Présentations des résultats
Partie III
Chapitre VIII :
131
VIII.2.1.5 Comparaison entre les analyses basées sur les pixels et les objets
Les résultats de classification ont montré une représentation visuelle raisonnable de la
couverture terrestre. Cependant, en comparant le même algorithme Machine Learning, les
approches PBIA et OBIA ont produit des modèles quelque peu différents. Par exemple, en
utilisant l'algorithme RF-Obj, la prédominance de la couverture de sable humide dans la zone
(A) (figure VIII.1 et VIII.2) était significativement plus élevée qu'en utilisant l'algorithme RFPix.
Bien que les différents algorithmes et approches d'analyse d'images diffèrent légèrement
dans leurs représentations, la classe d'eau était généralement bien définie. La classe de
végétation était également bien représentée par RF-Pix et SVM-Pix et semblait
particulièrement bien représentée par le SVM-Obj basé sur MRS.
De plus, les différences dans la représentation de la classe sable humide étaient très
prononcées entre les approches et les algorithmes. Bien que l’approche pixel utilisant le SVM
ait montré une représentation précise de la classe de sable humide dans la zone (A) (figure
VIII.4) l'approche objet a produit la représentation la plus précise de la classe de sable humide
le long du trait de côte. Considérant le fait que la classe de sable humide le long du trait de côte
soit la classe d'intérêt, l'approche OBIA, utilisant la RF basée sur l'algorithme MRS, a fourni
les meilleurs résultats.
VIII.2.1.6 Analyse statistique de la précision des classifications
Une évaluation quantitative de la précision a été effectuée pour chaque méthode afin de
révéler l'efficacité de la classification basée sur les modèles optimisés et de déterminer
l'approche la plus précise. Cette évaluation s’est basée sur la matrice de confusion et le calcul
des coefficients de précision globale (OA) et l’indice Kappa (tableau VIII.4).
Dans l'ensemble, les deux approches PBIA et OBIA ont donné d'assez bons résultats avec
un OA de plus de 85 % (tableau VIII.4). Ainsi, l'indice de précision pour plusieurs classes était
relativement cohérent pour les deux approches de classification, mais des différences
spécifiques entre les algorithmes de Machine Learning sont apparues.
Pour les deux approches, PBIA et OBIA, toutes les classes de couverture du sol ont atteint
une précision supérieure à 80 %, à l'exception de la classe de sable humide, qui a obtenu un
score inférieur à 80 %, sauf pour l’algorithme RF-Obj basé sur la MRS qui a atteint 88 %
Partie III
Chapitre VIII :
131
VIII.2.1.5 Comparaison entre les analyses basées sur les pixels et les objets
Les résultats de classification ont montré une représentation visuelle raisonnable de la
couverture terrestre. Cependant, en comparant le même algorithme Machine Learning, les
approches PBIA et OBIA ont produit des modèles quelque peu différents. Par exemple, en
utilisant l'algorithme RF-Obj, la prédominance de la couverture de sable humide dans la zone
(A) (figure VIII.1 et VIII.2) était significativement plus élevée qu'en utilisant l'algorithme RFPix.
Bien que les différents algorithmes et approches d'analyse d'images diffèrent légèrement
dans leurs représentations, la classe d'eau était généralement bien définie. La classe de
végétation était également bien représentée par RF-Pix et SVM-Pix et semblait
particulièrement bien représentée par le SVM-Obj basé sur MRS.
De plus, les différences dans la représentation de la classe sable humide étaient très
prononcées entre les approches et les algorithmes. Bien que l’approche pixel utilisant le SVM
ait montré une représentation précise de la classe de sable humide dans la zone (A) (figure
VIII.4) l'approche objet a produit la représentation la plus précise de la classe de sable humide
le long du trait de côte. Considérant le fait que la classe de sable humide le long du trait de côte
soit la classe d'intérêt, l'approche OBIA, utilisant la RF basée sur l'algorithme MRS, a fourni
les meilleurs résultats.
VIII.2.1.6 Analyse statistique de la précision des classifications
Une évaluation quantitative de la précision a été effectuée pour chaque méthode afin de
révéler l'efficacité de la classification basée sur les modèles optimisés et de déterminer
l'approche la plus précise. Cette évaluation s’est basée sur la matrice de confusion et le calcul
des coefficients de précision globale (OA) et l’indice Kappa (tableau VIII.4).
Dans l'ensemble, les deux approches PBIA et OBIA ont donné d'assez bons résultats avec
un OA de plus de 85 % (tableau VIII.4). Ainsi, l'indice de précision pour plusieurs classes était
relativement cohérent pour les deux approches de classification, mais des différences
spécifiques entre les algorithmes de Machine Learning sont apparues.
Pour les deux approches, PBIA et OBIA, toutes les classes de couverture du sol ont atteint
une précision supérieure à 80 %, à l'exception de la classe de sable humide, qui a obtenu un
score inférieur à 80 %, sauf pour l’algorithme RF-Obj basé sur la MRS qui a atteint 88 %