Discussion des résultats
Partie III
Chapitre IX :
157
Les propriétés spectrales et la haute résolution spatiale de l'image Pléiades ont joué un rôle
important dans l'obtention de résultats satisfaisants concernant l'extraction du trait de côte.
Jusqu'à récemment, la détection des traits de côte ne pouvait pas être effectuée sans un niveau
significatif d'incertitude, car les capteurs satellites avaient des limitations liées à une résolution
spatiale modérée/faible (Malthus et Mumby, 2003).
IX .2.3 Méthode combinée CNN-OBIA
Nous avons en premier lieux évalué l’apport des méthodes de Machine Learnig en matière
de détection du trait de côte et des faciès côtiers. C’était des applications après une réadaptation
des paramètres des algorithmes pour détecter des informations thématiques relatives à notre
sujet d’intérêt. Pour l’approche de Deep Learning, il s’agit d’une nouvelle méthode que nous
proposons en développant une combinaison entre un modèle de CNN et l’approche OBIA.
Cette combinaison intégrée vise à offrir un aperçu immédiat de la position des traits de côte,
offrant ainsi une alternative pour leur surveillance.
Nous avons fait le choix de présenter les résultats de ce modèle intégré pour la détection
du trait de côte des rivages rocheux qui sont plus complexes et hétérogènes. L’indicateur choisi
et d’autant plus difficile à détecter vu son ajustement en ceinture assez étroite le long des côtes
au pied des falaises. Il s’agit d’un indicateur biologique de trait de côte relatif au Lichen noir.
Cette complexité s’avère être sans grand effet, car le modèle du CNN a pu détecter cet
indicateur avec une bonne précision (OA=91%).
7.1
11.8
7.2
6.3
12.2
7.5
2.8
2
0.7
2.1
1.4
1.1
0
2
4
6
8
10
12
14
RF-PIX
RF-MEANSHIFT
RF-MULTIRESOLUTION
SVM-PIX
SVM-MEANSHIFT
SVM-MULTIRESOLUTION
MOYENNE
MAX
Distances par rapport
au levé terrain (m)
Figure IX.2 : la distance moyenne et maximale entre les traits de côte
extraits et des levés in situ.
Partie III
Chapitre IX :
157
Les propriétés spectrales et la haute résolution spatiale de l'image Pléiades ont joué un rôle
important dans l'obtention de résultats satisfaisants concernant l'extraction du trait de côte.
Jusqu'à récemment, la détection des traits de côte ne pouvait pas être effectuée sans un niveau
significatif d'incertitude, car les capteurs satellites avaient des limitations liées à une résolution
spatiale modérée/faible (Malthus et Mumby, 2003).
IX .2.3 Méthode combinée CNN-OBIA
Nous avons en premier lieux évalué l’apport des méthodes de Machine Learnig en matière
de détection du trait de côte et des faciès côtiers. C’était des applications après une réadaptation
des paramètres des algorithmes pour détecter des informations thématiques relatives à notre
sujet d’intérêt. Pour l’approche de Deep Learning, il s’agit d’une nouvelle méthode que nous
proposons en développant une combinaison entre un modèle de CNN et l’approche OBIA.
Cette combinaison intégrée vise à offrir un aperçu immédiat de la position des traits de côte,
offrant ainsi une alternative pour leur surveillance.
Nous avons fait le choix de présenter les résultats de ce modèle intégré pour la détection
du trait de côte des rivages rocheux qui sont plus complexes et hétérogènes. L’indicateur choisi
et d’autant plus difficile à détecter vu son ajustement en ceinture assez étroite le long des côtes
au pied des falaises. Il s’agit d’un indicateur biologique de trait de côte relatif au Lichen noir.
Cette complexité s’avère être sans grand effet, car le modèle du CNN a pu détecter cet
indicateur avec une bonne précision (OA=91%).
7.1
11.8
7.2
6.3
12.2
7.5
2.8
2
0.7
2.1
1.4
1.1
0
2
4
6
8
10
12
14
RF-PIX
RF-MEANSHIFT
RF-MULTIRESOLUTION
SVM-PIX
SVM-MEANSHIFT
SVM-MULTIRESOLUTION
MOYENNE
MAX
Distances par rapport
au levé terrain (m)
Figure IX.2 : la distance moyenne et maximale entre les traits de côte
extraits et des levés in situ.