Discussion des résultats
Partie III
Chapitre IX :
153
Ces données satellitaires devenant de plus en plus accessibles et fréquentes, il est
désormais possible non seulement de mieux comprendre comment la Terre évolue, entre autres
les zones côtières, mais aussi d'utiliser ces données pour fournir des informations thématiques,
orienter les politiques et la prise de décision, et promouvoir une gouvernance mieux informée.
Dans ce contexte, le sujet principal de cette thèse s’est orienté vers un développement
d’une méthodologie de travail permettant de suivre la dynamique côtière d’une façon plus
automatique et précise pour évaluer le risque de l’érosion ; et ce, en tirant profit des dernières
avancées dans le domaine de la télédétection et du Machine Learning.
IX.2 Extraction (semi)-automatique du trait de côte
Il a été démontré que l'imagerie optique offre des approches plus pratiques pour détecter
la position des traits de côte à différentes échelles spatiales et temporelles (Almonacid-Caballer
et al., 2016; Hegde et Akshaya, 2015). Cette source de données a été largement utilisée dans
diverses études sur les traits de côte.
Un des objectifs de cette thèse était de définir une méthode efficace et validée pour la
détection et l'extraction du trait de côte. Un large panel d'utilisateurs pourrait reproduire ces
méthodes de manière automatique et standard, ce qui devrait permettre la mise à jour d'une
éventuelle base de données partagée entre les instituts locaux de manière efficace.
En fait, la présente étude est la première indication d’une validation, de plusieurs
approches de classification d’image satellitaires, basées sur les algorithmes de Machine
Learning, optimisées et adaptées à l’extraction du trait de côte. Cette validation a été entreprise
via une comparaison des résultats aux levés de terrain (référence) acquis le même jour que
l'acquisition des données satellites.
Pour éliminer les erreurs liées à une faible résolution spatiale des images de télédétection
et tester efficacement les différentes approches, différents types d’images ont été utilisées
(Sentinel-2, Pléiades, Alsat). Nous avons, toutefois, présenté en détail les résultats issus des
applications effectuées sur les images Pléiades vu leur pertinence.
Une taille de scène de 600 × 600 m de l'image a été utilisée comme sous-ensemble pour
effectuer le processus de classification. Cette taille relativement petite a été choisie pour
permettre de :
Partie III
Chapitre IX :
153
Ces données satellitaires devenant de plus en plus accessibles et fréquentes, il est
désormais possible non seulement de mieux comprendre comment la Terre évolue, entre autres
les zones côtières, mais aussi d'utiliser ces données pour fournir des informations thématiques,
orienter les politiques et la prise de décision, et promouvoir une gouvernance mieux informée.
Dans ce contexte, le sujet principal de cette thèse s’est orienté vers un développement
d’une méthodologie de travail permettant de suivre la dynamique côtière d’une façon plus
automatique et précise pour évaluer le risque de l’érosion ; et ce, en tirant profit des dernières
avancées dans le domaine de la télédétection et du Machine Learning.
IX.2 Extraction (semi)-automatique du trait de côte
Il a été démontré que l'imagerie optique offre des approches plus pratiques pour détecter
la position des traits de côte à différentes échelles spatiales et temporelles (Almonacid-Caballer
et al., 2016; Hegde et Akshaya, 2015). Cette source de données a été largement utilisée dans
diverses études sur les traits de côte.
Un des objectifs de cette thèse était de définir une méthode efficace et validée pour la
détection et l'extraction du trait de côte. Un large panel d'utilisateurs pourrait reproduire ces
méthodes de manière automatique et standard, ce qui devrait permettre la mise à jour d'une
éventuelle base de données partagée entre les instituts locaux de manière efficace.
En fait, la présente étude est la première indication d’une validation, de plusieurs
approches de classification d’image satellitaires, basées sur les algorithmes de Machine
Learning, optimisées et adaptées à l’extraction du trait de côte. Cette validation a été entreprise
via une comparaison des résultats aux levés de terrain (référence) acquis le même jour que
l'acquisition des données satellites.
Pour éliminer les erreurs liées à une faible résolution spatiale des images de télédétection
et tester efficacement les différentes approches, différents types d’images ont été utilisées
(Sentinel-2, Pléiades, Alsat). Nous avons, toutefois, présenté en détail les résultats issus des
applications effectuées sur les images Pléiades vu leur pertinence.
Une taille de scène de 600 × 600 m de l'image a été utilisée comme sous-ensemble pour
effectuer le processus de classification. Cette taille relativement petite a été choisie pour
permettre de :