107
Partie II : Matériels et méthodes
Chapitre VI : Caractérisation de l’aléa
VI.3.2 Méthodes indirectes par des outils de levés mis à distance
Les positions des indicateurs du trait de côte ont été détectées à l’aide des outils mis à
distance (méthodes indirectes). Ainsi, des images Pléiades de THR ont été traitées pour
acquérir la position du trait de côte par une approche Machine Learning. Cette dernière est le
cœur de ce travail de recherche. Par ailleurs, pour les anciennes positions du trait de côte
(historiques) des photographies aériennes disponibles au laboratoire de l’ENSSMAL et
fournies par l’Institut National de la Cartographie et de la Télédétection (INCT) ont été
utilisées. Cependant, ces photos ne couvrent pas toute la zone étudiée raison pour laquelle des
images Landsat ont été utilisées couvrant les mêmes périodes.
VI.3.2.1 Images satellitaires
La position du trait de côte la plus récente (l’année 2019) a été détectée via un traitement
des images Pléiades. Plusieurs applications des méthodes et algorithmes de classification ont
été réalisées afin d’extraire les différents types d’indicateurs de trait de côte relatifs à chaque
type de milieu étudié. L’application la plus pertinente a été retenue pour l’étude spatiotemporelle de caractérisation du risque de l’érosion. Il s’agit de l’approche combinée du modèle
CNN-OBIA.
VI.3.2.2 Photographie aérienne
La photographie aérienne est une source de données pertinente pour l’extraction des
positions du trait de côte de tous types de milieux. Ainsi, les anciennes positions du trait de
côte de la zone étudiée ont été extraites à partir des photos aériennes disponibles de deux années
1959 et 1991 (tableau VI.3), (archive de l’INCT), et comparées avec celle de l’année 2019
(Pléiades).
Tableau VI.3 : Source de données pour l'extraction du trait de côte
L’année
Source de données
1959
photographie aérienne à 1/25000
1991
photographie aérienne à 1/10000
2019
Image satellitaire mages Pléiades (0.5m)
Partie II : Matériels et méthodes
Chapitre VI : Caractérisation de l’aléa
VI.3.2 Méthodes indirectes par des outils de levés mis à distance
Les positions des indicateurs du trait de côte ont été détectées à l’aide des outils mis à
distance (méthodes indirectes). Ainsi, des images Pléiades de THR ont été traitées pour
acquérir la position du trait de côte par une approche Machine Learning. Cette dernière est le
cœur de ce travail de recherche. Par ailleurs, pour les anciennes positions du trait de côte
(historiques) des photographies aériennes disponibles au laboratoire de l’ENSSMAL et
fournies par l’Institut National de la Cartographie et de la Télédétection (INCT) ont été
utilisées. Cependant, ces photos ne couvrent pas toute la zone étudiée raison pour laquelle des
images Landsat ont été utilisées couvrant les mêmes périodes.
VI.3.2.1 Images satellitaires
La position du trait de côte la plus récente (l’année 2019) a été détectée via un traitement
des images Pléiades. Plusieurs applications des méthodes et algorithmes de classification ont
été réalisées afin d’extraire les différents types d’indicateurs de trait de côte relatifs à chaque
type de milieu étudié. L’application la plus pertinente a été retenue pour l’étude spatiotemporelle de caractérisation du risque de l’érosion. Il s’agit de l’approche combinée du modèle
CNN-OBIA.
VI.3.2.2 Photographie aérienne
La photographie aérienne est une source de données pertinente pour l’extraction des
positions du trait de côte de tous types de milieux. Ainsi, les anciennes positions du trait de
côte de la zone étudiée ont été extraites à partir des photos aériennes disponibles de deux années
1959 et 1991 (tableau VI.3), (archive de l’INCT), et comparées avec celle de l’année 2019
(Pléiades).
Tableau VI.3 : Source de données pour l'extraction du trait de côte
L’année
Source de données
1959
photographie aérienne à 1/25000
1991
photographie aérienne à 1/10000
2019
Image satellitaire mages Pléiades (0.5m)