X
Figure V.1: Etude comparative entre les différentes méthodes de classification et algorithmes
de Machine Learning peu profond en utilisant des images multirésolution-multicapteurs 75
Figure V.2: Indicateur de trait de côte pour les plages sableuses- ...................................... 77
Figure V.3: Indicateur botanique de trait de côte pour les falaises rocheuses ................... 78
Figure V.4: Illustration des types de levé DGPS…………………………………………..79
Figure V.5: Levés de terrain des indicateurs de trait de côte effectués le long de différents
types de milieux ................................................................................................................. 80
Figure V.6 : Prétraitement de l’image a) Image brute, b) Application du filtre Meanshift
smoothing ............................................................................................................................ 82
Figure V.7: Méthodologie de traitement des images Sentinel-2 ......................................... 83
Figure V.8: Exemple de la nomenclature des classes pour la classification supervisée et la
détection du trait de cote ..................................................................................................... 85
Figure V.9: Représentation des points échantillons (en rouge) d’apprentissage et de
validation. ............................................................................................................................ 86
Figure V.10: Diagramme des étapes de la classification supervisée orientée pixel ........... 87
Figure V.11: Diagramme des étapes de la classification orientée objet .............................. 87
Figure V.12: Segmentation de l’image a) Image brute, b) création des objet/segments de
l’image ................................................................................................................................. 88
Figure V.13: Processus de segmentation de l’image et de sélection des objets échantillon
d’apprentissage pour Object Based Image Anlaysis (OBIA) .............................................. 90
Figure V.14: Extraction et lissage du trait de côte .............................................................. 97
Figure V.15: Méthodologie de traitement d'image par CNN-OBIA ................................... 93
Figure V.16: Présentation du modèle développé d’une combinaison du CNN -OBIA ...... 96
Figure V.17: Calcul des distances (Net Shoreline Movement-NSM) entre le trait de côte
extrait et le levé de terrain. .................................................................................................. 98
Figure VI.1: Approche méthodlogique générale de l'évaluation du risque d'érosion……..101
Figure VI.2: Indicateur de trait de côte des plages sablonneuses préconisé pour le suivi
spatio-temporel de l'évolution du rivage ........................................................................... 103
Figure VI.3: Indicateur de trait de côte des côtes rocheuses préconisé pour le suivi spatiotemporel de l'évolution du rivage ; a) Photo aérienne, b) Photo prise sur terrain...............104
Figure VI.4: Investigation sur terrain (mesure in-situ) pour le suivi de l'indicateur du trait de
côte. ................................................................................................................................... 106
Figure VI.5: Ensemble de photos aériennes (mosaïque) géoréférencé…………………..107
Figure VI.6: Paramétrage du DSAS (Digital Shoreline Analysis System)………………109
Figure VII.1: Traitement de donnée pour l'évaluation de la Vulnérabilité côtière……….113
Figure VII.2: Nomenclature des classes pour la détection des types d’occupation du sol 114
Figure VII.3: Facies geomorphologique au niveau de la zone d'etude resultant d'une analyse
de l’image Pleaides ............................................................................................................ 117
Figure VIII.1: Résultats de la classification pixel par les algorithmes 1) RF et 2) SVM . 125
Figure VIII.2: Résultas de la classification orientée objet par 1) RF-Meanshift, 2) RF- Multirésolution pour les images Sentinel-2................................................................................130
Figure V.1: Etude comparative entre les différentes méthodes de classification et algorithmes
de Machine Learning peu profond en utilisant des images multirésolution-multicapteurs 75
Figure V.2: Indicateur de trait de côte pour les plages sableuses- ...................................... 77
Figure V.3: Indicateur botanique de trait de côte pour les falaises rocheuses ................... 78
Figure V.4: Illustration des types de levé DGPS…………………………………………..79
Figure V.5: Levés de terrain des indicateurs de trait de côte effectués le long de différents
types de milieux ................................................................................................................. 80
Figure V.6 : Prétraitement de l’image a) Image brute, b) Application du filtre Meanshift
smoothing ............................................................................................................................ 82
Figure V.7: Méthodologie de traitement des images Sentinel-2 ......................................... 83
Figure V.8: Exemple de la nomenclature des classes pour la classification supervisée et la
détection du trait de cote ..................................................................................................... 85
Figure V.9: Représentation des points échantillons (en rouge) d’apprentissage et de
validation. ............................................................................................................................ 86
Figure V.10: Diagramme des étapes de la classification supervisée orientée pixel ........... 87
Figure V.11: Diagramme des étapes de la classification orientée objet .............................. 87
Figure V.12: Segmentation de l’image a) Image brute, b) création des objet/segments de
l’image ................................................................................................................................. 88
Figure V.13: Processus de segmentation de l’image et de sélection des objets échantillon
d’apprentissage pour Object Based Image Anlaysis (OBIA) .............................................. 90
Figure V.14: Extraction et lissage du trait de côte .............................................................. 97
Figure V.15: Méthodologie de traitement d'image par CNN-OBIA ................................... 93
Figure V.16: Présentation du modèle développé d’une combinaison du CNN -OBIA ...... 96
Figure V.17: Calcul des distances (Net Shoreline Movement-NSM) entre le trait de côte
extrait et le levé de terrain. .................................................................................................. 98
Figure VI.1: Approche méthodlogique générale de l'évaluation du risque d'érosion……..101
Figure VI.2: Indicateur de trait de côte des plages sablonneuses préconisé pour le suivi
spatio-temporel de l'évolution du rivage ........................................................................... 103
Figure VI.3: Indicateur de trait de côte des côtes rocheuses préconisé pour le suivi spatiotemporel de l'évolution du rivage ; a) Photo aérienne, b) Photo prise sur terrain...............104
Figure VI.4: Investigation sur terrain (mesure in-situ) pour le suivi de l'indicateur du trait de
côte. ................................................................................................................................... 106
Figure VI.5: Ensemble de photos aériennes (mosaïque) géoréférencé…………………..107
Figure VI.6: Paramétrage du DSAS (Digital Shoreline Analysis System)………………109
Figure VII.1: Traitement de donnée pour l'évaluation de la Vulnérabilité côtière……….113
Figure VII.2: Nomenclature des classes pour la détection des types d’occupation du sol 114
Figure VII.3: Facies geomorphologique au niveau de la zone d'etude resultant d'une analyse
de l’image Pleaides ............................................................................................................ 117
Figure VIII.1: Résultats de la classification pixel par les algorithmes 1) RF et 2) SVM . 125
Figure VIII.2: Résultas de la classification orientée objet par 1) RF-Meanshift, 2) RF- Multirésolution pour les images Sentinel-2................................................................................130