Discussion des résultats
Partie III
Chapitre IX :
154
- Tester huit méthodes robustes,
- Faciliter l'optimisation des résultats par la technique d'essai et d'erreur ; et
- évaluer correctement les résultats des analyses d'image.
Le trait de côte peut être identifié par plusieurs indicateurs physiques détectables via des
images de télédétection (limites de végétation, limite eau/sable, HNE), le HNE était le plus
utilisé dans l'évaluation des changements du trait de côte, c'est pourquoi il a été choisi pour le
suivi spatiotemporel et la caractérisation de l’aléa de l’érosion. Cet indicateur correspond à la
limite la plus élevée atteinte par l'eau de mer ; par conséquent, c'est la limite eau/sable qui est
considérée comme le trait de côte et qui devrait donc être détectée par les procédures de
classification des images. Par conséquent, il était judicieux de choisir des classes de type de
couverture terrestre qui mettent en évidence cette limite humide/sec.
IX .2.1 Approches de classifications
Deux approches de classification, OBIA et PBIA, ont été testées pour la détection du type
de la couverture terrestre côtière. Par rapport à l’approche PBIA, l'approche OBIA a fourni une
représentation plus convergente de la couverture terrestre.
OBIA passe par une étape fondamentale de segmentation, ce qui rend la tâche relativement
longue en la comparant à PBIA. Dans cette étude, il a été démontré que différents types de
segmentation pouvaient donner de différents résultats de classification; par conséquent, la
précision de la classification dépendait fortement du processus de segmentation. Malgré les
valeurs élevées de la précision globale (OA), atteintes par le MSS et le MRS (surtout avec
l'algorithme RF, 93 % et 92 %, respectivement), (figure IX.1). Plusieurs auteurs (Belgiu et al.,
2014; Belgiu et Drǎguţ, 2014; Guan et al., 2013) ont affirmé que les ajustements des paramètres
des algorithmes des segmentations font de l'OBIA une tâche plus au moins subjective.
Toutefois, une optimisation par un processus de validation croisée automatique a permis
d’éliminer cette subjectivité.
Partie III
Chapitre IX :
154
- Tester huit méthodes robustes,
- Faciliter l'optimisation des résultats par la technique d'essai et d'erreur ; et
- évaluer correctement les résultats des analyses d'image.
Le trait de côte peut être identifié par plusieurs indicateurs physiques détectables via des
images de télédétection (limites de végétation, limite eau/sable, HNE), le HNE était le plus
utilisé dans l'évaluation des changements du trait de côte, c'est pourquoi il a été choisi pour le
suivi spatiotemporel et la caractérisation de l’aléa de l’érosion. Cet indicateur correspond à la
limite la plus élevée atteinte par l'eau de mer ; par conséquent, c'est la limite eau/sable qui est
considérée comme le trait de côte et qui devrait donc être détectée par les procédures de
classification des images. Par conséquent, il était judicieux de choisir des classes de type de
couverture terrestre qui mettent en évidence cette limite humide/sec.
IX .2.1 Approches de classifications
Deux approches de classification, OBIA et PBIA, ont été testées pour la détection du type
de la couverture terrestre côtière. Par rapport à l’approche PBIA, l'approche OBIA a fourni une
représentation plus convergente de la couverture terrestre.
OBIA passe par une étape fondamentale de segmentation, ce qui rend la tâche relativement
longue en la comparant à PBIA. Dans cette étude, il a été démontré que différents types de
segmentation pouvaient donner de différents résultats de classification; par conséquent, la
précision de la classification dépendait fortement du processus de segmentation. Malgré les
valeurs élevées de la précision globale (OA), atteintes par le MSS et le MRS (surtout avec
l'algorithme RF, 93 % et 92 %, respectivement), (figure IX.1). Plusieurs auteurs (Belgiu et al.,
2014; Belgiu et Drǎguţ, 2014; Guan et al., 2013) ont affirmé que les ajustements des paramètres
des algorithmes des segmentations font de l'OBIA une tâche plus au moins subjective.
Toutefois, une optimisation par un processus de validation croisée automatique a permis
d’éliminer cette subjectivité.