Présentations des résultats
Partie III
Chapitre VIII :
132
(tableau VIII.4). De plus, la précision de la classe de végétation est supérieure à 90 %, sauf
avec le SVM basé sur le MRS, où elle est à 84 % (tableau VIII.4).
L'algorithme RF a atteint un coefficient OA le plus faible de l’ordre de 86 % par l'approche
PBIA, contrairement à l'approche OBIA pour laquelle le coefficient OA le plus faible (88,84
%) a été enregistré avec l'algorithme SVM (tableau VIII.4).
Le coefficient kappa était supérieur à 0,8 (tableau VIII.4) pour toutes les approches de
classification, ce qui révèle que les valeurs de la matrice de confusion ont une forte probabilité
d'être correctes. Plus précisément, c’est le RF-Obj qui présente les valeurs les plus élevées de
l'indice de kappa par rapport aux autres méthodes de classification supervisée.
Tableau VIII.4 : Résultats des matrices de confusion des différentes méthodes de
classification
VIII.2.1.7 Extraction et cartographie des traits de côte
Les indicateurs du trait de côte ont été extraits automatiquement la classification. La figure
VIII.4 montre les résultats de l'extraction des traits de côte dont a) le vecteur brut avec une
forme étagée qui se trouve entre les classes de sable humide et de sable sec et le vecteur final
après le processus de lissage, et b) le transect généré par le DSAS pour calculer le NSM.
L'interprétation visuelle a souligné que la forme des traits de côte finaux lissés extraits de
l'image Pléiades correspond assez bien à la forme de la limite humide/sèche choisie comme
Classes
RF-Pix
SVMPix
RFMeanshift
SVMMeanshift
RFMultiresolution
SVMMultiresolution
Eau
0.87
0.93
1
1
1
1
Sable
0.73
0.75
0.79
0.75
0.88
0.70
Sable
Humide
0.87
0.83
0.89
0.83
0.86
0.90
Végétation 0.93
0.92
0.93
0.84
0.87
0.95
Indices
de Kappa
0.85
0.85
0.90
0.85
0.90
0.88
OA
0.86
0.88
0.93
0.88
0.92
0.91