République tunisienne

Ministère de l’enseignement supérieur et de la recherche scientifique

Université de TUNIS EL MANAR

Ecole Nationale d’ingénieurs de Tunis

Laboratoire de Modélisation en Hydraulique et Environnement

-Compte Rendu SNAP -

-TP Télédétection-
Traitement d’images SENTINEL 2 de COPERNICUS dans le logiciel SNAP

Elaboré par : NAFKHA Nour el houda

Classe : 2AGHE
Enseignante : Pr. Hédia Chakroun
Année Universitaire:2024/2025
Séance : 18/02/2024

TP # 1 VISUALISATION ET EXPLORATION D’IMAGES

SENTINEL-2 DANS SNAP

Le logiciel SNAP, développé par l’Agence spatiale européenne (ESA), est un outil offrant
des images multispectrales de haute résolution, essentielles pour l'analyse de la surface
terrestre dans diverses disciplines.

Ce travail pratique a pour objectif de découvrir la plateforme SNAP (Sentinel Application

Platform) et d'apprendre à visualiser et explorer les données Sentinel-2.

Programme Copernicus et satellites Sentinel-2 :

Le programme Copernicus de l'Union Européenne (ESA) vise à fournir des données
d'observation de la Terre pour la gestion de l'environnement, la sécurité et la gestion des
crises. Il utilise une série de satellites appelés Sentinel.
Sentinel-2 : Constellation de deux satellites (Sentinel-2A et 2B) conçus pour fournir des
images multispectrales de haute résolution (10 m, 20 m, 60 m). Ils permettent de
surveiller la végétation, l’eau et les sols . Il est principalement utilisé pour : suivi des
cultures et des sols, surveillance de l'état des forêts……

Logiciel SNAP : Présentation et installation :

SNAP (Sentinel Application Platform) :SNAP (Sentinel Application Platform) est un
logiciel développé par l'Agence spatiale européenne (ESA) pour traiter et analyser les
données des satellites Sentinel, notamment Sentinel-1, Sentinel-2, et Sentinel-3. SNAP
est gratuit et open source, ce qui le rend accessible à un large éventail d'utilisateurs
pour des applications variées, comme l'agriculture, la gestion des forêts, la cartographie
des zones urbaines, et plus encore. Il propose une interface graphique (GUI) ainsi que
des outils en ligne de commande pour :

●​ Visualiser les images.

●​ Effectuer des corrections radiométriques et atmosphériques.
●​ Analyser les données multispectrales.
●​ Extraire des informations (indices de végétation, classification des sols, etc.)

Installation :
Téléchargez SNAP depuis le site officiel de l’ESA sur l’ordinateur :
[Link]
Ouvrir le logiciel SNAP :
 Exploration des données Sentinel-2 :
Téléchargement des images données via le dossier :

Chargement des données:

File → Open Product

Affichage de la bande spectrale Proche infra rouge

Cliquer sur B4 2 fois → Affichage
et j'obtiens l’image suivante :

Et donc j’ai du ouvrir chaque Bande seul :

Analyse des bandes spectrales:
Lecture des informations de l’image : Analysis → Information

et affichent le nombre de pixels , sa résolution ….

Nombres de pixels :
View → Tool Windows → Pixel Info

Via le nombre de pixels résolution on peut déduire la surface couvert par les bandes.
Exploration des NG des pixels .
Ci-Joint le tableau suivant qui illustre les caractéristiques des bandes spectrale de
Sentinel-2 :
Explication du Tableau :
-Red Edge 1,2,3 : proche infra-rouge.
-SWIR Circus : Bande infra-rouge courte .
-SWIR 1,2 (moyenne infra-rouge).
-Near Infrared (NIR) : Bande du proche infrarouge.
Affichage de composés couleurs:
En combinant des bandes spectrales d'images satellites multispectrales, on obtient des
images RGB en couleurs naturelles ou fausses couleurs. Les images RGB en couleurs
naturelles utilisent les bandes du spectre visible (rouge, vert, bleu) et reflètent la
perception humaine des couleurs, mais elles sont limitées au domaine visible du spectre.
Pour les satellites Sentinel-2, les bandes B4, B3 et B2 correspondent respectivement aux
couleurs rouge (R), vert (G) et bleu (B) de l'image RGB , Comme suit :
- (canal) R (rouge) de l'image RGB bande 4
-(canal) G (vert) de l'image RGB bande 3
-(canal) B (bleu) de l'image RGB - bande 2
RGB couleurs naturelles :
Clic droit → Open RGB Image Window
et puis j’ai dû entrer chaque bande seul avec son syntaxe spécifique :
Image en Fausses Couleurs : (on inverse juste l’ordre des bandes)

Signatures spectrales :
La visualisation interactive de la signature spectrale se fait par : Optical → Spectrum View
mais j’ai eu un point par clic pas une signature .
Chaque bande a une longueur d'onde et une résolution spécifique ce qui nous permet ,
via les images en fausses couleurs surtout , de distinguer les différentes
composantes(eau , sol , végétation..) de l’image .

La signature spectrale nous permet de distinguer les différentes longueurs d’ondes et

leurs réponses en termes de réflectance suivant les courbes on peut déduire la nature
des diverses composantes .

Affichage des histogrammes et Statistiques des bandes

Analysis –> Histogram

L’histogramme est une représentation graphique de la fréquence d’une valeur de NG.

➔Explorer les statistiques des bandes spectrales: Analysis –> Statistics
-Statistiques : analyse de la distribution des valeurs pour interpréter les caractéristiques
de l'image.

Analyse des statistiques :

Ces statistiques nous donnent le nombre de pixels ainsi que max et le min des valeurs de
ces pixels pour chaque bande ce qui nous permet de calculer la superficie couverte par
la bande .
Tableau à gauche :
Mean (Moyenne) : 0.0488 → Indique la moyenne des valeurs des pixels de l’image.
Minimum & Maximum : Les valeurs extrêmes de l’image varient de 0.007 à 0.841, ce qui
montre une large plage de réflectance.
Standard Deviation (Écart-type) : 0.0363 → Une dispersion faible, indiquant une
homogénéité des valeurs.
Percentiles (5%, 25%, 50%, 75%, 95%) : Ils montrent la distribution des valeurs des pixels,
utile pour identifier les seuils.
Courbes :
-Graphique en bleu : Représente l’histogramme des valeurs des pixels. On observe une
concentration élevée de pixels dans les faibles valeurs (vers 0.05), ce qui suggère une
surface avec une faible réflectance (ex. eau, zones urbaines sombres ou forêts denses).
-Graphique rouge : Correspond à la courbe des percentiles, qui montre comment les
valeurs des pixels sont distribuées dans l’image. La croissance rapide vers la fin indique
qu’une petite portion des pixels a des valeurs élevées.
Interprétations :
-Les faibles valeurs sont associées à des surfaces sombres (eau, végétation dense) et les
valeurs élevées à des surfaces claires (sol nu, constructions).
-L’analyse statistique fournie par SNAP permet d’avoir une vue d’ensemble sur la
distribution des valeurs de réflectance. Cette information est cruciale pour le
prétraitement (calibration, correction) et la classification des images .
Filtrage d’images :
Raster ➔ Filtered band
Le logiciel nous affiche une liste de filtres prédéfinis ( Haut , Bas , Linéaire ,
Non-linéaire,mathématiques ..) , comme aussi on peut entrer un nouveau filtre (
SYSTEM → User ).
Pour les prédéfinies :
Essais de différents filtres :
Filtre passe bas 3*3 :
Filtre passe Haut 3*3 numéro 1 :

→ L'image du passe haut montre plus de détails que celle du passe bas et elle plus claire
mais celle du passe bas met plus de contraste sur les surfaces d’eau .
Histogramme et statistiques :
-Pour le filtre passe bas :

–→Lisse l’image en supprimant les hautes fréquences et suppression des détails fins.

Pour le filtre passe haut :

–>Met en valeur les transitions et les contours dans l’image ainsi qu’il accentue les détails
et améliore la netteté des objets (détecter les frontières entre objets).
→ Le filtre passe haut couvre un intervalle de valeur concentré sur 0.5 et plus réduit que
celui du passe bas. couvrant ainsi le même nombre de pixels .
→Passe Bas pour homogénéiser, Passe-haut pour affiner les détails et les contrastes.
Comparaison des statistiques obtenues par les filtres avec celle de l’image originale :
-L’image originale atteint des valeurs de fréquences plus importantes que celle du filtre
passe bas avec une concentration sur la valeur 0.3 et
→ Dans l’image d’origine : Une large plage de valeurs avec des détails variés(L’écart-type
peut être élevé en raison de la présence de contrastes forts)
→ Dans les images filtrés :
*Écart-Type diminue, car l’image est lissée et homogénéisée) .Les contrastes et les détails
fins disparaissent, mais l’image devient plus homogène(passe bas).
*Écart-Type augmente, car l’image est plus contrasté[Link] détails et les bords sont
accentués.
Histogramme :
-Image originale : Large dispersion.
-Après Passe-Bas: Plus concentré.
-Après Passe-Haut : Plus étalé.

Pour entrer un nouveau filtre :

on peut contrôler la taille de la matrice ainsi que la valeur des composantes : ( ceci
mon exemple)

et l’image suivante s’affiche :

et ci-joint l’histogramme de fréquences :

Ainsi que les statistiques :

→ Ce filtre montre des valeurs plus faibles que celles des filtres (passe haut et passe bas )
mais avec des valeurs de fréquences plus élevées .
Comparaison des statistiques obtenues par ce filtres avec celle de l’image originale :
→ L’image avec ce filtre est plus floue que l’originale ( écart type diminue de 0.066 à 0.054
) donc ce filtre est un filtre passe bas tout en gardant le même nombre de pixels .

Conclusion :
Ce TP démontre l'utilité de SNAP pour exploiter les données Sentinel-2, transformant des
images complexes en informations exploitables via les signatures , nombres de pixels ,
histogrammes de fréquences .
Ainsi qu’il met l’accent sur les corrections possibles à travers les différents filtres
prédéfinis ou on peut aussi entrer des filtres bien spécifiques .
Les fonctionnalités du logiciel facilitent l'analyse des données et la prise de décision dans
des domaines comme l'environnement , l’eau et l'agriculture.
Séance : 04/03/2025

TP # 2 CARTOGRAPHIE DES PLANS D’EAU PAR

L’INDICE NDWI DES IMAGES SENTINEL-2 DANS
SNAP

Le NDWI(Normalized Difference Water Index) est un indice optimisé pour détecter et

surveiller les plans d’eau en utilisant les réflectances du NIR et du SWIR.

Conçu pour identifier l’eau et suivre son évolution, facilitant ainsi la gestion des
ressources hydriques et la surveillance des sécheresses.

Calcul des indices NDWI :

Visualisation des différents indices :

Optical →Thematic Land Processing→ NDWI Processor

 —-> —>
et on aura l’image suivante :

les mêmes étapes pour avoir le NDWI 2 :

et l’image :

et le MNDWI :
Différence entre ces indices :

NDWI (Normalized Difference Water Index) :Cet indice mesure les molécules d’eau
liquide dans les couverts végétaux qui interagissent avec le rayonnement solaire
incident.

NDWI2 (The second Normalized Difference Water Index) : Cet indice a été développé
pour détecter les eaux de surface dans les environnements humides et permettre la
mesure de leur étendue.

MNDWI (Modified Normalized Difference Water Index) : Cet indice a été conçu pour
améliorer la détection des plans d’eau ouverts, tout en supprimant efficacement le bruit
des zones construites ainsi que celui de la végétation et du sol.

Expressions de ces indices : (Help)

 𝐺𝑟𝑒𝑒𝑛 −𝑁𝐼𝑅
𝑁𝐷𝑊𝐼 = 𝐺𝑟𝑒𝑒𝑛+𝑁𝐼𝑅

𝑁𝐼𝑅 −𝑆𝑊𝐼𝑅
𝑁𝐷𝑊𝐼 2 = 𝑁𝐼𝑅+𝑆𝑊𝐼𝑅

𝐺𝑟𝑒𝑒𝑛−𝑆𝑊𝐼𝑅
𝑀𝑁𝐷𝑊𝐼 = 𝐺𝑟𝑒𝑒𝑛+𝑆𝑊𝐼𝑅

Positionnement des bandes sur le graphique de signatures spectrales:

NDWI : Deux bandes à 0.55 µm (Green) et 0.85 µm (NIR).

NDWI2 : Deux bandes à 0.85 µm (NIR) et 1.5 µm (SWIR).

MNDWI : Deux bandes à 0.55 µm (Green) et 1.5 µm (SWIR).

→ Dans tous ces images , on observe que l’eau a un couleur clair (blanc) et brilliant , mais
avec une précision qui dépendent de l’indice .

→ MNDWI est le plus précis en termes de détection des surfaces d’eau car sa formule
contient la plus large ce qui permet de mieux distinguer l’eau de la végétation.

Création de masques des plans d’eau :

On va procéder à créer une bande(masque) qui nous permet de visualiser seulement les
plans d’eau en posant un algorithme qui impose une condition binaire sur les pixels
(pixel de l’eau doit être positif ou nul ).

Bouton Droit → NDWI →Band Maths → entrer l’algorithme

de même pour les 3 indices et on affiche les 3 images obtenues :

Comparaison des 3 images obtenues :

—> L’image de MNDWI montre de détails

de plan d’eau plus de détails(barrage
Lebna) , elle est la plus clair , l’image
NDWI 2 est plus précise que l’image de
NDWI cela revient à la précision au niveau
de l’indice (MNDWI est plus optimisée
pour détecter les sols humides , etc …) .
Détermination des superficies des plans d’eau :

On affiche les statistiques de chaque image avec le masque :

Comparer les superficies issues des plans d’eau issues des 3 masques
→ On voit que les valeurs de tous les masques sont concentrées sur 1 .

alors que l'écart pour la première image est plus grand que les 2 autres pour le même
nombre de pixels ce qui explique la précision des deux dernière image en terme de
plan d’eau par rapport à la 2éme.

Cartographie de l’eau par NDVI:

Et on a l’image :
Pour le NDVI , les valeurs de pixels varient de 0--0.75 ainsi qu’un écart type très grand
qui affecte la précision de l’image .

—> L’image de l’NDVI met en valeur les plans mais n’est pas trop précise car elle n’a
pas affiché le petit barrage au milieu .

—> Elle est plus précise que NDWI et NDWI 2 mais moins précise que MNDWi.

Conclusion :

La détection des plans d’eau se fait de plusieurs manières que ce soit des fonctions
prédéfinies ou des masques et des filtres qu’on définit nous même avec nos propres
conditions et précisions , Ces différentes manières donnent des différentes précisions
pour des différents éléments(eau , végétation..) dont on peut s’en servir plus tard .
Séance: 18/03/2025

TP # 3 CARTOGRAPHIE DES PLANS D’EAU PAR

CLASSIFICATION NON SUPERVISÉE DES IMAGES
SENTINEL-2 DANS SNAP
Dans ce TP, nous analysons la classification non supervisée, une approche
automatique qui permet de regrouper les pixels en plusieurs classes selon leurs
caractéristiques spectrales, basées sur les bandes intégrées dans le processus de
classification.

Exploration de l’algorithme K-means

Principe de l’algorithme k-means :

 et on l’image résultante :

et les informations correspondantes :

→ Ces informations nous permettent de :

1- l’indice de la classe Eau sur l’image : Classe 10 .

2- la superficie de l’eau et comparer là aux valeurs trouvées par NDWI et NDVI:

S=(10m*10m)*2485*301= 74798500 m2= 74798,5km2.

→ Skmeans<Sndvi<Sndwi.
Cartographie des parcelles cultivées par l’algorithme k-means :

1- l’indice des parcelles cultivées : Classe 12.

Cartographie de ces parcelles en utilisant le masque :

➔Calculer la superficie des parcelles cultivées :

S=10*10*2356*592=139475200m2=139475,2km2

Bande en fausse couleur :

Cartographie de l’occupation du sol et la classification avec 6 classes
seulement:
Visuellement : il ya moins de couleur et moins de classe et par conséquant
moins de précision .

Les classes:

—> Ces classes distinguent les plus prépondérants des classes : sol , eau ,
végétation , Zone urbaine ..
En utilisant Band Maths, une carte d’occupation du sol contenant les classes
suivantes :

1- Plan d’eau

2- Cultures

3- Sol nu

4- Zone urbaine

5- Zone forestière
—> Ce masque montre bien les différentes occupations du sol (urbaine )
distinguées par la classification du sol et plus précise que NDVI et NDWI .

Conclusion :

Ce TP a montré l'efficacité de la classification non supervisée des images

Sentinel-2 pour cartographier les plans d'eau, en utilisant le logiciel SNAP. Les
résultats obtenus ont permis d'identifier les zones d'eau, bien que des facteurs
comme la couverture nuageuse ou la végétation aient pu affecter la précision.
Pour améliorer les résultats, l'intégration de données supplémentaires pourrait
être envisagée. En somme, cette méthode est une approche prometteuse pour
la surveillance des plans d'eau à grande échelle.
 Conclusion générale du TP
Au cours de ces travaux pratiques, l’utilisation du logiciel SNAP pour le
traitement des images Sentinel-2 a permis d'explorer diverses techniques
d'analyse d'images satellitaires. Grâce à ses outils puissants et adaptés à la
gestion de données multispectrales, SNAP a facilité l'extraction d'informations
pertinentes sur les surfaces terrestres, y compris la cartographie des plans d'eau,
la détection de la végétation, et l'analyse de la couverture du sol.

Les différentes méthodologies abordées, comme la classification supervisée et

non supervisée, ont démontré l’efficacité de ces outils dans l’identification des
caractéristiques environnementales à partir des données satellitaires. Toutefois,
des défis demeurent, notamment la gestion de la qualité des données et
l'influence de facteurs externes tels que la précision ou la résolution spatiale.

Dans l’ensemble, ces TP ont permis de mieux comprendre les capacités du

logiciel SNAP et des données Sentinel-2, tout en soulignant l’importance de la
précision et de la validation des résultats dans le traitement des images satellites
pour des applications environnementales.