Cartographier les espèces végétales d'un ancien site industriel à l'aide d'informations spectrales et temporelles

International audienceIndustrial activities induce various impacts on ecosystems that influence species richness and distribution. An effective way to assess the resulting impacts on biodiversity lies in vegetation mapping. Species classification achieved through supervised machine learning algorithms at the pixel level has shown promising results using hyperspectral images and multispectral, multitemporal images. This study aims to determine whether airborne hyperspectral images with a high spatial resolution or phenological information obtained by spaceborne multispectral time series (Sentinel-2) are suitable to discriminate species and assess biodiversity in a complex impacted context. The industrial heritage of the study site has indeed induced high spatial heterogeneity in terms of stressors and species over a reduced scale. First, vegetation indices, derivative spectra, continuum removed spectra, and components provided by three feature extraction techniques, namely, Principal Component Analysis, Minimal Noise Fraction, and Independent Component Analysis, were calculated from reflectance spectra. These features were then analyzed through Sequential Floating Feature Selection. Supervised classification was finally performed using various machine learning algorithms (Random Forest, Support Vector Machines, and Regularized Logistic Regression) considering a probability-based rejection approach. Biodiversity metrics were derived from resulted maps and analyzed considering the impacts. Average Overall Accuracy (AOA) reached up to 94% using the hyperspectral image and Regularized Logistic Regression algorithm, whereas the time series of multispectral images never exceeded 72% AOA. From all tested spectral transformations, only vegetation indices applied to the time series of multispectral images increased the performance. The results obtained with the hyperspectral image degraded to the specifications of Sentinel-2 emphasize the importance of fine spatial and spectral resolutions to achieve accurate mapping in this complex context. While no significant difference was found between impacted and reference sites through biodiversity metrics, vegetation mapping highlighted some differences in species distribution.Les activités industrielles induisent divers impacts sur les écosystèmes qui influencent la richesse et la distribution des espèces. Un moyen efficace d'évaluer les impacts qui en résultent sur la biodiversité réside dans la cartographie de la végétation. La classification des espèces obtenue grâce à des algorithmes d'apprentissage automatique supervisé au niveau du pixel a donné des résultats prometteurs en utilisant des images hyperspectrales et des images multispectrales et multitemporelles. Dans la lignée des travaux antérieurs, cette étude vise à déterminer si les informations hyperspectrales aéroportées à haute résolution spatiale ou phénologiques obtenues par séries temporelles multispectrales spatiales (Sentinel-2) sont adaptées pour discriminer les espèces et évaluer la biodiversité dans un contexte impacté complexe. Cette complexité réside dans le site étudié : une forte hétérogénéité spatiale se retrouve en termes de stresseurs et d'espèces sur une échelle réduite. Premièrement, les indices de végétation, les spectres dérivés, les spectres supprimés du continuum et les composants fournis par trois techniques d'extraction de caractéristiques, à savoir l'analyse en composants principaux, la fraction de bruit minimale et l'analyse en composants indépendants, sont calculés à partir des spectres de réflectance. Ces caractéristiques sont ensuite analysées via la sélection séquentielle des caractéristiques flottantes. La classification supervisée est finalement effectuée à l'aide de divers algorithmes d'apprentissage automatique (Random Forest, Support Vector Machines, Regularized Logistic Regression) en considérant une approche de rejet basée sur la probabilité. Les mesures de la biodiversité sont dérivées des cartes résultantes et analysées en tenant compte des impacts. La précision globale moyenne (AOA) a atteint jusqu'à 94 % en utilisant l'image hyperspectrale et l'algorithme de régression logistique régularisée, tandis que la série chronologique d'images multispectrales ne dépasse jamais 72 % d'AOA. De toutes les transformations spectrales testées, seuls les indices de végétation appliqués sur les séries temporelles d'images multispectrales augmentent les performances. La dégradation de l'image hyperspectrale aux spécifications de Sen-tinel-2 souligne l'importance des résolutions spatiales et spectrales fines pour réaliser une cartographie précise dans ce contexte complexe. Bien qu'aucune différence significative ne soit trouvée entre les sites impactés et les sites de référence grâce aux mesures de la biodiversité, la cartographie de la végétation met en évidence certaines différences dans la répartition des espèces