Présentations des résultats
Partie III
Chapitre VIII :
122
VIII.2 Extraction automatique du trait de côte
La performance des méthodes de Machine Learning (RF et SVM) et des approches de
classification d’images en utilisant des données multi-spectrales de HR (Sentinel-2) et de THR
(Pléiades et Alsat) a été évaluée en matière d’extraction automatique de traits de côte. Les
résultats de chaque algorithme de Machine Learning exécuté via les approches PBIA et OBIA
ont été comparés. Les résultats ont été évalués en fonction de leur pertinence pour la
reconnaissance des classes de couverture terrestre, de la précision de la détection des traits de
côte et de la performance de l'extraction automatique.
Dans les sections ci-dessous, les résultats de l'ajustement/détermination des valeurs des
paramètres relatives à chaque algorithme de Machine Learning sont d'abord présentés. Ensuite,
sur la base d'une inspection visuelle, une évaluation qualitative de la reconnaissance de la
couverture terrestre est présentée dans la section de cartographie. Enfin, la précision et la
détection des traits de côte sont présentées avec l'évaluation quantitative et statistique de leurs
performances.
VIII.2.1 Approche de Machine Learning
VIII.2.1.1 Ajustement des paramètres de l'algorithme de Machine Learning
Les principaux paramètres de l'algorithme RF et SVM ont été optimisés par un processus
de validation croisée en fonction de l’indice de précision globale (OA) le plus élevé. Parmi les
valeurs de Mtry testées, les valeurs de 25 et 60 (tableau VIII.1) ont été sélectionnées pour
RF_Pix et RF_Obj, qui ont obtenu un OA de 87,4 % et 93 %, respectivement.
Pour le SVM_Pix et le SVM_Obj, la valeur du paramètre γ du noyau a été maintenue à
0,09 et 0,005, respectivement.
De plus, parmi les valeurs du paramètre C examinées, les valeurs de 9 et 2 ont été
sélectionnées pour le SVM-Pix et le SVM_Obj (tableau VIII.1), obtenant une OA de 92,4 %
et 90 %, respectivement. Les valeurs optimisées des paramètres ont ensuite été utilisées pour
entraîner les algorithmes RF et SVM, créer le modèle de classification et produire les cartes
thématiques.
Partie III
Chapitre VIII :
122
VIII.2 Extraction automatique du trait de côte
La performance des méthodes de Machine Learning (RF et SVM) et des approches de
classification d’images en utilisant des données multi-spectrales de HR (Sentinel-2) et de THR
(Pléiades et Alsat) a été évaluée en matière d’extraction automatique de traits de côte. Les
résultats de chaque algorithme de Machine Learning exécuté via les approches PBIA et OBIA
ont été comparés. Les résultats ont été évalués en fonction de leur pertinence pour la
reconnaissance des classes de couverture terrestre, de la précision de la détection des traits de
côte et de la performance de l'extraction automatique.
Dans les sections ci-dessous, les résultats de l'ajustement/détermination des valeurs des
paramètres relatives à chaque algorithme de Machine Learning sont d'abord présentés. Ensuite,
sur la base d'une inspection visuelle, une évaluation qualitative de la reconnaissance de la
couverture terrestre est présentée dans la section de cartographie. Enfin, la précision et la
détection des traits de côte sont présentées avec l'évaluation quantitative et statistique de leurs
performances.
VIII.2.1 Approche de Machine Learning
VIII.2.1.1 Ajustement des paramètres de l'algorithme de Machine Learning
Les principaux paramètres de l'algorithme RF et SVM ont été optimisés par un processus
de validation croisée en fonction de l’indice de précision globale (OA) le plus élevé. Parmi les
valeurs de Mtry testées, les valeurs de 25 et 60 (tableau VIII.1) ont été sélectionnées pour
RF_Pix et RF_Obj, qui ont obtenu un OA de 87,4 % et 93 %, respectivement.
Pour le SVM_Pix et le SVM_Obj, la valeur du paramètre γ du noyau a été maintenue à
0,09 et 0,005, respectivement.
De plus, parmi les valeurs du paramètre C examinées, les valeurs de 9 et 2 ont été
sélectionnées pour le SVM-Pix et le SVM_Obj (tableau VIII.1), obtenant une OA de 92,4 %
et 90 %, respectivement. Les valeurs optimisées des paramètres ont ensuite été utilisées pour
entraîner les algorithmes RF et SVM, créer le modèle de classification et produire les cartes
thématiques.