Discussion des résultats
Partie III
Chapitre IX :
158
Les performances des algorithmes d'apprentissage automatique profond (Deep Learning)
sont supérieures à celles des techniques d'apprentissage automatique peu profond (Machine
Learning). Ainsi, 76% du trait de côte extrait par le modèle CNN-OBIA est situé à un mètre
(1m) du trait de côte de référence (in-situ) contre 63% pour le RF par une segmentation multirésolution (figure IX.3). Cependant la compréhension de ces algorithmes et leur interprétation
sont généralement limitées (Campos-Taberner et al., 2020; Montavon et al., 2018). Par
conséquent, le point majeur à considérer est les difficultés de l'interopérabilité lors de
l'utilisation de ces algorithmes. On peut affirmer ainsi que plus l'apprentissage d'un algorithme
est performant, plus son interprétation est difficile.
Figure IX.3 : Pourcentage du linéaire du trait de côte extrait, compris entre des distances par
rapport au levé terrain.
IX.2.4. Source d’erreur et limite des méthodes
Les mesures in-situ ont capturé un élément dépendant du temps pendant la marche le long
du trait de côte, contrairement au satellite qui a capturé une image instantanée. Cela n'a pas
présenté un défi dans la mesure où le type du littoral ici étudié est microtidal, c'est-à-dire qu'il
présente un effet de marée insignifiant selon les résultats de Ferrarin et al. (2018), et que les
hauteurs significatives des vagues ne dépassaient pas 0,2 m le jour du levé, selon la base de
données de vagues développée pour la côte algérienne par Amarouche, et al. (2020).
Les erreurs de détection des traits de côte étaient généralement plus importantes avec le
PBIA. Ceci était plus visible dans les secteurs A et B (figure VIII.4), où il semble que les traits
de côte obtenus avaient tendance à se positionner plus loin vers la terre qu’au niveau de la
76%
24%
CNN-OBIA
(-1 - +1)
>1
63%
37%
RF-Multiresolution
(-1 - +1)
>1
Distance du trait de côte extrait par rapport au levé de terrain
Distance du trait de côte extrait par rapport au levé de terrain
Partie III
Chapitre IX :
158
Les performances des algorithmes d'apprentissage automatique profond (Deep Learning)
sont supérieures à celles des techniques d'apprentissage automatique peu profond (Machine
Learning). Ainsi, 76% du trait de côte extrait par le modèle CNN-OBIA est situé à un mètre
(1m) du trait de côte de référence (in-situ) contre 63% pour le RF par une segmentation multirésolution (figure IX.3). Cependant la compréhension de ces algorithmes et leur interprétation
sont généralement limitées (Campos-Taberner et al., 2020; Montavon et al., 2018). Par
conséquent, le point majeur à considérer est les difficultés de l'interopérabilité lors de
l'utilisation de ces algorithmes. On peut affirmer ainsi que plus l'apprentissage d'un algorithme
est performant, plus son interprétation est difficile.
Figure IX.3 : Pourcentage du linéaire du trait de côte extrait, compris entre des distances par
rapport au levé terrain.
IX.2.4. Source d’erreur et limite des méthodes
Les mesures in-situ ont capturé un élément dépendant du temps pendant la marche le long
du trait de côte, contrairement au satellite qui a capturé une image instantanée. Cela n'a pas
présenté un défi dans la mesure où le type du littoral ici étudié est microtidal, c'est-à-dire qu'il
présente un effet de marée insignifiant selon les résultats de Ferrarin et al. (2018), et que les
hauteurs significatives des vagues ne dépassaient pas 0,2 m le jour du levé, selon la base de
données de vagues développée pour la côte algérienne par Amarouche, et al. (2020).
Les erreurs de détection des traits de côte étaient généralement plus importantes avec le
PBIA. Ceci était plus visible dans les secteurs A et B (figure VIII.4), où il semble que les traits
de côte obtenus avaient tendance à se positionner plus loin vers la terre qu’au niveau de la
76%
24%
CNN-OBIA
(-1 - +1)
>1
63%
37%
RF-Multiresolution
(-1 - +1)
>1
Distance du trait de côte extrait par rapport au levé de terrain
Distance du trait de côte extrait par rapport au levé de terrain