Présentations des résultats
Partie III
Chapitre VIII :
129
b. Classification basée sur les objets
Les résultats des algorithmes de Machine Learning, RF et SVM, en utilisant le MSS et le
MRS sont présentés dans la figure VIII.2 pour les images Pléiades.
L'une des observations les plus importantes est que les cartes de classification produites
par les algorithmes MSS et MRS présentent des différences prononcées. Ainsi, l'utilisation de
différents algorithmes Machine Learning avec le même type de segmentation a donné des
résultats différents.
Comme pour la PBIA, la principale différence entre les cartes de classification utilisant
l'OBIA était la quantité relative des classes de sable humide et de végétation. En nous basant
sur l'inspection visuelle d'une image à très haute résolution spatiale, on a remarqué que les deux
cartes de classification produites à l'aide du MSS présentaient plusieurs erreurs, notamment la
classification erronée de la couverture de sable humide en sable sec ou en végétation. Cette
erreur de classification est nettement présente dans la zone (A), qui a été utilisée comme zone
de test et de validation.
Sur la base du MSS, la zone (A) a été décrite comme étant principalement couverte de
végétation et de sable sec avec une petite quantité de sable humide en utilisant l'algorithme
SVM (figure VIII.2.b), et avec de plus grandes quantités de sable humide en utilisant
l'algorithme RF, ce dernier reflétant mieux la réalité du terrain. De même, les erreurs de
classification de la couverture de sable humide en sable sec sur les lits de l’Oued et le trait de
côte semblent moins fréquentes avec l'algorithme SVM. Ce fait est crucial pour la détection
des traits de côtes.
Dans l'ensemble, la classification RF et SVM utilisant l'algorithme MRS a montré peu
d'indications d'erreurs lors de la classification des classes de sable humide, ainsi que de sable
sec et de végétation, bien que plusieurs erreurs aient été perceptibles dans la Zone (A).
Contrairement à la classification basée sur le MSS, l'inspection visuelle de la classification
basée sur le MRS a révélé que le RF (figure VIII.2.c) représentait mieux la couverture de sable
humide que le SVM (figure VIII.2.d).
Ceci est particulièrement vrai le long des lits de l’Oued et sur le trait de côte, ce qui est
nécessaire pour la détection du trait de côte de plages sablonneuses et particulièrement la limite
sable sec/humide.
Partie III
Chapitre VIII :
129
b. Classification basée sur les objets
Les résultats des algorithmes de Machine Learning, RF et SVM, en utilisant le MSS et le
MRS sont présentés dans la figure VIII.2 pour les images Pléiades.
L'une des observations les plus importantes est que les cartes de classification produites
par les algorithmes MSS et MRS présentent des différences prononcées. Ainsi, l'utilisation de
différents algorithmes Machine Learning avec le même type de segmentation a donné des
résultats différents.
Comme pour la PBIA, la principale différence entre les cartes de classification utilisant
l'OBIA était la quantité relative des classes de sable humide et de végétation. En nous basant
sur l'inspection visuelle d'une image à très haute résolution spatiale, on a remarqué que les deux
cartes de classification produites à l'aide du MSS présentaient plusieurs erreurs, notamment la
classification erronée de la couverture de sable humide en sable sec ou en végétation. Cette
erreur de classification est nettement présente dans la zone (A), qui a été utilisée comme zone
de test et de validation.
Sur la base du MSS, la zone (A) a été décrite comme étant principalement couverte de
végétation et de sable sec avec une petite quantité de sable humide en utilisant l'algorithme
SVM (figure VIII.2.b), et avec de plus grandes quantités de sable humide en utilisant
l'algorithme RF, ce dernier reflétant mieux la réalité du terrain. De même, les erreurs de
classification de la couverture de sable humide en sable sec sur les lits de l’Oued et le trait de
côte semblent moins fréquentes avec l'algorithme SVM. Ce fait est crucial pour la détection
des traits de côtes.
Dans l'ensemble, la classification RF et SVM utilisant l'algorithme MRS a montré peu
d'indications d'erreurs lors de la classification des classes de sable humide, ainsi que de sable
sec et de végétation, bien que plusieurs erreurs aient été perceptibles dans la Zone (A).
Contrairement à la classification basée sur le MSS, l'inspection visuelle de la classification
basée sur le MRS a révélé que le RF (figure VIII.2.c) représentait mieux la couverture de sable
humide que le SVM (figure VIII.2.d).
Ceci est particulièrement vrai le long des lits de l’Oued et sur le trait de côte, ce qui est
nécessaire pour la détection du trait de côte de plages sablonneuses et particulièrement la limite
sable sec/humide.