Présentations des résultats
Partie III
Chapitre VIII :
124
VIII.2.1.2 Classification des images par les algorithmes de Machine Learning
Étant donnée la quantité des résultats issus de chaque application (huit méthodes) sur trois
types d’images satellitaires (Pléiades, Sentinel, Alsat), dans ce qui suit, nous exposerons en
détail les résultats des applications effectuées sur les images Pléiades et Sentinel-2. Ce choix
s’est fait en raison de l’emprise spatiale des scènes Pléiades obtenues et la disponibilité en libre
droit des images Sentinel- 2, mais surtout de la pertinence des résultats,
Les figures VIII.1 et VIII.2 montrent les résultats de la classification de PBIA et OBIA,
respectivement, en utilisant les algorithmes RF et SVM. Il est à noter qu'aucun post-traitement
après la classification finale n'a été effectué afin de minimiser les opérations manuelles et
promouvoir un plus haut degré d'automatisation.
VIII.2.1.3 Analyse et classification d’image orientée pixels (PBIA)
D'un point de vue général, les algorithmes RF_Pix et SVM_Pix ont produit une image avec
un aspect de taches "sel et poivre" ; toutefois, la classification issue du SVM-Pix semble
contenir moins de taches (figure VIII.1). De plus, l'inspection visuelle des deux cartes
thématiques a révélé des différences dans la quantité de sable humide classé en tant qu'eau ou
couverture végétale. Le long du trait de côte et les lits de l’Oued, l'inspection visuelle n'a pas
révélé de différences significatives entre la classification SVM et RF.
Une zone test (Zone A) dans la zone d'étude (figure VIII.1) a été choisie pour l'estimation
de la limite et de la précision de la méthode. Cette zone (A) a été représentée par le RF comme
une couverture végétale entrecoupée de petits canaux de cours d'eau, indiquant la présence
d'une classe d'eau, alors qu'elle a été représentée par l'algorithme SVM comme étant
principalement dominée par la couverture végétale et entrecoupée de sable humide (classe de
sable humide), avec la présence d'une petite zone humide (classe d'eau). Sur la base d'une image
satellite à très haute résolution spatiale, l'observation visuelle a montré que cette zone était
principalement couverte de végétation et entrecoupée de sols humides exposés et d'une petite
zone humide, ce qui a été bien représenté par l'algorithme SVM. En conséquence, l'algorithme
SVM-Pix semble présenter moins d'ambiguïtés dans les classifications et moins d'erreurs pour
la classe des sols humides, qui est une classe fondamentale et est considérée comme un
indicateur pour la détection des traits de côte pour les plages sablonneuses.
Partie III
Chapitre VIII :
124
VIII.2.1.2 Classification des images par les algorithmes de Machine Learning
Étant donnée la quantité des résultats issus de chaque application (huit méthodes) sur trois
types d’images satellitaires (Pléiades, Sentinel, Alsat), dans ce qui suit, nous exposerons en
détail les résultats des applications effectuées sur les images Pléiades et Sentinel-2. Ce choix
s’est fait en raison de l’emprise spatiale des scènes Pléiades obtenues et la disponibilité en libre
droit des images Sentinel- 2, mais surtout de la pertinence des résultats,
Les figures VIII.1 et VIII.2 montrent les résultats de la classification de PBIA et OBIA,
respectivement, en utilisant les algorithmes RF et SVM. Il est à noter qu'aucun post-traitement
après la classification finale n'a été effectué afin de minimiser les opérations manuelles et
promouvoir un plus haut degré d'automatisation.
VIII.2.1.3 Analyse et classification d’image orientée pixels (PBIA)
D'un point de vue général, les algorithmes RF_Pix et SVM_Pix ont produit une image avec
un aspect de taches "sel et poivre" ; toutefois, la classification issue du SVM-Pix semble
contenir moins de taches (figure VIII.1). De plus, l'inspection visuelle des deux cartes
thématiques a révélé des différences dans la quantité de sable humide classé en tant qu'eau ou
couverture végétale. Le long du trait de côte et les lits de l’Oued, l'inspection visuelle n'a pas
révélé de différences significatives entre la classification SVM et RF.
Une zone test (Zone A) dans la zone d'étude (figure VIII.1) a été choisie pour l'estimation
de la limite et de la précision de la méthode. Cette zone (A) a été représentée par le RF comme
une couverture végétale entrecoupée de petits canaux de cours d'eau, indiquant la présence
d'une classe d'eau, alors qu'elle a été représentée par l'algorithme SVM comme étant
principalement dominée par la couverture végétale et entrecoupée de sable humide (classe de
sable humide), avec la présence d'une petite zone humide (classe d'eau). Sur la base d'une image
satellite à très haute résolution spatiale, l'observation visuelle a montré que cette zone était
principalement couverte de végétation et entrecoupée de sols humides exposés et d'une petite
zone humide, ce qui a été bien représenté par l'algorithme SVM. En conséquence, l'algorithme
SVM-Pix semble présenter moins d'ambiguïtés dans les classifications et moins d'erreurs pour
la classe des sols humides, qui est une classe fondamentale et est considérée comme un
indicateur pour la détection des traits de côte pour les plages sablonneuses.