Package de Traitement Orthophotographique

Contexte et Objectifs

Objectif Principal

L'idée de ce package est de traiter les données orthophotographiques de l'IGN sur des zones montagneuses pour en extraire des masques de rocaille destinés à être utilisés sur les données LiDAR pour évaluer la végétation. Ce but n'est pas le seul : à partir des informations des orthos, on peut réaliser de nombreuses analyses.

Masques Générés

Le package génère potentiellement deux masques essentiels :

Masque de Rocaille : Identification des surfaces minérales et sols nus
Masque d'Ombre : Nécessaire car en milieu montagneux, lors des acquisitions aériennes (couramment en juillet), les ombres portées rendent impossible la différenciation entre un caillou et un arbre dans une zone ombragée

Approche Technique

L'idée était de rassembler les 4 bandes (Rouge, Vert, Bleu, NIR) dans un seul fichier pour réaliser facilement des calculs d'indicateurs.

Important : Les données orthophotographiques sont normalisées pour la visualisation, donc les valeurs ne sont pas liées à la physique du signal et de la cible considérée. Ainsi, les indicateurs construits ne sont pas fidèlement représentatifs de la valeur attendue (comme par exemple pour le NDVI) mais restent de bons proxys pour distinguer des zones.

Perspectives d'Évolution

Calibration Radiométrique : Faire un matching entre les données ortho et des données satellitaires (type Sentinel-2) pour calibrer correctement les données en termes physiques
Classification Fine : Utiliser les données 4 bandes ou les transformations d'indicateurs pour faire de la classification fine (on peut descendre à 0.5m de résolution)
Validation et Apprentissage : Pour faire les choses bien, il faudrait valider ou éventuellement apprendre à partir de bases de données sur certaines zones quels sont les seuils optimaux dans quelles représentations pour détecter la rocaille, afin d'affiner l'existant à une résolution très fine

Caractéristiques des Données Orthophotographiques

Spécifications Techniques

Les données orthophotographiques traitées par ce package ont les caractéristiques suivantes :

Résolution spatiale native : 50 cm
Bandes spectrales : RVB (Rouge-Vert-Bleu) + IRC (Infrarouge-Rouge-Vert)
Format de distribution : Archives 7z multi-parties (standard IGN)
Projection : EPSG:2154 (Lambert 93)

Données par Département

Haute-Savoie (74)

Période d'acquisition : 22 août 2023 au 10 septembre 2023
Volume compressé : 41 GB (archives 7z pour RVB et NIR)
Fichiers décompressés : 476 fichiers
Volume après downsampling à 2m : 7.6 GB

Savoie (73)

Période d'acquisition : 11 août 2024 au 30 août 2024
Volume compressé : 55 GB (archives 7z pour RVB et NIR)
Fichiers décompressés : 614 fichiers
Volume après downsampling à 2m : 10.6 GB

Isère (38)

Période d'acquisition : 30 juillet 2024 au 11 août 2024
Fichiers décompressés : 766 fichiers
Volume après downsampling à 2m : 13.8 GB

Implications Techniques

Taille des données originales : La résolution native de 50 cm génère des volumes de données très importants. Le downsampling à 2m permet de réduire significativement l'empreinte disque tout en conservant une résolution suffisante pour l'analyse de végétation et la détection de rocaille.

Périodes d'acquisition estivales : Les acquisitions en juillet-août-septembre correspondent aux conditions optimales de végétation en milieu montagneux, mais génèrent également les problématiques d'ombres portées nécessitant un masque spécifique.

Présentation

Ce package Python permet le traitement automatisé et interactif des données orthophotographiques, du téléchargement au calcul d'indices de végétation et à la génération de cartes thématiques. Il est conçu pour traiter de gros volumes de données de manière optimisée et modulaire.

Architecture du Package

Structure Modulaire

Le package ortho_processor est organisé en six modules spécialisés :

ortho_processor/
├── __init__.py              # Point d'entrée du package
├── config.py               # Configuration et profils prédéfinis
├── downloader.py            # Gestion du téléchargement des données
├── converter.py             # Conversion JP2→TIFF et fusion des bandes  
├── vegetation_indices.py    # Calcul optimisé des indices de végétation
├── thresholding.py          # Seuillage et cartes thématiques
└── main_processor.py        # Orchestrateur principal du workflow

Flux de Traitement

Le workflow s'organise en séquences logiques :

Configuration utilisateur → Saisie des paramètres de traitement
Téléchargement de données → Récupération des archives orthophotographiques
Extraction et conversion → JP2 vers TIFF avec rééchantillonnage
Fusion des bandes → Création d'images RGBNIR
Calcul d'indices → 7 indices de végétation optimisés
Analyse thématique → Seuillage interactif et cartographie
Génération de rapports → Synthèse statistique et résultats

Installation et Configuration

Dépendances Système

Le package nécessite GDAL comme dépendance système critique :

# Ubuntu/Debian
sudo apt-get install gdal-bin python3-gdal libgdal-dev

# Vérification de 7z pour l'extraction d'archives
sudo apt-get install p7zip-full

# Alternative avec conda (recommandé)
conda install -c conda-forge gdal rasterio fiona

Dépendances Python

pip install rasterio fiona numpy tqdm joblib shapely

Variables d'Environnement

Configuration nécessaire pour GDAL :

export GDAL_DATA=/usr/share/gdal
export PROJ_LIB=/usr/share/proj

Configuration et Paramétrage

Fichiers de Configuration Externe

Fichier URLs (urls_ortho.txt)

Format structuré pour définir les sources de téléchargement :

# Commentaires commençant par #
D{numero_departement}
{BANDE}
{URL1}
{URL2}
...

# Exemple :
D038
RVB
https://data.geopf.fr/telechargement/download/BDORTHO/BDORTHO_2-0_RVB-0M20_JP2-E080_LAMB93_D038_2024-01-01/BDORTHO_2-0_RVB-0M20_JP2-E080_LAMB93_D038_2024-01-01.7z.001
https://data.geopf.fr/telechargement/download/BDORTHO/BDORTHO_2-0_RVB-0M20_JP2-E080_LAMB93_D038_2024-01-01/BDORTHO_2-0_RVB-0M20_JP2-E080_LAMB93_D038_2024-01-01.7z.002

IRC
https://data.geopf.fr/telechargement/download/BDORTHO/BDORTHO_2-0_IRC-0M20_JP2-E080_LAMB93_D038_2024-01-01/BDORTHO_2-0_IRC-0M20_JP2-E080_LAMB93_D038_2024-01-01.7z.001

Règles de formatage :

Les départements suivent le format D{XXX} avec zéro initial (D038, D073, D074)
Les bandes acceptées sont RVB (Rouge-Vert-Bleu) et IRC (Infrarouge-Rouge-Vert)
Une URL par ligne, sans espaces ni caractères spéciaux
Les commentaires commencent par # et sont ignorés

Profils de Seuillage Prédéfinis

Le fichier config.py contient des profils prêts à utiliser :

Profils Disponibles

DEFAULT_THRESHOLDS = {
    "foret_dense": {
        "description": "Forêt dense (couverture végétale importante)",
        "conditions": [
            {"index": "NDVI", "operator": ">", "threshold": 0.6},
            {"index": "SAVI", "operator": ">", "threshold": 0.4},
        ],
    },
    "vegetation_clairsemee": {
        "description": "Végétation clairsemée (prairies, cultures)",
        "conditions": [
            {"index": "NDVI", "operator": ">", "threshold": 0.2},
            {"index": "NDVI", "operator": "<=", "threshold": 0.6},
            {"index": "EVI", "operator": ">", "threshold": 0.1},
        ],
    },
    "zone_ombre": {
        "description": "Zones d'ombre (sous couvert forestier)",
        "conditions": [
            {"index": "SAVI", "operator": ">", "threshold": 0.3},
            {"index": "RATIO", "operator": "<", "threshold": 0.8},
            {"index": "BI_NIR", "operator": "<", "threshold": 0.4},
        ],
    },
    "zone_rocailleuse": {
        "description": "Zones rocailleuses et sol nu",
        "conditions": [
            {"index": "BSI", "operator": ">", "threshold": 0.1},
            {"index": "NDVI", "operator": "<", "threshold": 0.2},
        ],
    }
}

Valeurs Recommandées par Indice

RECOMMENDED_RANGES = {
    "NDVI": {
        "min": -1.0, "max": 1.0,
        "vegetation_min": 0.2, "vegetation_high": 0.8,
        "water_max": 0.0, "soil_max": 0.2,
    },
    "SAVI": {
        "min": -1.5, "max": 1.5,
        "vegetation_min": 0.2, "vegetation_high": 0.6,
        "soil_max": 0.1,
    },
    "BSI": {
        "min": -1.0, "max": 1.0,
        "bare_soil_min": 0.1, "vegetation_max": -0.1,
    }
}

Étape 1 : Configuration du Workflow

Paramètres Utilisateur

Le workflow interactif demande :

Départements à traiter : Format XX,YY,ZZ (ex: 74,73,38)
Résolution cible : En mètres (0.5 à 10.0m, recommandé : 2.0m)
Fichier URLs : Chemin vers le fichier de configuration des téléchargements
Shapefile de découpage : Optionnel, pour limiter la zone d'étude
Nombre de processus parallèles : Selon les capacités CPU (1 à 8)

Justification des Choix de Configuration

Résolution cible : La résolution de 2.0m représente un bon compromis entre précision spatiale et volume de données. Les résolutions plus fines (0.5m) génèrent des fichiers très volumineux, tandis que les résolutions plus grossières (>5m) perdent en précision pour l'analyse de végétation.

Parallélisation : Le nombre de processus est limité par la mémoire disponible. Chaque processus traite un bloc de données indépendamment, ce qui permet une accélération linéaire jusqu'à saturation des ressources système.

Étape 2 : Téléchargement des Données

Module downloader.py

Fonctionnalités

Téléchargement avec reprise : Les téléchargements interrompus reprennent automatiquement
Gestion des archives multi-parties : Extraction automatique des fichiers .7z.001, .7z.002, etc.
Validation des téléchargements : Vérification de la taille des fichiers
Organisation automatique : Structure de dossiers par département et bande

Format des Archives

Les données orthophotographiques françaises sont distribuées par l'IGN sous forme d'archives 7-Zip multi-parties, ce qui est le standard IGN car il y a beaucoup de fichiers JP2 compressés :

Fichiers .7z.001, .7z.002, ... jusqu'à .7z.XXX
L'extraction nécessite l'outil système 7z
Le processus d'extraction est automatisé et détecte le premier fichier (.001)

Structure de Données Créée

base_dir/raw_data/
├── 038/                    # Département Isère
│   ├── RVB/               # Bande Rouge-Vert-Bleu
│   │   ├── *.jp2         # Fichiers JPEG2000 extraits
│   │   └── *.7z.001      # Archives téléchargées
│   └── IRC/               # Bande Infrarouge-Rouge-Vert
│       ├── *.jp2
│       └── *.7z.001
├── 073/                   # Département Savoie
└── 074/                   # Département Haute-Savoie

Gestion des Erreurs de Téléchargement

Timeout : 30 secondes par requête
Retry automatique : 3 tentatives par fichier
Validation de taille : Comparaison avec les headers HTTP
Logging détaillé : Suivi des erreurs et succès

Étape 3 : Conversion et Fusion

Module converter.py

Conversion JP2 vers TIFF

Justification du choix : Il est plus simple de manipuler les fichiers TIFF fusionnés que les JP2. Les fichiers JPEG2000 (.jp2) sont compressés et tuilés, mais décompresser le résultat est très volumineux. Avec une résolution initiale de 50cm, il faut soit assez de place sur disque, soit nécessairement downsampler les résultats pour être stockés et manipulés. La conversion permet :

Manipulation plus directe des données fusionnées
Meilleure compatibilité avec les outils de traitement
Possibilité d'optimisation avec compression LZW
Gestion plus efficace des opérations sur les données multi-bandes

Rééchantillonnage

Utilise l'algorithme de rééchantillonnage bilinéaire pour ajuster la résolution spatiale :

Méthode : Resampling.bilinear de GDAL
Préservation : Conservation du système de coordonnées et de l'étendue géographique
Optimisation : Traitement par blocs pour économiser la mémoire

Fusion des Bandes IRC et RVB

Le processus crée des images RGBNIR (4 bandes) :

Lecture des métadonnées : CRS, transformation géospatiale, nodata
Vérification de cohérence : Même emprise, résolution, projection
Fusion pixel par pixel :
- Bande 1 (Rouge) : NIR de IRC
- Bande 2 (Rouge) : Rouge de RVB
- Bande 3 (Vert) : Vert de RVB
- Bande 4 (Bleu) : Bleu de RVB

Gestion des Types de Données

Entrée : uint16 (0-65535) pour préserver la précision radiométrique originale
Normalisation : Conversion en float32 (0.0-1.0) pour les calculs d'indices
Masquage : Gestion des valeurs nodata et aberrantes

Configuration des Fichiers de Sortie

profile = {
    'driver': 'GTiff',
    'dtype': 'uint16',      # Préservation de la précision
    'nodata': 0,
    'width': width,
    'height': height,
    'count': 4,             # RGBNIR
    'crs': 'EPSG:2154',    # Lambert 93 (France)
    'transform': transform,
    'compress': 'lzw',      # Compression sans perte
    'BIGTIFF': 'YES'       # Support des fichiers > 4GB
}

Convention de Nommage

ORTHO_RGBNIR_{resolution}m_EPSG{crs}_D{dept}.tif

Exemple : ORTHO_RGBNIR_2.0m_EPSG2154_D074.tif

Étape 4 : Calcul des Indices de Végétation

Module vegetation_indices.py

Indices Calculés

Le package calcule 7 indices de végétation spécialisés :

Indice	Nom Complet	Formule	Plage	Usage Principal
NDVI	Normalized Difference Vegetation Index	`(NIR - Red) / (NIR + Red)`	[-1, 1]	Détection générale de végétation
SAVI	Soil Adjusted Vegetation Index	`(1 + L) × (NIR - Red) / (NIR + Red + L)`	[-1.5, 1.5]	Végétation avec correction sol (L=0.5)
EVI	Enhanced Vegetation Index	`G × (NIR - Red) / (NIR + C1×Red - C2×Blue + L)`	[-1, 1]	Végétation dense, moins saturé
AVI	Advanced Vegetation Index	`[NIR × (1-Red) × (NIR-Red)]^(1/3)`	[-2, 2]	Végétation avec racine cubique
BI_NIR	Brightness Index with NIR	`(Red + Green + Blue + NIR) / 4`	[0, 1]	Indice de brillance générale
RATIO	NIR/RGB Ratio	`NIR / (Red + Green + Blue)`	[0, ∞]	Ratio simple NIR sur visible
BSI	Bare Soil Index	`((Red+Green)+(NIR+Blue)) / ((Red+Green)-(NIR+Blue))`	[-∞, ∞]	Détection des sols nus

Justification du Choix des Indices

Les indicateurs ont été sélectionnés ou adaptés à partir de la base de données d'indices disponible sur Index Database, avec un accent sur ceux qui reflètent une sensibilité à la végétation ou à la rocaille. Diverses sources ont ainsi été utilisées et les formules ont dû être adaptées dans le cas où les bandes variaient légèrement, toujours dans l'optique d'avoir un premier proxy pour la distinction des zones rocailleuses.

Sélection spécifique :

NDVI et SAVI : Indices de référence pour la végétation, SAVI corrige l'influence du sol visible
EVI : Moins saturé que NDVI pour les forêts denses, intègre la correction atmosphérique
BSI : Spécialisé dans la détection des sols nus et surfaces minérales (objectif rocaille)
BI_NIR et RATIO : Indices complémentaires pour détecter zones sombres et brillantes (gestion des ombres)
AVI : Formulation avancée avec racine cubique, sensible aux faibles niveaux de végétation

Note importante : Étant donné la normalisation des données orthophotographiques pour la visualisation, ces indices servent de proxys relatifs plutôt que de mesures physiques absolues.

Traitement Optimisé par Blocs

Taille de bloc : 2048×2048 pixels (16 MB par bande en uint16)

Justification de cette taille : Pour gérer les fichiers en minimisant l'empreinte mémoire, une solution a été de gérer les données par blocs. Le choix de 2048 pixels est empirique. Une taille de 4096 pixels fonctionne aussi, mais le choix dépend de la configuration du PC et de la mémoire disponible :

Compromis optimal entre performance et mémoire pour la plupart des configurations
Compatible avec les configurations standard (8-16 GB RAM)
Permet la parallélisation sans surcharge excessive
Ajustable selon les ressources disponibles

Gestion des Valeurs Spéciales

# Division par zéro
mask = denominator != 0
result = np.where(mask, numerator/denominator, 0)

# Racines négatives (pour AVI)
mask = expression >= 0
result = np.where(mask, np.cbrt(expression), 0)

# Valeurs aberrantes
mask = (data > 0) & (data < 65535)
result = np.where(mask, data, np.nan)

Statistiques Calculées

Pour chaque indice :

Statistiques de base : min, max, moyenne, écart-type
Percentiles : 1%, 5%, 25%, 75%, 95%, 99%
Histogrammes : Distribution des valeurs
Masques de qualité : Zones valides/invalides

Fichiers de Sortie

vegetation_indices/
├── NDVI.tif                           # Indice NDVI (float32)
├── SAVI.tif                           # Indice SAVI (float32)  
├── EVI.tif                            # Indice EVI (float32)
├── AVI.tif                            # Indice AVI (float32)
├── BI_NIR.tif                         # Indice BI_NIR (float32)
├── RATIO.tif                          # Indice RATIO (float32)
├── BSI.tif                            # Indice BSI (float32)
└── vegetation_indices_composite.tif    # Composite 7 bandes

Considérations sur les Données Orthophotographiques

Normalisation des Données : Les données orthophotographiques de l'IGN sont normalisées pour la visualisation. Par conséquent :

Les valeurs ne sont pas directement liées à la physique du signal et de la cible considérée
Les indicateurs construits ne sont pas fidèlement représentatifs des valeurs physiques attendues (comme le NDVI classique)
Ils restent néanmoins de bons proxys pour distinguer les différents types de zones
L'interprétation doit se faire en termes relatifs plutôt qu'absolus

Contexte Montagnard : En milieu montagneux, les ombres portées (acquisitions couramment en juillet) créent des zones où il est impossible de différencier un élément minéral d'un élément végétal, d'où la nécessité du masque d'ombre en complément du masque de rocaille.

Étape 5 : Analyse Thématique et Seuillage

Module thresholding.py

Principe du Seuillage Multi-Condition

Chaque zone thématique est définie par plusieurs conditions combinées avec un ET logique :

conditions = [
    {"index": "NDVI", "operator": ">", "threshold": 0.4},
    {"index": "SAVI", "operator": ">", "threshold": 0.3}
]

Opérateurs de Comparaison

> : Supérieur strict
< : Inférieur strict
>= : Supérieur ou égal
<= : Inférieur ou égal

Workflow Interactif de Seuillage

Affichage des statistiques : Min, max, percentiles pour chaque indice
Suggestions de seuils : Valeurs recommandées basées sur la littérature
Saisie utilisateur : Définition interactive des conditions
Prévisualisation : Calcul du nombre de pixels correspondants
Validation : Confirmation avant génération des cartes

Zones Thématiques Standard

Zone d'Ombre (Végétation Dense)

Conditions suggérées :
- SAVI > 0.3 (végétation significative)
- RATIO < 0.8 (zone sombre)
- BI_NIR < 0.4 (faible brillance)

Zone Rocailleuse (Sol Nu)

Conditions suggérées :
- BSI > 0.1 (sol visible)
- NDVI < 0.2 (peu de végétation)
- BI_NIR > 0.3 (surface claire)

Format de Sortie des Cartes

Les cartes thématiques sont des rasters binaires :

Type : uint8
Valeur 255 : Zone détectée (conditions satisfaites)
Valeur 0 : Zone non détectée
NoData : Zones masquées dans les données originales

thematic_maps/
├── shadow_zone_map.tif              # Carte des zones d'ombre
├── rocky_zone_map.tif               # Carte des zones rocailleuses  
├── custom_zone_1_map.tif            # Zones personnalisées
└── thematic_analysis_report.txt     # Rapport de synthèse

Étape 6 : Génération de Rapports

Rapport de Synthèse

Le fichier thematic_analysis_report.txt contient :

Statistiques par Zone

=== ZONE D'OMBRE ===
Conditions appliquées:
  1. SAVI > 0.3
  2. RATIO < 0.8

Résultats:
- Pixels détectés: 1,245,678
- Pourcentage total: 23.4%
- Surface (hectares): 12,456.78
- Surface (m²): 124,567,800

Statistiques Globales

=== STATISTIQUES GLOBALES ===
- Pixels analysés: 5,324,167
- Pixels valides: 5,301,982 (99.6%)
- Pixels masqués: 22,185 (0.4%)
- Surface totale: 530.20 km²

Configuration Avancée

Optimisations Mémoire

Paramètres de Performance

# Taille des blocs (mémoire vs performance)
BLOCK_SIZE = 2048  # Pixels, ajustable selon RAM disponible

# Nombre de processus parallèles  
N_JOBS = min(4, cpu_count())  # Maximum 4 pour éviter la saturation

# Type de compression
COMPRESS = "lzw"  # Bon compromis taille/vitesse

Surveillance des Ressources

# Mémoire et CPU
htop

# I/O disque
iotop

# Espace disque
df -h

Gestion des Types de Données

Optimisation de l'utilisation mémoire selon les étapes :

Téléchargement : Streaming avec buffers de 8KB
Conversion : uint16 → float32 temporaire → uint16/float32 final
Indices : Calculs en float32 pour la précision
Cartes : uint8 pour les masques binaires

Support BigTIFF

Activation automatique pour les fichiers > 4GB :

profile['BIGTIFF'] = 'YES'

Utilisation

Lancement Standard

python -m ortho_processor.main_processor

Utilisation Programmatique

from ortho_processor import OrthoProcessor

# Initialisation
processor = OrthoProcessor(base_dir="/path/to/workspace")

# Workflow complet
processor.run_interactive_workflow()

# Utilisation modulaire
downloader = processor.downloader
files = downloader.download_department_data("074", urls_file="urls.txt")

Tests et Validation

Test Complet avec Données Synthétiques

python test_demo.py

Ce script :

Génère des images RGBNIR synthétiques
Calcule tous les indices de végétation
Applique des seuils prédéfinis
Génère un rapport de test

Tests Unitaires

python -m pytest tests/

Structure des Données de Sortie

Organisation Complète

workspace/
├── raw_data/                          # Données brutes téléchargées
│   ├── 038/
│   │   ├── RVB/*.jp2                 # Fichiers Rouge-Vert-Bleu
│   │   └── IRC/*.jp2                 # Fichiers Infrarouge-Rouge-Vert
│   ├── 073/
│   └── 074/
├── processed/                         # Données converties et fusionnées
│   ├── ORTHO_RGBNIR_2.0m_EPSG2154_D038.tif
│   ├── ORTHO_RGBNIR_2.0m_EPSG2154_D073.tif  
│   └── ORTHO_RGBNIR_2.0m_EPSG2154_D074.tif
├── vegetation_indices/                # Indices calculés
│   ├── NDVI.tif                      # Normalized Difference Vegetation Index
│   ├── SAVI.tif                      # Soil Adjusted Vegetation Index
│   ├── EVI.tif                       # Enhanced Vegetation Index
│   ├── AVI.tif                       # Advanced Vegetation Index  
│   ├── BI_NIR.tif                    # Brightness Index with NIR
│   ├── RATIO.tif                     # NIR/RGB Ratio
│   ├── BSI.tif                       # Bare Soil Index
│   └── vegetation_indices_composite.tif  # Composite 7 bandes
└── thematic_maps/                    # Cartes thématiques
    ├── shadow_zone_map.tif           # Zones d'ombre (255/0)
    ├── rocky_zone_map.tif            # Zones rocailleuses (255/0)
    ├── forest_zone_map.tif           # Zones forestières (255/0)
    └── thematic_analysis_report.txt   # Rapport détaillé

Métadonnées des Fichiers

Tous les fichiers raster conservent :

CRS : EPSG:2154 (Lambert 93)
Résolution : Selon paramétrage utilisateur
Étendue : Union des empires des fichiers sources
NoData : Masquage cohérent des zones invalides

Résolution de Problèmes

Erreurs Courantes

GDAL non installé

ImportError: No module named 'osgeo'

Solution : Installer GDAL avec conda install -c conda-forge gdal

Mémoire insuffisante

MemoryError: Unable to allocate array

Solution : Réduire BLOCK_SIZE de 2048 à 1024 pixels

Archives corrompues

7z: Archive corrupted

Solution : Retélécharger les fichiers .7z concernés

CRS incompatibles

ValueError: CRS incompatibles entre raster et shapefile

Solution : Reprojeter le shapefile en EPSG:2154

Optimisations de Performance

Stockage

SSD recommandé : Amélioration des I/O de 3-5x
Espace disque : Prévoir 2-3x la taille des données brutes
Réseau : Bande passante stable pour les téléchargements

Système

RAM minimum : 16 GB (32/64 GB recommandés)
CPU : Multicore recommandé pour la parallélisation

Extensions et Personnalisations

Ajout d'Indices Personnalisés

Modification du module vegetation_indices.py :

def _compute_indices_block(self, nir, red, green, blue):
    indices = {}
    
    # Indices existants...
    
    # Nouvel indice personnalisé
    my_index = (nir * 2) / (red + green + 0.1)  # Éviter division par zéro
    indices["MY_INDEX"] = my_index
    
    return indices

Nouveaux Profils de Seuillage

Ajout dans config.py :

DEFAULT_THRESHOLDS["ma_zone_personnalisee"] = {
    "description": "Description de ma zone",
    "conditions": [
        {"index": "MY_INDEX", "operator": ">", "threshold": 1.5},
        {"index": "NDVI", "operator": ">", "threshold": 0.1},
    ],
}

Support d'Autres Projections

Le package est actuellement optimisé pour le Lambert 93 (EPSG:2154) dans le cadre spécifique du traitement des orthophotos françaises et de leur formalisme. Il est toujours possible de convertir les résultats dans d'autres systèmes de projection :

# Remplacer EPSG:2154 par votre projection
target_crs = "EPSG:32632"  # UTM 32N par exemple

Notes Techniques

Formats Supportés

Entrée : JP2 (JPEG2000), TIFF, archives 7z multi-parties
Sortie : GeoTIFF avec compression LZW
Shapefile : Tous formats supportés par Fiona
Projections : Toutes projections GDAL, optimisé pour EPSG:2154

Limites Testées

Résolution : 0.2m à 10m
Taille fichier : Jusqu'à 100 GB par département
Départements : Testé sur 1 à 10 départements simultanés
Durée : 2-48h selon volume et configuration matérielle

Compatibilité

Python : 3.8+
GDAL : 3.0+
Système : Linux (testé), Windows et macOS (partiellement testés)

Maintenance

Nettoyage Automatique

import shutil
# Suppression des fichiers temporaires
shutil.rmtree(work_dir)

Mise à Jour des Dépendances

pip list --outdated
pip install --upgrade rasterio fiona numpy tqdm joblib

Monitoring

Logs : Fichiers de log générés automatiquement
Progression : Barres de progression avec tqdm
Erreurs : Capture et logging détaillé des exceptions

Licence et Contributions

Le code est libre pour usage scientifique et éducatif. Le package est modulaire et chaque composant peut être utilisé indépendamment selon les besoins spécifiques de traitement géospatial.

Name		Name	Last commit message	Last commit date
__pycache__		__pycache__
ortho_processor		ortho_processor
.gitignore		.gitignore
README.md		README.md
examples.py		examples.py
install.sh		install.sh
requirements.txt		requirements.txt
run_ortho_processor.py		run_ortho_processor.py
test_demo.py		test_demo.py
urls_ortho_extracted.txt		urls_ortho_extracted.txt

Latest commit

History

Folders and files

Repository files navigation

Package de Traitement Orthophotographique

Contexte et Objectifs

Objectif Principal

Masques Générés

Approche Technique

Perspectives d'Évolution

Caractéristiques des Données Orthophotographiques

Spécifications Techniques

Données par Département

Haute-Savoie (74)

Savoie (73)

Isère (38)

Implications Techniques

Présentation

Architecture du Package

Structure Modulaire

Flux de Traitement

Installation et Configuration

Dépendances Système

Dépendances Python

Variables d'Environnement

Configuration et Paramétrage

Fichiers de Configuration Externe

Fichier URLs (urls_ortho.txt)

Profils de Seuillage Prédéfinis

Profils Disponibles

Valeurs Recommandées par Indice

Étape 1 : Configuration du Workflow

Paramètres Utilisateur

Justification des Choix de Configuration

Étape 2 : Téléchargement des Données

Module downloader.py

Fonctionnalités

Format des Archives

Structure de Données Créée

Gestion des Erreurs de Téléchargement

Étape 3 : Conversion et Fusion

Module converter.py

Conversion JP2 vers TIFF

Rééchantillonnage

Fusion des Bandes IRC et RVB

Gestion des Types de Données

Configuration des Fichiers de Sortie

Convention de Nommage

Étape 4 : Calcul des Indices de Végétation

Module vegetation_indices.py

Indices Calculés

Justification du Choix des Indices

Traitement Optimisé par Blocs

Gestion des Valeurs Spéciales

Statistiques Calculées

Fichiers de Sortie

Considérations sur les Données Orthophotographiques

Étape 5 : Analyse Thématique et Seuillage

Module thresholding.py

Principe du Seuillage Multi-Condition

Opérateurs de Comparaison

Workflow Interactif de Seuillage

Zones Thématiques Standard

Format de Sortie des Cartes

Étape 6 : Génération de Rapports

Rapport de Synthèse

Statistiques par Zone

Statistiques Globales

Configuration Avancée

Optimisations Mémoire

Paramètres de Performance

Surveillance des Ressources

Gestion des Types de Données

Support BigTIFF

Utilisation

Lancement Standard

Utilisation Programmatique

Tests et Validation

Test Complet avec Données Synthétiques

Tests Unitaires