Présentations des résultats
Partie III
Chapitre VIII :
137
Par ailleurs, le trait de côte extrait brut est un vecteur en « dent de scie »; une procédure
de lissage a donc été réalisée. Afin d'évaluer l'effet de cette procédure et de sélectionner une
distance de lissage appropriée, les traits de côte lissés dérivés de plusieurs distances ont été
comparés aux traits de côte in-situ. La méthode de lissage était appropriée pour une zone, telle
que la zone d’étude pilote, où l'orientation du trait de côte était principalement droite et ne
présentait pas de grandes oscillations dans la longueur d'onde courte (Ferrarin et al., 2018). Ces
résultats sont cohérents avec ceux de Wicaksono, et al, (2019). Par conséquent, on suppose
que cette méthode de lissage optimisée a un effet inestimable et sans importance sur la précision
de l'extraction du trait de côte.
Les conditions météorologiques externes (par exemple, la pluie) pourraient affecter la
précision de la détection des NHE. Cependant, la détection du trait de côte pour l'évaluation
des changements et de l'érosion est généralement effectuée lorsque les conditions
météorologiques sont favorables (avant et/ou après la tempête), car aucune image satellite
appropriée n'est disponible lors d'événements extrêmes.
VIII.2.3 Approche intégrée du modèle CNN et OBIA
Les résultats issus de l'application d'une approche intégrée qui combine un modèle CNN
et OBIA en utilisant des images optiques Pléiades sont présentés dans la figure VIII.6.
Il s'agit de la première indication d'une telle détection (semi-)-automatique des traits de
côte par un modèle CNN. En effet, une classification d'images basée sur un modèle
d'apprentissage profond (Deep Learning) a été entreprise en utilisant, comme jeu de données
d'entraînement, des échantillons in-situ collectés le même jour que l'acquisition des images
satellites. L'utilisation de ce jeu de données pour l'entraînement du modèle a amélioré la
précision des résultats. Elle peut être considérée comme l'une des valeurs ajoutées de ce travail.
Les quatre classes assignées pour le processus de classification ont été détectées (figure
VIII.6) avec une précision globale (OA) de 94%. La précision de détection de la classe cible
pour les côtes rocheuses (Lichen noir) a atteint un OA de 91%, ce qui révèle que les valeurs
des données bien classées avaient une forte probabilité d'être correctes.
Partie III
Chapitre VIII :
137
Par ailleurs, le trait de côte extrait brut est un vecteur en « dent de scie »; une procédure
de lissage a donc été réalisée. Afin d'évaluer l'effet de cette procédure et de sélectionner une
distance de lissage appropriée, les traits de côte lissés dérivés de plusieurs distances ont été
comparés aux traits de côte in-situ. La méthode de lissage était appropriée pour une zone, telle
que la zone d’étude pilote, où l'orientation du trait de côte était principalement droite et ne
présentait pas de grandes oscillations dans la longueur d'onde courte (Ferrarin et al., 2018). Ces
résultats sont cohérents avec ceux de Wicaksono, et al, (2019). Par conséquent, on suppose
que cette méthode de lissage optimisée a un effet inestimable et sans importance sur la précision
de l'extraction du trait de côte.
Les conditions météorologiques externes (par exemple, la pluie) pourraient affecter la
précision de la détection des NHE. Cependant, la détection du trait de côte pour l'évaluation
des changements et de l'érosion est généralement effectuée lorsque les conditions
météorologiques sont favorables (avant et/ou après la tempête), car aucune image satellite
appropriée n'est disponible lors d'événements extrêmes.
VIII.2.3 Approche intégrée du modèle CNN et OBIA
Les résultats issus de l'application d'une approche intégrée qui combine un modèle CNN
et OBIA en utilisant des images optiques Pléiades sont présentés dans la figure VIII.6.
Il s'agit de la première indication d'une telle détection (semi-)-automatique des traits de
côte par un modèle CNN. En effet, une classification d'images basée sur un modèle
d'apprentissage profond (Deep Learning) a été entreprise en utilisant, comme jeu de données
d'entraînement, des échantillons in-situ collectés le même jour que l'acquisition des images
satellites. L'utilisation de ce jeu de données pour l'entraînement du modèle a amélioré la
précision des résultats. Elle peut être considérée comme l'une des valeurs ajoutées de ce travail.
Les quatre classes assignées pour le processus de classification ont été détectées (figure
VIII.6) avec une précision globale (OA) de 94%. La précision de détection de la classe cible
pour les côtes rocheuses (Lichen noir) a atteint un OA de 91%, ce qui révèle que les valeurs
des données bien classées avaient une forte probabilité d'être correctes.