiques et géologiques).
Ainsi, 10 points de calages sont sélectionnées à la fois sur la carte topographique et sur les
images. Une transformation polynomiale de degré 2 suivie d’un rééchantillonage par la
méthode du plus proche voisin ont été appliqués. L’erreur résiduelle étant de 0,0023 c’est-à-
dire inférieures au demi-pixel, la correction peut être considérée comme bonne.
32
été utilisée pour la réalisation d’une fusion d’image optique et radar qui fait partie des
traitements résumés dans le diagramme suivant (figure 16) :
Figure 16: Diagramme montrant les traitements spécifiques appliqués dans ce projet
D’après ce diagramme, à la suite des traitements préliminaires, une fusion d’image
optique et radar a d’abord été faite. Le résultat a servi d’image d’entrée à l’application de la
méthode des réseaux de neurones à la cartographie structurale. Ensuite, sur cette image de
même que sur les images Landsat ETM+ corrigées, des techniques d’ACP sélectives, de
combinaisons de bandes, de compositions colorées ont été appliquées. Ce qui a permis
d’obtenir l’esquisse lithologique. Une validation de la carte de fracturation obtenue par
réseaux de neurones et de la carte lithologique à partir des travaux antérieurs s’est terminée
par la réalisation de l’esquisse litho-structurale téléanalytique de la région. Les paragraphes
qui suivent décrivent chaque étape de ce diagramme.
33
4.2.1. Amélioration de la résolution spatiale de l’image RADARSAT
Figure 17: Procédé de fusion des images par transformée en ondelettes pour l’amélioration de
la résolution spatiale de l’image RADARSAT (d’après Leica, 2005 cité par Kouamé et al.,
2013).
34
4.2.2. Fusion des bandes multi spectrales ETM + et de l’image
RADARSAT de haute résolution simulée
Il est question ici, d’obtenir une image multispectrale optique-radar de haute résolution
spatiale. Dans ce cas, l’image haute résolution spatiale est l’image RADARSAT simulée à 15
m, et l’image multispectrale de basse résolution spatiale est la première composante principale
issue de l’ACP des bandes 1, 2, 3, 4, 5 et 7 de l’image ETM + de Landsat 7. L’application est
faite toujours avec le module « Wavelet Resolution Merge » du logiciel ERDAS Imagine 9.1
et elle répond au principe du paragraphe précédent ; il s’agit en bref, d’injecter (fusion par
TOD) le contenu de l’image RADARSAT simulée dans la première composante principale de
l’ACP. À la fin de cette opération, l’image résultante de 15 m de résolution spatiale, est
enrichie du contenu informatif de l’image RADARSAT simulée à 15 m.
Les images brutes et celles issues de traitements sont utilisées comme images
d’entrées pour l’application des techniques de réseaux de neurones cellulaires de
rehaussement des structures linéaires sur l’image appelées linéaments. Le diagramme (figure
18) suivant résume les trois étapes essentielles de détection des linéaments par réseaux de
neurones.
35
Figure 18: Organigramme d'application des RNC sur une image
La détection des linéaments sur une image, consiste à trouver les variations locales des
niveaux de gris. L’une des méthodes les plus simples, est de calculer la dérivée première de
l’image appelée gradient (Dubois, 1999). Le linéament correspond en fait, au maximum local
du gradient, résultat de cette dérivée. Pour le calculer, il suffit d’appliquer un ou plusieurs
filtres directionnels ou gradients D de dimensions (m x n), sur tous les pixels de l’image
originale I(i,j). La taille du filtre a une incidence sur la longueur des structures rehaussées.
Seules celles qui ont une taille supérieure à la moitié de la fenêtre de convolution seront
rehaussées (Jourda, 2005 cité par Youan Ta, 2008). Dans cette étude, nous avons utilisées des
filtres de Sobel NS (tableau i-a), EW (tableau i-b), NE-SO (tableau i-c), NO-SE (tableau i-
d) et des filtres gradients (Prewitt (tableau ii-a) et Yesou et al. (1993) (tableau ii-b) tous, de
taille 7 x 7. Cette dimension a été choisie parce qu’elle permet d’identifier les grandes
discontinuités majeures de la zone d’étude et a donné de bons résultats dans les travaux de
Youan Ta (2008).
Tableau i: Filtres de Sobel. (a)Filtre de Sobel N-S; (b) Filtre de Sobel E-W ; (c) : Filtre de
Sobel NW-SE ; (d) : Filtre de Sobel NE-SW
36
Tableau ii: (a) Filtre de Yesou et al., (1993) ; (b) Filtre de Prewitt.
Ces filtres sont donc d’excellents outils de discrimination d’objets rectilignes et plus
ou moins curvilignes de grande taille et facilitent l’extraction des linéaments sur les images
qu’ils traitent. Les filtres de Sobel étant plus précis d’après les résultats de Jourda (2005) ;
Youan Ta (2008) ; c’est la raison pour laquelle les images résultantes ont été choisies comme
images test pour l’application des réseaux de neurones. Les filtres gradients n’ont servis qu’à
compléter les résultats issus des filtres de Sobel.
Le modèle à grand voisinage directionnel a été adopté dans le cadre de ce travail. C’est
un modèle développé par Basak et al. (1995). Il a l’avantage de voir l’image à une échelle
plus grande, de lier les différentes parties d’un même contour entrecoupé par le bruit (Basak
et al., 1995 cité par Rouhana, 1998) et d’augmenter plusieurs fois le rayon de voisinage.
Ainsi, chaque pixel d’image possède un vecteur contour (figure 19). Ce vecteur a pour
direction le gradient local d’intensité ; celle-ci est obtenue par dérivée première du niveau de
gris de l’image et pour module, la valeur absolue de cette dérivée. Soit un point P, son vecteur
contour s’écrit eP (e, α). Ici, e est le module et α est l‘argument.
37
Figure 19 : Champ du gradient circulaire induit (Dubois, 1999)
Ce vecteur gradient est perpendiculaire au segment que l’on recherche et orienté d’une
région sombre vers une autre claire de l’image. Dans cette figure, les positions possibles se
font le long de la droite AB. De façon inverse, le champ d’induction le long de la droite CD
est nul. Comme nous sommes dans un système à deux dimensions, ce vecteur contour s’écrit
par l’équation (3) suivante :
Dans le modèle directionnel, on définit le gradient induit d’un pixel sur son voisin par
l’équation (4) :
Soit e’P (e’, α’) l’effet de P (cellule i) sur chaque point Q (cellule j) de voisinage N.
{ (5)
38
Lors de l’implémentation, on calcul rx et ry pour chaque pixel. Ils représentent les
dérivée partielles de l’image selon l’axe des x et des y respectivement. Leur résultante est
(équation 6) :
(6)
Dans cette formule, rmax est le plus grand module de gradient de l’image.
(7)
(8)
Cette induction sert à lier les différentes parties d’une ligne entrecoupée par le bruit.
L’existence d’un point contour suffit pour que son effet soit induit à tout point à l’intérieur du
cercle de voisinage. Donc, si les segments manquant dans une courbe continue sont de
longueur inférieure ou égale au diamètre de voisinage, ces segments sont récupérés.
Partant du principe que chaque cellule est liée à toute autre cellule appartenant à son
voisinage circulaire, elle a donc 4 sorties intermédiaires : Vj1, Vj2, Vj3 et Vj4 (équation 9);
(9)
Les poids de connexion (figure 14) entre les cellules dépendent de leur distribution spatiale.
Les connexions entre i et j avec j appartenant à Ni sont définis par les équations suivantes:
39
Wij11= w.sin4ϕij (10)
Dans ces formules, ϕi,j est l’angle que fait l’horizontale et la ligne joignant i et j ; wij
représente le poids de connexion entre i et j ; w est une constante de calibrage des poids de
connexions.
40
Ici, ws est une constante ; R(t) est le rayon de voisinage à l’instant t ; ce rayon décroit
en fonction du temps avec un taux croissant (équation 21) :
Dès lors, la sortie d’une cellule est donnée par l’équation ci-dessous où ui1 et ui2 sont
les composantes selon x et y à l’instant t et au pixel i. ils représentent l’état de la cellule i à
l’instant t.
(20)
Les variations en fonction du temps de ui1 et ui2 pour une fonction de transfert linéaire,
sont données par les équations 23 et 24 :
(21)
(22)
Ce sont ces deux équations qui représentent le modèle directionnel. La sortie dépend
de la vitesse de décroissance du rayon de voisinage avec le temps. Les variations s’arrêtent
quand le rayon de voisinage est inférieur à 1. Si la vitesse est grande, les segments
appartenant à la même courbe n’auront pas le temps de se lier ensemble. Par contre, si elle est
petite, les larges bandes vont se former tout au long des vrais contours.
Dans l’image résultante, l’amplitude du gradient en chaque point aura été modifiée. De
même, les pixels faisant partie d’une arête auront vu l’amplitude de leur gradient augmentée,
alors que pour les autres pixels, cette amplitude aura diminuée.
41
4.3.2.2.Programmation et application du réseau de neurone
cellulaire pour la détection de linéaments
Il a été question de définir les paramètres d’entrées à savoir : Les images d’entrées
dont le gradient a été calculé; le rayon de voisinage initial R ; la constante de calibrage du
poids entre les cellules voisines w ; Le poids d’inhibition des cellules ws ; le pas de temps Δt ;
la constante de calibrage de la vitesse de convergence λ.
- Le rayon de voisinage R
C’est une constante qui détermine le nombre de voisins autour d’une cellule ou un
pixel d’intérêt. Par un exemple un rayon de voisinage 3 représente 8 voisins autour d’un pixel
d’intérêt. Donc plus il sera grand, plus il y aura de pixels interagissant sur la cellule d’intérêt.
Ce rayon agit sur beaucoup de paramètres du réseau notamment dans la définition des poids
de connexions entre une cellule et ses voisins. Il est également fonction de la distance
euclidienne entre un pixel et ses voisins. Il est aussi proportionnel à la racine carré de sa
vitesse de décroissance lors des itérations. L’avantage des RNC à répartition directionnelle est
qu’on peut changer plusieurs fois le rayon de voisinage. Dans cette étude, différentes valeurs
de rayon de voisinage (R= 5 (rayon faible), R=12 (rayon intermédiaire), R=16 et R=20 () ont
été testées dans le but de voir l’influence de la variation de ce paramètre sur les linéaments
détectés.
- Le pas de temps Δt
42
C’est en fait la durée des itérations et se donne en secondes. Il est proportionnel aux
nombre d’itérations. Plus ce temps sera faible, plus la convergence du rayon sera lente et plus
il y aura d’itérations. Plus il sera fort, plus la convergence sera rapide et moins il y aura
d’itération. Dans ce cas, beaucoup de vecteurs contours n’auront pas le temps de se lier aux
contours voisins. Dans cette étude, nous avons fixé cette valeur à 10 s.
- Le paramètre λ
Afin de débarrasser les linéaments détectés de tout bruit, une extraction automatique
par seuillage avec la méthode de Canny (1986) a été appliquée.
Les linéaments détectés doivent par la suite être amincis et tous les pixels dont
l’amplitude du gradient est trop faible doivent être éliminés. Un post traitement a été fait. La
méthode choisie est celle de Canny (1986). C’est une technique consistant à lisser l’image
dans un premier temps à l’aide d’un filtre gaussien de dimensions 3x3 , et dans un deuxième
temps, d’appliquer un seuillage par hystérésis avec deux valeurs de seuils Sb (seuil bas) et Sh
(seuil haut) préalablement choisis. Les vecteurs contours dont la norme sera inférieure au
seuil Sb seront supprimés. Ceux qui auront une norme supérieure au seuil Sh seront retenus.
43
Enfin, les pixels contours compris entre les seuils Sb et Sh ne seront retenus que s’ils sont liés
à d’autres pixels déjà retenus. Donc plus les valeurs de seuils varieront, plus les contours
détectés seront différents. C’est la raison pour laquelle, plusieurs valeurs de seuils (Sb=10 et
Sh=80 (couple de seuils faibles) ; Sb=10 et Sh=150 (couple dont la différence des 2 seuils est
grande) ; Sb=20 et Sh=50 (couple dont la différence des 2 seuils est faible) ; Sb=60 et Sh=150
(couple de seuils grands)) ont été testées afin de mettre en exergue l’influence de la variation
des seuils sur les linéaments détectés d’une part, et d’autre part, de choisir les meilleurs seuils
pour la cartographie structurale de la zone d’étude.
Les RNC ont été programmé sur MatLab. La figure 21 suivante, présente l’interface
générale de l’application qui a été développée.
44
voisinage d’une cellule d’intérêt. Le pas de temps dt et les constantes de seuil Sb (seuil 1) et
Sh (seuil 2). Le calcul des poids de connexions se fera pendant les l’itération. Donc, les
valeurs seront modifiées d’une itération à l’autre. Sortie Int est la touche qui permet
d’exécuter le calcul des sorties intermédiaires Vj d’une cellule. RNC permet d’améliorer le
gradient de l’image en se servant des sorties intermédiaires Vj, qui sont convoluées par les
matrices des poids de connexions et d’inhibition. Enfin, Canny, permet d’exécuter la
sélection des linéaments par seuillage à partir des seuils Sb et Sh.
Figure 22: Amélioration du gradient par RNC. Les différents paramètres ont été définis et les
poids de connexions ont été calculés.
45
Figure 23: Sélection des linéaments avec la méthode de Canny.
Trois (3) techniques ont permis de mieux discriminer les grandes formations
lithologiques dominantes : les compositions colorées, l’ACP Sélective et les combinaisons
d’images.
46
4.4.1. Compositions colorées
La résolution spectrale élevée de Landsat 7 ETM+ nous offre une multitude de choix
pour réaliser les combinaisons de bandes et d’effectuer des fusions. Cependant, il arrive que
ces combinaisons soient très redondantes, c'est-à-dire que l’information portée se répète dans
plusieurs bandes. Pour échapper à cette répétitivité et choisir les compositions les plus
importantes, une étude statistique pour les neufs bandes de même résolution spatiale (ETM+
1, 2, 3, 4, 5, 6-1, 6-2, 7 et 8) de Landsat et pour les 7 bandes hybride (OR 1, 2, 3, 4, 5 et 7) a
été effectuée. Ainsi, le coefficient de corrélation des neufs bandes sont calculés (Tableaux iii
et iv).
Tableau iv: Matrice de corrélation des bandes de l'image Hybride Optique - Radar (OR)
Corrélation OR 1 OR 2 OR 3 OR 4 OR 5 OR 7
OR 1 1 0,69 0,59 -0,18 0,476 0,581
OR 2 1 0,818 0,139 0,612 0,679
OR 3 1 -0,062 0,828 0,856
OR 4 1 0,215 -0,348
OR 5 1 0,799
OR 6 0,589
OR 7 1
Les meilleures compositions colorées obtenues correspondent aux combinaisons de
trois bandes les moins corrélées entre elles. Cependant, pour un choix réellement quantitatif
des meilleures combinaisons de bandes pour l’extraction d’un maximum d’information,
Chavez et al. (1982) in Ghulam et al., 2010 ont introduit la notion d’ « Optimum Index Factor
» (OIF). L’OIF est calculé par l’équation (24) suivante :
47
(23)
Les combinaisons qui ont l’OIF le plus élevé (voir annexe 4) est susceptible de fournir
le maximum d’informations puisqu’elle utilise les données ayant le moins de redondances.
Une d’elles a été retenue pour mettre en exergue les grands ensembles lithologiques aussi bien
avec l’image Landsat ETM+ (composition colorée 451) qu’avec l’image hybride
(composition colorée 457).
L’ACP a pour limites, d’une part le fait que les informations qui n’ont pas été
cartographiées dans les trois premières composantes peuvent avoir un intérêt significatif, et
d’autre part, qu’une composition colorée à partir de trois premières composantes peut être
difficile à interpréter visuellement (Chavez et al., 1982 cités par Jourda, 2005). Ce qui a
suscité l’application d’une ACP sélective (avec 3 bandes).
La matrice de corrélation des bandes de l’image ETM+ de Landsat (tableau iii) nous a
permis de distinguer 3 sous-groupes de bandes regroupant des informations similaires : le
groupe (ETM+ 1-2-3), le groupe (ETM+ 5-6-7) et le groupe (ETM+ 4-8). Ainsi, une ACP
sélective est d’abord réalisée avec les bandes 1, 2 et 3, ensuite avec les bandes 5,6 et 7 et enfin
avec les bandes 4 et 8. Les 2 premières ACP sélective nous ont donné 3
composantes respectivement : CP1123, CP2123, CP3123 et CP1567, CP2567, CP3567. La dernière
ACP sélective a donnée 2 composantes : CP148 et CP248. Les chiffres en indice indiquent les
bandes qui entrent dans la réalisation de l’ACP (Jourda, 2005). Une composition colorée a
enfin été réalisée en mettant dans les canaux RGB, les composantes principales CP1123, CP148
et CP1567.
Cette méthode est basée sur la notion de réflectance. C’est le rapport entre la quantité
de radiations réfléchies par un matériau et la quantité d’énergie réfléchit par le radiomètre
48
pour une longueur d’onde donnée (Scanvic, 1983 cité par Jourda, 2005). Des rapports de
bandes à partir des bandes les moins corrélables ont été réalisé parmi lesquels : ,
et . Une composition colorée fausse couleur a été réalisée avec ces différents néo
Toujours dans cette logique du comportement spectral, des indices ont aussi été
calculés : et . Ces indices ont aussi permis d’identifier les objets
ou structures géologiques.
L’extraction des contours lithologiques contenus dans les images satellitaires s’est
faite par interprétation visuelle et manuelle. Ce qui a permis de réaliser une esquisse
lithologique préliminaire de la région de Bondoukou.
4.5.Validation
Les linéaments identifiés ont fait l'objet d'une analyse statistique permettant de faire
ressortir les directions principales (majeures) et de construire les rosaces directionnelles. Une
comparaison (carte linéamentaire et rosaces directionnelles) avec les travaux antérieurs
réalisés par Youan Ta (2008) et par Zéade et al. (1995) dans la région de Bondoukou, a
permis la validation des fractures obtenues. Youan Ta (2008) a utilisé les techniques de
filtrages spatiaux et une extraction manuelle pour extraire les linéaments au Sud de la zone
d’étude et établir la carte de fracturation. Zéade et al. (1995) ont fait des travaux de terrain
pour cartographier quelques fractures de la zone. La validation a enfin été aussi faite, par
superposition du réseau hydrographique sur les linéaments détectés.
49
4.6.Esquisse litho-structurale
Conclusion partielle
50
TROISIÈME PARTIE : RÉSULTATS,
INTERPRÉTATIONS ET
DISCUSSIONS
CHAPITRE 6 : DISCUSSIONS
51
TROISIÈME PARTIE : RÉSULTATS, INTERPRÉTATIONS ET
DISCUSSIONS
CHAPITRE 5 : RÉSULTATS
5.
5.1.Prétraitements
5.1.1. Réduction du chatoiement
Des filtres de Lee appliqués sur l’image RADARSAT (figure 24-a) de la zone d’étude
ont donné le résultat ci-après (figure 24-b) :
0
(a) (b)
Figure 24: Application des filtres de Lee sur l'image RADARSAT : Image RADARSAT brute
(a); Image RADARSAT filtrée (b).
52
Cette figure montre que les filtres de Lee ont réussi à réduire l’aspect granulaire que
l'on nomme speckle ou chatoiement sur l’image de la figure 24-a. Ils ont ainsi permis
d’améliorer la lisibilité de l’image de la figure 24-b tout en conservant les structures et détails.
Une correction géométrique a été appliquée aux images Landsat. Les figures suivantes
(figure 25) présentent quelques bandes de l’image Landsat corrigées qui ont servi à la
cartographie lithostructurale du socle Précambrien de la région de Bondoukou.
(a) (b)
Figure 25: Images Landsat corrigées de la zone d’étude: ETM+3 (a); ETM+6-2 (b).
53
(a) (b)
Figure 26: Images Landsat corrigées de la zone d’étude: ETM+4 (a) ; ETM+8 (b).
Il y a une grande conformité entre les bandes ETM+ 4 et 8 d’une part, et les bandes 6
et 3 d’autre part. Sur les images ETM+ 4 et 8, on note une abondance de l’activité
chlorophyllienne marquée par une dominance de la végétation qui apparait en blanc. Ce qui
n’est pas le cas sur les bandes 6 et 3. Ces dernières se différencient seulement par le fait que le
NE de la bande 6 parait plus claire que celui de la bande 3.
Dans le souci de réduire ces redondances entre bandes, des techniques d’ACP ont été
appliquées. La figure 27-a présente la première composante qui regroupe le maximum
54
d’informations. La fusion d’image par transformée en ondelette, après amélioration de la
résolution de l’image RADARSAT, donne la bande OR7 optique-radar présenté à la figure
27-b.
(a) (b)
Figure 27: Néo canaux issus des traitements : Première composante CP1 de l'ACP (a). Image
OR7 de 15 m de résolution issue d'une fusion par TO (b)
L’ACP a permis de regrouper le maximum d’information dans la première
composante puisqu’elle présente des détails très bien absents au niveau de images brutes
corrigées ci-dessus. Les images des figures 25 et 26 qui paraissaient lisses (du Centre vers le
Nord de l’image) ne le sont plus. L’image OR simulée à 15 m de résolution fait apparaitre
entre plus net, les différents éléments de l’image ; ce qui la rend encore plus hétérogène.
55
5.2.Cartographie structurale
Les techniques de filtrage spatial ou calcul de gradient (figure 28) ont été appliquées
sur les images corrigées et améliorées fournies par le résultat de la fusion optique et radar
pour le rehaussement des linéaments.
(a) (b)
(c) (d)
Figure 28: Résultats du calcul de gradient avec différents filtres : filtre de Sobel EW
rehaussant les linéaments NS (a) ; filtre de Sobel NW-SE rehaussant les linéaments NE-
SW(b) ; filtre de Yesou et al. (1993) (c) ; filtre de Prewitt (d).
56
Les figures 28a et 28b présentent les images filtrées produites par les filtres
directionnels de type Sobel appliqués sur l’image RADARSAT simulée à 15 m. Ces filtres
directionnels rehaussent les linéaments ou les contours perpendiculaires à leur direction de
convolution. Les filtres gradients asymétriques que sont les filtres de Préwitt (Figure 28-d) et
de Yésou et al. (1993) (Figure 28c), confirment l’existence de certaines discontinuités images
et apportent des informations complémentaires utiles.
Les filtres de Sobel sont plus précis ; ce qui confirme encore leur choix. Par
conséquent, les images résultantes ont été choisies comme images test pour l’application des
réseaux de neurones.
5.2.2. Application des RNC à la détection des linéaments sur les images
satellitaires
(a) (b)
Figure 29: Linéaments détectés automatiquement par la méthode de RNC: image résultant
d’un filtre de Sobel EW (a) ; résultat de la méthode de RNC (b). Paramètres utilisés : R=12 ;
Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; Sb=30 et Sh=80.
La capacité des RNC à détecter toutes les discontinuités images et à interpréter tous les
petits détails de l’image est à noter. Tous les linéaments (figure 29b) interprétés par les filtres
de Sobel NS (figure 29a) sont biens mis en évidence.
57
La capacité des RNC à regrouper ensemble les éléments de petites tailles qui ont la
même direction pour donner des courbes de grandes dimensions et curviligne est aussi à noter.
Toutes les discontinuités images et les variations de tonalités qui caractérisent les linéaments,
même les plus discrètes sont détectées, et ceci, de façon automatique.
Une comparaison (figure 30) a été par la suite faite entre les méthodes d’extraction
manuelles, les résultats d’un seuillage et les linéaments obtenus par RNC. L’objectif ici, est de
montrer la contribution des réseaux de neurones à la détection des linéaments, et son aspect
innovateur par rapport à l’extraction manuelle utilisée majoritairement dans les travaux
antérieurs.
58
(a) (b)
(c) (d)
Figure 30: Comparaison des linéaments obtenus par réseaux de neurones avec ceux obtenus
par extraction manuels et par seuillage : (a) représente une image filtrée avec un filtre de
Sobel NO-SE ; (b) matérialise les linéaments extraits de façon manuelle ; (c) est le résultat
d’un simple seuillage par hystérésis avec la méthode de Canny sur l’image (a) ; enfin, (d) est
le résultat d’un seuillage sur une image dont le gradient a été amélioré avec la méthode des
RNC. Paramètres utilisés pour les RNC : R=12 ; Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; Sb=30 et
Sh=80.
Cette figure met en évidence l’apport des RNC dans l’interprétation des fins détails de
l’image. Bon nombre de linéaments qui sont difficilement repérable de façon manuelle (figure
30b) sur une image sont rehaussés de façon automatique. Par exemple, sur cette figure, nous
ne sommes parvenus tracer 64 linéaments contre 872 pour un seuillage simple, et 1247 pour
les RNC. De même, un simple seuillage (figure 30c) sur une image filtrée détecte certes les
linéaments de façon automatique, mais la continuité réelle des linéaments n’est pas respectée.
59
Les RNC sont venus pallier à ce problème en détectant non pas seulement les linéaments de
façon automatique, mais aussi, en rehaussant les longues lignes continues et curvilignes
représentatives des fractures. Ceci est illustré par la figure 30d. Comme exemple, pour cette
figure, la longueur cumulée obtenue pour les RNC est de 3473 km contre 2374 km pour un
seuillage simple, et 539 km pour l’extraction manuelle.
Figure 31: Image issue d'un filtre Sobel EO utilisée pour évaluer l'influence des
paramètres du réseau sur la détection des linéaments
Sur cette image, différentes itérations ont été faite avec différentes valeurs de rayons
de voisinage (figure 31).
60
(a) (b)
(c) (d)
Figure 32: Influence de la variation du rayon de voisinage sur la détection automatique des
linéaments. (a) R=5 ; (b) R=12 ; (c) R=16et (d) : R=20. Paramètres utilisés: Δt=10 ; λ=0,6 ;
ws=100 ; w=90 ; Sb=30 et Sh=80.
Cette figure montre que pour les rayons de voisinage faible (R=5 à la figure 32a), le
réseau tend à interpréter les petits détails de l’image au point de confondre les linéaments avec
le bruit. Par contre pour les rayons très grands (R=16 et R=20 voir figure 31c et 31d), on note
une perte d’information. Beaucoup de linéaments sont ignorés. Ceux retenus sont en majorité
de grandes dimensions. Ceci est dû au fait que, plus le rayon est grand, plus les pixels
appartenant au rayon auront tendance à se lier avec les pixels voisins. Et si la liaison n’a pas
été faite, ces derniers sont supprimés par l’effet inhibiteur du réseau. Par contre dans le
premier cas (faible rayon de voisinage), les liaisons sont faciles, et beaucoup de linéaments
61
sont mise en évidence. Les valeurs intermédiaires (R=12 figure 31b) donnent les bons
résultats.
Toujours sur l’image de la figure 31, des variations de seuils ont été faites dans
l’optique de mettre en évidence l’influence des seuils sur la détection automatique. Ceci est
illustré par la figure 33 suivante :
(a) (b)
(c) (d)
Figure 33: Influence des constantes de seuils sur la détection automatique des linéaments. (a) :
Sb=10 et Sh=80 ; (b) : Sb=10 et Sh=150 ; (c) : Sb=20 et Sh=50 ; (d) : Sb=60 et Sh=150.
Paramètres utilisés: Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; R=12.
62
Pour une valeur de Sb faible (figure 33-a et 33-b), on note plus de détail sur l’image et
l’apparition des linéaments de faibles dimensions. Une comparaison de ces deux figures
révèle un nombre plus élevé de linéaments dans le cas où les valeurs de Sh sont inférieures.
En d’autre terme, plus la différence entre les deux seuils est grande, plus les linéaments sont
éliminés.
La figure 33-c montre par contre que pour une différence faible avec les constantes de
seuils aussi faible, il y a un rehaussement de contours de grandes dimensions. Pour des
valeurs de Sb et Sh élevées tel à la figure 33–d, la longueur des linéaments est encore plus
grande. Ceci peut s’expliquer par le fait que les grandes valeurs de seuils, permettent
seulement de sélectionner les valeurs de gradient élevées et d’éliminer les gradients faibles.
Par contre, avec les faibles valeurs de seuils, toutes les valeurs de gradients sélectionnables
sont rehaussées. Dans un contexte de détection des lignes de grandes dimensions, les valeurs
de seuils grandes sont les plus judicieuses.
- Influence du paramètre λ
(a) (b)
63
L’analyse de cette figure montre une ressemblance entre les linéaments rehaussés dans
les deux cas. Ce qui permet de déduire que la variation de ce paramètre n’influence pas pour
beaucoup le réseau et la détection des linéaments.
Les différents constats faits sur l’influence de la variation des paramètres du réseaux
ont permis de trouver les meilleures valeurs de paramètres (R=12 ; λ=0,6 ; w=90 ; ws=100 ;
Sb=60 ; Sh=150 et Δt=10) pour la réalisation de la carte linéamentaire détaillée de la région
de Bondoukou.
64
Figure 35: Carte de linéaments de la région de Bondoukou
Cette carte contient plus de 8000 segments de droites et/ou courbes correspondant à
des fractures potentielles et/ou des contacts géologiques d’ordre décamétrique à
plurikilométrique. Les interconnections entre les failles, et l’aspect très fracturé de la région,
témoignent de l’intensité des mouvements tectoniques qui ont eu lieu. La longueur cumulée
des linéaments est égale à 10 432 462 km sur une surface de 4500 km2. Le linéament le plus
long mesure 54102,72 Km et traverse le sud de la zone d’étude passant entre Wolobidi et
65
Tanbi. La carte de fracturation majeure (figure 36) est déduite de la carte détaillée où seule les
accidents plurikilométriques sont retenus.
66
hydrographique sur la carte de fracturation majeure a permis de confirmer et de valider
certaines fractures tracés.
Figure 37: Superposition des linéaments avec le réseau hydrographique et les failles
répertoriés sur la carte géologique de Zéade et al., 1995.
Les rosaces directionnelles en longueurs cumulées (figure 38-a) et en nombre (figure
38-b) ont permis de faire ressortir les directions principales. Elles montrent une distribution
hétérogène de la fracturation.
67
(a) (b)
Figure 38: Rosace directionnelles obtenues par réseaux de neurones : (a) représente la rosace
en longueurs cumulées et(b), la rosace en nombres.
Deux grandes familles de fractures se distinguent : les fractures de direction NE-SW
(N 50, N 60, N 70, N 80 et N 90) et NW-SE (N 140, N 150, et 160). La première représente
l’orogénèse Eburnéenne qui a le plus marqué la zone d’étude. La seconde quant à elle, est le
résultat de l’orogénèse Libérienne bien que la région n’est pas été atteinte par cette dernière.
En dehors de ces familles, les autres présentent des fréquences inférieures à 6%. Cette analyse
montre aussi une similitude entre les fréquences en nombre et celles en longueurs cumulées.
Ces résultats signifient que les principales classes directionnelles de fractures identifiées
apparaissent les plus longues. Donc les fractures les plus abondantes en fréquences sont les
plus longues.
Une comparaison (figure 39) entre les fractures obtenues par réseaux de neurones, et
celles obtenus par les travaux de Youan Ta (2008) a été faite.
68
(a) (b)
(c)
Figure 39: Comparaison des linéaments tracés avec les travaux antérieurs : (a) représente les
fractures majeures obtenus à partir des travaux de Youan Ta (2008) ; (b) les fractures
majeures obtenues avec la méthode des RNC ; (c) est la superposition des deux résultats dans
un SIG et validation.
69
Plusieurs fractures identifiées par Youan Ta (2008) ont pu être retrouvées par réseaux
de neurones sur la même zone. Par ailleurs, nombreuses fractures non identifiées par ce
dernier, ont été mise en évidence par RNC. Par exemple, pour la même zone, on a pu
cartographier 248 fractures par RNC, contre seulement 127 d’après les travaux de Youan Ta
(2008). Ce qui montre encore la contribution des RNC à la cartographie de la fracturation
dans la région.D’autre part, les rosaces ont été comparées (figure 40-a et b) à celles obtenues
par les travaux de Youan Ta (2008) au Sud de la zone d’étude. On y note une très grande
similarité des deux rosaces marquées principalement par les orientations des linéaments
majeures bien que la différence de densité des linéaments soit variante. Ce qui a permis de
confirmer les cartes établies.
(a) (b)
Figure 40: Comparaison des rosaces directionnelles obtenues par réseaux de neurones avec
celles obtenues à partir des travaux antérieurs : (a) rosace en nombre obtenues par RNC ; (b),
rosace en nombre obtenues par Youan Ta (2008).
5.3.Cartographie lithologique
Les images provenant des traitements spécifiques comme les compositions colorées, l’ACP
sélective et les ratios de bandes ont permis de distinguer les différentes unités lithologiques de
70
la région de Bondoukou. En effet, la composition colorée des bandes brutes ETM + 451
(figure 41), résultat du OIF le plus élevé, permet de distinguer au mieux les formations
volcano-sédimentaires (bleu et pourpre) des formations intrusives (en couleur jaune-vert).
Figure 41: Composition colorée 451 rehaussant les grands ensembles géologique de la zone
d'étude
Sur cette image, les formations volcano-sédimentaires sont très bien dissociables : les
schistes volcano-sédimentaires indifférenciés (SVSI) apparaissent en pourpre, les schistes à
71
dominantes pélitiques (SDP) en bleu d’acier, les amphibolites (AM) en vert olive et les
schistes à amphiboles et chlorite en verge d’or.
Ces résultats sont également confirmés par l’ACP sélective. Une composition colorée (figure
42) réalisée avec les premières composantes principales CP1123 - CP148 – CP1567 permet de
mettre en exergue des formations à l’extrême Sud-Ouest (entouré en jaune jaune) de la zone
d’étude couverte par la végétation et qui sont invisibles sur l’image de composition colorée
451.
72
Zoom sur les formations du Sud-Ouest mise en évidence par l'ACP sélective
L’apport de l’image hybride optique et radar est noté au niveau de détail
pétrographique et par le fait que les contours de sous divisions (figure 44) dans grands
ensembles sont plus nets. C’est le cas de métagranites au sein des métatrondjémites et au sein
des formations volcano-sédimentaires à l’extrême est sur la composition colorée OR 457 ci-
dessous.
73
Figure 43: Composition colorée OR 457 identifiant des formations de métagranite à biotite à
l'Est de la zone d'étude
74
5.3.2. Cartographie des sous-ensembles géologique
Leur structure est mise en évidence par la composition colorée 457 optique-radar après
rehaussement par égalisation (Figure 46).
75
Figure 45: Composition colorée OR 457 rehaussant le métagranite à biotite
Cette figure permet également d’identifier les limites du métagranite à biotite présent
au sein des métatrondjémtites, et leur extension vers l’Est. Ces limites sont également
confirmées par l’ACP sélective des bandes optiques et radar (figure 47). D’autres formations
de métagranite à biotite ont aussi pu être mises en évidence à la frontière avec le Ghana,
précisément au niveau de la localité de Tagadi (voir figure 44). Ces formations étaient jusqu’à
présent mal connues.
76
Figure 46: Composition colorée CP1123 – OR4 – CP1567 montrant les limites du métagranite à
biotite de Sokola au sein des métatrondjémites.
Ces formations affleurent au Nord de la zone d’étude. Les premières cohabitent avec
les formations volcano-sédimentaires et les secondes, sont sein des métagranites à biotite
(MB). La composition colorée ETM+451 (figure 48) a permis de distinguer les deux types de
granites.
Figure 47: Composition colorée 451 différenciant les granites à biotite et muscovite des
granites monzonitique à biotite et amphibole
77
Les granites à biotite et muscovite (GBM) apparaissent en jaune violacée et sont
orientés NS tandis que les granites monzonitique (GMBA) sont en rouge et se présente sous
forme de croissant.
5.3.2.2.Formations volcano-sédimentaires
Figure 48: Composition colorée 451 permettant d'identifier les schistes à dominante pélitique
et une lentille d'amphibolite
Les premières (SDP) y apparaissent en bleu et poupre tandis que les secondes (SVSI)
sont en rouge. Quant aux amphibolites (AM), elles se présentent en général sous forme de
lentilles et sont de coloration verte.
78
Figure 49: Validation des contours identifiés par superposition avec la carte géologique
existante
L’analyse de cette figure dégage des similitudes et des dissemblances.
Les similitudes concernent les limites des grandes formations telles que :
- les métrondjémites (M), dont la limite Sud a été interrompue au niveau de Sokola
et Sorobango par les métagranites à bioite (MB) ;
79
- les métagranites à biotite (MB) du Nord de Sokola, au sein des métatrondjémites,
diffèrent du point de vu de la position de celle de la carte géologique, bien que la
forme soit la même ;
- les granites monzonitique à biotite et amphibole (GMBA) sont à présent sous
forme de croissant et diffèrent celle de la carte géologique par le fait qu’ils ont
connus un grand allongement et une extension vers l’Est ;
- les schistes volcano-sédimentaires indifférenciées (SVSI) de Tandi ont aussi
connus un allongement vers l’Ouest par rapport à ce qui avait d’abord été
cartographié.
- enfin, les granites à biotite et muscovite (GBM) de la carte géologique ont vu leur
forme rétrécir vers le Nord.
80
Figure 50: Carte lithostructurale téléanalytique de la région de Bondoukou
Conclusion partielle
Dans le premier cas, une comparaison a d’abord été faite avec les résultats des
méthodes jusqu’ici utilisées (extraction automatique et seuillage) ; ensuite, l’influence des
paramètres du réseau a été mise en évidence ; ce qui a enfin permis de choisir les meilleurs
paramètres pour la réalisation de la carte de fracturation majeure et détaillée de la région.
81
Dans le second cas, les résultats des fusions d’images optiques et radar et des ACP
sélectives ont permis de cartographier à la fois les grands et sous-ensembles lithologiques.
Ces deux cartes combinés dans un SIG ont abouti à la carte litho-structurale de la
région de Bondoukou.
82
CHAPITRE 6 : DISCUSSIONS
6.
6.1.Cartographie structurale
Les méthodes d’extraction automatiques comme les RNC ont été conçues pour
combler les lacunes des méthodes manuelles. Ici, le délai d’obtention des résultats est
inférieur à celui de la méthode d’extraction manuelle. Leur objectivité dans l’extraction est
exceptionnelle, de même que leur précision et perception globale des linéaments. Le principal
défaut réside dans le nombre important de paramètres à définir avant chaque itération. En
effet, pour les rayons de voisinage faibles par exemple, le réseau tend à interpréter les petits
détails de l’image au point de confondre signal utile et bruit. Et par contre, pour les rayons
très grands, on note une perte d’informations. Ceci est aussi le cas pour d’autres paramètres
tels que le pas temporel Δt, et le paramètre de décroissance de la vitesse du rayon de
voisinage λ. Une valeur de Δt faible, entraine une lente exécution des itérations et par
conséquent l’apparition de plus de détails dans l’image. Pour un Δt élevé par contre,
l’exécution sera rapide de telle sorte que le réseau n’aura le temps de détecter tous les
linéaments et de les lier. Un autre choix important aussi, est les constantes de seuils. Si la
différence entre les seuils Sb et Sh est très grande, beaucoup de linéaments sont éliminés. Les
valeurs appropriés pour l’exécution, telles que indiquées ci-dessus, reste les valeurs moyennes
de ces paramètres :
83
- Rayon de voisinage : 8 ≤ R ≤ 15 ;
- Pas de temps : il est diminué à chaque fois que R est augmenté ;
- Vitesse de décroissance de R : 0,6 ≤ λ ≤ 0,7 ;
- Seuil bas : 50 ≤ Sb ≤ 80 ;
- Seuil haut 100 ≤ Sh ≤ 255
L’inconvénient est aussi le fait que pour différentes valeurs de ces paramètres, on
obtient une carte de fracturation différente.
Ces résultats sont en conformité avec ceux obtenus par Rouhana (1998) et Lepage et
al. (2000). Ces auteurs ont utilisés les RNC pour détecter les linéaments. Ils ont appliqués les
RNC sur une image de gradient de Sobel. Une comparaison des résultats entre les RNC à
répartition directionnelle avec les RNC à répartition cellulaire les a permis de conclure que les
RNC à répartition directionnelle sont les mieux indiqués par la détection automatique des
linéaments sur les images satellites.
84
Sorobango-sud, de Taobi, Bandoli et du nord de Kineta répertoriés dans les cartes géologiques
ont été identifiés. L’analyse de cette carte permet de constater que ces derniers ont été
partiellement cartographiés. Leur prolongement a pu être mis en évidence. C’est le cas par
exemple de l’accident de Taobi qui se poursuit jusqu’à la localité de Wolobidi. C’est aussi le
cas des mini-fractures cartographiées au Nord-Ouest de la carte. Une comparaison de la carte
de fracturation obtenue par RNC avec celle établie par Youan Ta (2008) permet de confirmer
ces fractures. Mais il ressort de cette comparaison que, beaucoup d’autres fractures non
identifiées par cet auteur ont pu être cartographiées.
85
et amphibole (GMBA) au Nord-Ouest de la zone d’étude. Quant-aux métagranites à biotite de
Kineta (MGB), les formations à l’Est, par rapport à leurs limites sur les cartes géologiques
existantes n’ont pu être mise en évidence. Sur la carte géologique, cette formation se poursuit
jusqu’au fleuve volta noire. De plus, la limite des formations volcano-sédimentaires
notamment les amphibolites (AM) et les formations schisteuses existantes sur les cartes
géologiques déjà réalisées, a été rehaussée et cartographiée. La limite Ouest de la granodiorite
porphyroïde de Bondoukou a aussi été plus ou moins reprécisée. Le traitement des images par
les techniques d’ACP Sélective, de combinaison d’images et la composition colorée ont donc
permis la réalisation de la carte géologique actualisée de la région de Bondoukou. Des
résultats similaires ont été obtenus par Jourda (2005), Youan Ta. (2008) et Kouamé et al.
(2013). Ces auteurs ont utilisé ces techniques de traitements des images satellitaires pour la
cartographie des formations géologiques de leurs zone d’études.
Malgré cette richesse des images dérivées, les limites entre certaines surfaces
homogènes sont parfois difficiles voire impossibles à cartographier. La cartographie des
limites séparant les unités volcano-sédimentaires a rencontré cette difficulté.
86
CONCLUSION GÉNÉRALE
Cette étude s’inscrit dans le cadre de l’application des techniques de télédétection dans
l’optique de mettre à jour la carte géologique existante. En d’autre terme, il s’agissait de
répondre à deux questions de recherche: comment extraire les linéaments de façon
automatique tout en respectant leur continuité spatiale ? Comment faire une cartographie
géologique sur la base des images satellitaires ? Pour répondre à ces deux préoccupations,
deux grands points ont été développés : une méthodologie de réseaux de neurones cellulaires
pour la détection automatiques des linéaments sur les images satellitaires d’une part ; d’autre
part, les méthodes de traitements d’images ont permis de mettre en exergue les formations
géologiques afin de déduire l’esquisse lithologique et l’esquisse litho-structurale.
Sur le plan structural, un calcul de gradient a d’abord été fait en utilisant les filtres de
Sobel et gradient de taille 7 x 7. Les réseaux de neurones cellulaires se sont montré un des
meilleurs outils d’amélioration de la qualité de ce gradient. Un seuillage à deux niveaux avec
l’algorithme de Canny (1986) a permis de sélectionner tous les linéaments rehaussés par les
réseaux de neurones, facilitant ainsi, la détection automatique. Ainsi, toutes les discontinuités
images sont détectées sur l’image et une carte linéamentaires préliminaires a été établie. Cette
dernière a subi une première validation consistant à éliminer tous les éléments linéaires ou
curvilignes d’origines anthropiques, laquelle validation a permis de donner à cette carte, une
valeur de carte de fracturation. Enfin, une seconde validation s’est imposée, afin de s’assurer
que les fractures identifiées répondent aux critères connues et coïncident plus ou moins avec
les fractures cartographiées par les travaux antérieurs et avec les tracés des cours d’eaux. Le
résultat de ces opérations nous a permis d’obtenir la carte de fracturation de la région de
Bondoukou.
La télédétection, avec la vision plus globale qu’elle offre, nous a permis de mieux
distinguer les réponses spectrales de grandes formations géologiques. Différentes méthodes
ont été appliquées à cet égard : les fusions d’images optiques et radar, l’ACP sélective, les
ratios de bandes et les compositions colorées. Chacune d’elle a permis de bien distinguer la
lithologie. Une comparaison des limites lithologiques identifiées par télédétection avec celles
présentes sur les cartes géologiques nous a permis de valider les informations obtenues et
d’établir une carte des formations géologiques téléanalytique de la région.
87
fractures jusqu’ici inconnues ont été mise en évidence de même que le prolongement de
certaines existantes. Aussi, de nouvelles limites de certaines formations ont pu être détectées.
Ce qui a permis de mettre à jour la carte existante.
- Perspectives
- réaliser une fusion d’image optique et radar en utilisant cette fois, les images Landsat
OLI, et les images radar polarimétriques pour montrer l’apport de cette technique à la
cartographie géologique ;
88
RÉFÉRENCES BIBLIOGRAPHIQUES
BASAK, J., CHADA, B., MAJUMBER and D.M. (1994). On edges and line linking with
connectionist models, IEEE Transactions on Systems, Man and Cybernetic, vol. 42, no. 3, pp.
413-428.
CALVINO , B. (2006). Qu'est-ce qu'un neurone ?, International Standard Book Number, pp.
352-396.
CANNY, J.F. (1986). A computational Approch of edge Detection, PAMI, vol. 8, no. 6, pp.
679-698.
CHIARI, F., BAPTISTE , J., DELHOM, M. and FI, J. (2000). Prédiction du comportement
hydrologique d'un bassin versant à l'aide de réseaux de Neurones, Corse, Acte de Conférence
Francaise ESRI 1999.
CHUA, L.O. and YANG, L. (1988). Cellular Neural Networks Theory: Applications, IEEE
Transaction on Circuits and Systems, vol. 35, no. 10, pp. 1273-1290.
COULIBALY, P., ANCTIL, F., BOBÉE and , BERNARD (1999). Prévision hydrologique
par réseaux de neurones artificiels : état de l'art, Revue canadienne de génie civil, vol. 26, no.
3, pp. 293-304.
89
COULOIGNER, I. and ZHANG, Q. (2007). Iterative and Localized Radon Transform for
Road Centerline Detection from Classifi ed Imagery, in M. Kamel et A. Campilho (Eds.)
ICIAR , LNCS 4633, Springer-Verlag Berlin, pp. 1093–1104.
DESJARDINS, R., IRIS, S., ROY, D.W., LEMIEUX, G.H. and TOUTIN, T. (2000).
Efficacité des données de RADARSAT 1 dans la reconnaissance des linéaments: un bilan.,
Canadian journal of remote sensing ISSN 0703 Congrès Final ADRO Symposium, Montréal,
CANADA, vol. 26, no. 6, pp. 537-548.
DUBOIS, J. (1999). Identification des linéaments des images satellitaires par ajustement et
suivi des segments, Mémoire de maitrise, école de technologie supérieuren Montréal, Canada,
123 p.
FERNANDES F., and OLIVEIRA O., (2008). Real-time line detection through an improved
Hough transform voting scheme., Pattern Recognition, vol. 41, pp. 299-314.
FREEK , D.V.D.F., HARALD , M.A., WERFF, V.D., BAKKER, W.H., MARLEEN , F.,
NOOMEN, MEI, M.V.D. and BOUDEWIJN DE SMETH, T.W. (2012). Multi- and
hyperspectral geologic remote sensing: A review, International Journal of Applied Earth
Observation and Geoinformation., vol. 14, pp. 112-128.
GHULAM, A., RAMA, A., KUSKY, T.M. and AMER (2010). Mineral Exploration and
alteration zone mapping in the eastern desert of egypt using ASTER data, Annual Conference,
San Diego, California, 10 p.
90
HOBBS, (1904) Lineaments of the Atlantic Border Region, Society of America Bulletin, vol.
22, pp. 123-176.
HOSNI, G. (2000). Utilisation des réseaux de neurones pour la cartographie des milieux
humides à partir d'une série d'images temporelles d'images RADARSAT 1., Thèse de Ph.D.
Université du Québec, Canada, p. 213
JERBI , J. (2006). Evaluation des options et gestion des risques financiers par les réseaux de
neurones et par les modèles à volatilité stochastique, Thèse de Doctorat de l'Université
Panthéon-Sorbonne - Paris I, 156 p.
KARNIELI, A., MEISELS, A., FISHER, L. and ARKIN, Y. (1996). Automatic extraction
and evaluation of geological linear features from digital remote sensing data using a Hough
transform., Photogrammetric Engineering et Remote Sensing, vol. 5, no. 62, pp. 525-531.
KOUAMÉ, K.F. (1999). Hydrogéologie des régions de Montagne : apports des données de
télédétection et des méthodes statistique et fractale à l’élaboration d’un système d’information
hydrogéologique à référence spatiale des aquifères discontinus du secteur Man-Danané, Thèse
de Doctorat, Université de Cocody, Abidjan, 215 p..
KOUAMÉ K., ADJA M. , G., SALEY , M.B. and JOURDA, J.P.R. (2013). Réalisation d’une
image pseudo-panchromatique RSO de Radarsat-1 pour la cartographie lithostructurale du
socle précambrien dans la région de Korhogo (Nord de la Côte d’Ivoire), International Journal
of Innovation and Applied Studies ISSN 2028-9324 pp 1-20.
KOUAMÉ, K.F., LASM , T., SALEY , M.B., TONYÉ , E. and M. (2009) ' Extraction
linéamentaire par morphologie mathématique sur une image RSO de RADARSAT-1 :
application au socle Archéen de la Côte d’Ivoire', Journées d’Animation Scientifique (JAS09)
de l’AUF Alger.
91
LEPAGE, R., ROUHANA, G.R., ST ONGE, B., NOUMIER, R. and DESJARDINS, R.
(2000). Cellular Neural Network for Automated Detection of Geological Lineaments on
Radarsat Images, IEEE transactions on geoscience and remote sensing, vol. 38, no. 3, pp.
1224-1233.
MALATERREY, P.O. ( 2003). Le controle automatique des canaux d’irrigation : etat de l’art
et perspectives, Colloque Automatique et Agronomie, Janvier , pp. 52-71.
MARIEB, HELEN, HOEN and KATJA (2010). Anatomie et physiologie humaines., ERPI
éditions, 442 p..
MEJDANI, S., EGLI, R. and DUBEAU, F. (2008). Old and new straight-line detectors,
description and comparison, Pattern Recognition, vol. 41, pp. 1845-1866.
MIRTA , G. (1997). Apprentissage et généralisation par des réseaux de neurones : étude des
nouveaux algorithmes constructifs, Thèse de doctorat de l'Institut national polytechnique de
Grenoble, Fance, 147 p..
MOORE, (1986) ' Digital Processing of Landsat-TM Image for Lineament Occurrence and
Spatial Frequency in Sedimentary Rock ', U.S, Departement of Interior, Geological Survey
Report DOE/OR21552-1, EROS Data Center 23 p.
O’LEARY, , FRIEMAN, and POHN, (1976). Lineament, Linear and Lineation : Some
Proposed New Standards for Old Terms., Geological Society of America Bulletin, vol. 87, pp.
1463-1469.
OTCHOUMOU , K.F., SALEY , M.B., AKÉ , G.E. and SAVANÉ , I. (2012). Apport de la
télédétection et des SIG dans l'identification des ressources en eau souterraines dans la région
de Daoukro (Centre-Est de la Côte D’Ivoire)., International Journal of Innovation and Applied
Studies (ISSN) , vol. 1, no. 1, pp. 35-53.
OUATTARA , G., KOFFI , G.B. and YAO , A.K. (2012). Contribution des images satellitales
Landsat 7 ETM+ à la cartographie lithostructurale du Centre-Est de la Côte d’Ivoire (Afrique
de l’Ouest). , International Journal of Innovation and Applied Studies (ISSN) , vol. 1, no. 1,
pp. 61-75.
92
PENN, B.S., GORDON, A.J., WENDLAND, R.F. (1993). Using Neural Networks to locate
edges and lineaar features in satellite images, Computer and geosciences, vol. 19, no. 10, pp.
1545-1565.
RAWASHDEH, S.A., SALEH , B., HAMZAH, M. and MUNFER (2010). The use of Remote
Sensing Technology in geological Investigation and mineral Detection in El Azraq-Jordan,
Cybergeo : European Journal of Geography [En ligne], Systèmes, Modélisation,
Géostatistiques., vol. 358, pp. 1-15.
ROUHANA, R. (1998). Détection des linéaments dans les images satellitaires par les réseaux
de neurones cellulaires, Mémoire de Maitrise, Ecole de technologie supérieure, Montréal,
Canada, 96 p..
SOROKOBY, M.V., SALEY, M.B., KOUAMÉ , K.F., DJAGOUA , E.V. and BIÉMI, J.
(2010). Utilisation des images Landsat ETM+ et du SIRS pour la cartographie linéamentaire
et thématique de Soubre-Meagui (sud-ouest de la côte d’ivoire): contribution à la gestion des
ressources en eau souterraine , Revue Télédétection, vol. 9, no. 3-4, pp. 209-223.
93
TONYE , E., AKONO, A., NDI, N.A. and A. (1999). Le traitement par exemple des images
de télédétection., Université de Yaoundé 1. Ecole National Polytechnique de Yaoundé.
Laboratoire d’électronique et de traitement du signal, 250 p.
WADE, S., NDOYE, A., MBAYE, M. and WADE (2001). Fusion d’images optique et radar :
application à la cartographie du massif granitique de Bambadji (Falémé, Sénégal oriental),
Télédétection, vol. 2, no. 2, pp. 119-127.
WILLIAMS, R. and HERRUP, K. (2001). The Control of Neuron Number., The Annual
Review of Neuroscience, vol. 11, pp. 423–453.
YOUAN TA, M., LASM , T., JOURDA, J.P.R. and KOUAMÉ , K.F. (2008). Cartographie
structurale par imagerie satellitaire ETM+ de Landsat-7 et analyse des réseaux de fractures du
socle précambrien de la région de Bondoukou (Nord-Est de la Côte d’Ivoire), Revue
Télédétection, vol. 21, no. 1, pp. 43-71.
ZÉADE, Z., DELOR, C., SIMEON, Y., YAO, B.D., VIDAL, M., SONN,
SONNENDRUCKER, P. and DIABI, I. (1995). Notice explicative de la carte Géologique de
la Côte d’Ivoire à 1/200 000, Feuille Bondoukou., Mémoire de la Direction des Mines et de la
Géologie de la Côte d’ivoire, n°10 Abidjan, Côte d’Ivoire.
94
ANNEXES
la fonction de transfert f, limite en général l’amplitude de la sortie Si avec Si = f(Ai). Elle peut
avoir différentes formes en fonction de la relation entre l’entrée et la sortie du signal :
95
connexions entre différents neurones, détermine la typologie du réseau (voir annexe 2). On
distinguera : les réseaux multicouches, les réseaux récurrents ou dynamiques et les réseaux
cellulaires.
96
- Les réseaux de neurones cellulaires : ce sont les réseaux dans lesquels, les
neurones sont entièrement connectés dans un plan. Chaque neurone est relié à tous
les neurones qui l’entourent. Une connexion entre deux neurones peut être
bidirectionnelle.
Cette annexe essentiellement aux personnes intéressées à faire une extension de la méthode
directionnelle de réseaux de neurones.
-Les images d’entrées sont : le module du gradient de l’image
d’entrée, la composante selon x de ce module et sa composante
selon y. Ce module a été calculé à partir des filtres de Sobel
et gradient de taille 7x7
- Il est question d’obtenir d’autres images de gradient calculé
par la méthode directionnelle de RNC. Donc les sorties du
réseau seront aussi les résultats de la transformation de ces
images.
Définition des paramètres du réseau
- Les images d’entrée :
G : le module du gradient de l’image I à l’instant t
Gx : la composante selon x du module G à l’instant t
Gy : la composante selon y du module G à l’instant t
- Rt : le rayon de voisinage circulaire à l’instant t de
l’itération
- Ri : la rayon initial du voisinage circulaire
- W : la constante de poids de connexion entre les cellules
voisines
- Ws : le poids d’inhibition des cellules
97
- Lamda : la constante de vitesse de convergence
- Dt :le pas temporel
- W*dt : la constante de calibrage des poids de connexion
multiplié par le pas temporel
- Ws*Rt*dt : l’effet inhibition en fonction de la constante ws,du
rayon de voisinage à l’instant t et du pas temporel.
- Les images de sortie sont :
E : le module de gradient à l’instant t+1
Ex : la composante selon x du module à l’instant t+1
Ey : la composante selon y du module à l’instant t+1
Ce programme s’est fait en trois parties :
- Le calcul des sorties intermédiaires
- Le calcul de ces sorties selon x et selon y
- Le calcul des poids de connexion
98
% initialisation du rayon d’entrée par défaut Ri
R=str2double(get(handles.R,'String')); % cette fonction permet de
modifier plusieurs fois le rayon de voisinage en saisissant la
valeur souhaitée
%création des noyaux
N11=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N12=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N13=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N14=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N21=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N22=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N23=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N24=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
Global x y k Rt ;
Global D R ;
Global N1, N2, N3, N4, N5, N6, N7, N8 ;
%partie entière du rayon d’entrée
R=Ri ;
%Rayon d’entrée
Rt=Ri ;
%initialisation des pointeurs pour balayer les noyaux de
convolutions
N1=N11 ;
N2=N12 ;
N3=N13 ;
N4=N14 ;
N5=N21 ;
N6=N22 ;
N7=N23 ;
N8=N24 ;
%initialisation
K=0 ;
for y =-R :1 :R
for x=-R :1 :R
% Le cube de la distance euclidienne du pixel (x,y) au centre du
noyau(0,0)
D= (x*x + y*y)*(x*x+y*y);
%mettre à zero les elements des noyaux de distance superieure au
rayon ou des centres des %noyaux(0,0).
if (D=0
D>(Rt^4)
N1[k]=0 ;
N2[k]=0 ;
N3[k]=0 ;
N4[k]=0 ;
N5[k]=0 ;
N6[k]=0 ;
N7[k]=0 ;
99
N8[k]=0 ;
end
else
% calcul des noyaux de convolution
N1[k] = ((y*y*y*y)/D);
N2[k] = (-x*y*y*y)/D;
N3[k]= (x*x*y*y)/D;
N4[k] = (-x*x*x*y)/D;
N5[k]= (-x*y*y*y)/D;
N6[k]= (x*x*y*y)/D;
N7[k]= (-x*x*x*y)/D;
N8[k]= ((x*x*x*x)/D);
end
k=k+1 ;
return ;
end
end
%mettre les valeurs résultantes dans un mini tableau afin de voir
leur variation au cours des %itérations
Tb=zeros(3,3);
Tb(1,1)=(get(handles.N1));
Tb(1,2)=(get(handles.N2));
Tb(1,3)=(get(handles.N3));
Tb(2,1)=(get(handles.N4));
Tb(2,2)=(get(handles.N5);
Tb(2,3)=(get(handles.N6));
Tb(3,1)=(get(handles.N7));
Tb(3,2)=(get(handles.N8));
Tb(3,3)=0;
%définition des autres paramètres du réseau
I=str2double(get(handles.I,'String')); %constante de seuil à
l’entrée du réseau
w=str2double(get(handles.w,'String')); %constante des poids de
connexion
ws=str2double(get(handles.ws,'String')); %constante des poids
d’inhibition
lamda=str2double(get(handles.lamda,'String')); %paramètre de
décroissance de Ri
t= str2double(get(handles.temps,'String')); %temps des itérations
dt= str2double(get(handles.dt,'String')); % pas temporel
%définition de la matrice A de prétraitements des images d’entrée
Ta=zeros(3,3);
Ta(1,1)=str2double(get(handles.a1,'String'));
Ta(1,2)=str2double(get(handles.a2,'String'));
Ta(1,3)=str2double(get(handles.a3,'String'));
Ta(2,1)=str2double(get(handles.a4,'String'));
Ta(2,2)=str2double(get(handles.a5,'String'));
Ta(2,3)=str2double(get(handles.a6,'String'));
100
Ta(3,1)=str2double(get(handles.a7,'String'));
Ta(3,2)=str2double(get(handles.a8,'String'));
Ta(3,3)=str2double(get(handles.a9,'String'));
%définition de la fonction de transfert
function y = pwlsig(x) % fonction sigmoide
function y = f(x) %fonction linéaire
y = abs(x+1)/2 - abs(x-1)/2; % fonction sigmoide
y=abs(x) ; %fonction linéaire
101
Annexe 4 : Calcul de l’OIF (« Optimum Index Factor ») pour le choix des meilleures
compositions colorées
102
L’OIF est calculé par l’équation (24) suivante :
Les combinaisons qui ont l’OIF le plus élevé est susceptible de fournir le maximum
d’informations puisqu’elle utilise les données ayant le moins de redondances. Une d’elles a
été retenue pour mettre en exergue les grands ensembles lithologiques aussi bien avec l’image
Landsat ETM+ (composition colorée 451) qu’avec l’image hybride (composition colorée
457).
103