Discussion des résultats
Partie III
Chapitre IX :
155
D'après les résultats, la précision de la classification des classes d'eau, de végétation et de
sable sec était assez bonne pour tous les algorithmes, alors qu'elle était relativement faible pour
la classe de sable humide (valeur OA maximale de 0,88). Cela s'explique par le fait que la
classe des sables humides, en tant que zone de transition, était plus étroite que les autres classes
et ne différait pas beaucoup de la classe sol nu ou de l'eau en ce qui concerne la radiométrie de
l'image. Ainsi, la faible précision de sa classification pourrait affecter la détection de HNE.
Néanmoins, cette étude a montré que l'extraction de HNE est possible à partir de plusieurs
approches de classification supervisée et d'algorithme. De plus, la comparaison entre ces traits
de côte extraits et un trait de de référence levé sur terrain a été une excellente opportunité pour
d'évaluer et valider les méthodes de classification supervisée et d'identifier les plus précises.
IX.2.2 Algorithme de Machine Learning
Bien que certains algorithmes de Machine Learning, soient fortement recommandés dans
la littérature scientifique, il est judicieux de tester ces algorithmes dans le domaine
d’application spécifique (Occupation du sol, trait de côte, etc.) pour évaluer leur véritable
pertinence. Des études, par exemple (Abdel-Rahman et al., 2014) et (Shang and Chisholm,
2014) ont montré que les résultats du classificateur RF surpassent ceux du SVM, alors que
(Ghosh et Joshi, 2014) ont rapporté le contraire pour l'OBIA. Toutefois, dans la présente étude,
la couverture terrestre côtière était mieux représentée par le classificateur RF avec l'approche
OBIA, et le classificateur SVM était prometteur pour l'approche PBIA.
Figure IX.1: Indices de précision globale des modèles de classification.
0.8
0.82
0.84
0.86
0.88
0.9
0.92
0.94
OA Kappa
Partie III
Chapitre IX :
155
D'après les résultats, la précision de la classification des classes d'eau, de végétation et de
sable sec était assez bonne pour tous les algorithmes, alors qu'elle était relativement faible pour
la classe de sable humide (valeur OA maximale de 0,88). Cela s'explique par le fait que la
classe des sables humides, en tant que zone de transition, était plus étroite que les autres classes
et ne différait pas beaucoup de la classe sol nu ou de l'eau en ce qui concerne la radiométrie de
l'image. Ainsi, la faible précision de sa classification pourrait affecter la détection de HNE.
Néanmoins, cette étude a montré que l'extraction de HNE est possible à partir de plusieurs
approches de classification supervisée et d'algorithme. De plus, la comparaison entre ces traits
de côte extraits et un trait de de référence levé sur terrain a été une excellente opportunité pour
d'évaluer et valider les méthodes de classification supervisée et d'identifier les plus précises.
IX.2.2 Algorithme de Machine Learning
Bien que certains algorithmes de Machine Learning, soient fortement recommandés dans
la littérature scientifique, il est judicieux de tester ces algorithmes dans le domaine
d’application spécifique (Occupation du sol, trait de côte, etc.) pour évaluer leur véritable
pertinence. Des études, par exemple (Abdel-Rahman et al., 2014) et (Shang and Chisholm,
2014) ont montré que les résultats du classificateur RF surpassent ceux du SVM, alors que
(Ghosh et Joshi, 2014) ont rapporté le contraire pour l'OBIA. Toutefois, dans la présente étude,
la couverture terrestre côtière était mieux représentée par le classificateur RF avec l'approche
OBIA, et le classificateur SVM était prometteur pour l'approche PBIA.
Figure IX.1: Indices de précision globale des modèles de classification.
0.8
0.82
0.84
0.86
0.88
0.9
0.92
0.94
OA Kappa