VI
V.2.1.2 Acquisition et prétraitement des images Alsat
84
V.3 Echantillonnage
85
V.3.1 Le choix de la nomenclature des classes
85
V.3.2 Création des échantillons
86
V.4 Traitement des données multi-spectrales par le Machine Learning
87
V.4.1 Analyse d’Image Orientée Pixel (Pixel Based Image Analysis- PBIA)
87
V.4.2 Analyse d’Image Orientée Objet (Object Based Image Analysis -OBIA) 87
V.4.2.1 Segmentation
88
V.4.2.1 Extraction des statistiques
90
V.4.3 Entrainement des algorithmes de Machine Learning et classification
90
V.4.3.1 Random Forest (RF)
91
V.4.3.2 Support Vector Machine (SVM)
91
V.4.4 Post-traitement
92
V.5 Traitement des données multi spectrales par le Deep Learning
93
V.5.1 Création du modèle CNN
93
V.5.2 Création du modèle combiné CNN-OBIA
94
V.5.2.1 Segmentation et classification
95
V.5.3 Post-traitement
96
V.6 Évaluation de la précision des algorithmes
97
V.6.1 Estimation de l’intervalle de confiance
98
V.6.2 Calcul de la pente intertidale et du run-up
99
Chapitre VI: Caractérisation de l’aléa de l’érosion côtière
101
Introduction : Démarche méthodologique
101
VI.1 Analyse du type de milieu
102
VI.2 Identification des indicateurs du trait de côte
103
VI.3 Méthode de détection
104
VI.3.1 Méthodes directes par des outils de levés mis en œuvre in-situ
105
VI.3.2 Méthodes indirectes par des outils de levés mis à distance
107