Conclusion générale
168
concernant les algorithmes, cette étude a tenté de combler ces lacunes en utilisant des approches
de classification d’image dont l’exécution a été réalisée sur des logiciels d'un accès limité avec des
droits d’utilisation (eCognition), mais aussi sur des logiciels de libres droit (Orfeo Tool Box). Ces
applications ont fourni de bonnes précisions et dont les détails sur l'évaluation de la précision de
tous les algorithmes utilisés ont été abordés, donnant le choix à l'utilisateur d'effectuer l'approche
de classification avec le logiciel disponible.
Le processus de validation utilisant des investigations pour acquérir des indicateurs de trait de
côte le même jour que l'acquisition de l'image satellite pourrait être considéré comme l'une des
valeurs clés de ce travail, permettant une évaluation de la précision et d’estimer la marge d'erreur.
L'étude comparative des différentes méthodes et approches de traitement des images satellites
a révélé la nécessité de poursuivre les efforts de développement méthodique afin d'améliorer la
pertinence de la surveillance du littoral et de l'extraction du trait de côte. Bien que l'approche
orientée objet ait été plus recommandée que celle orientée pixel pour la reconnaissance de la
couverture terrestre, des efforts particuliers concernant l'amélioration et le développement des
approches algorithmiques, ont permis d'améliorer l’intervalle de confiance. Ce dernier a été estimé
d’être inférieur à 1 pixel de l’image en prenant en considération plusieurs sources d’erreur.
En premier lieu, la performance des algorithmes de Machine Learning pour la détection du
trait de côte, a été démontrée et validée par des mesures in-situ. Un nombre limité d'études ont
évalué la précision de ces algorithmes pour la détection du trait de côte, et rares sont celles qui ont
validé leurs résultats avec des données de référence. Ainsi, la classification supervisée utilisant
l’algorithme Randome Forest pour le traitement des images de très haute résolution a montré un
grand potentiel dans la détection des traits de côte par rapport au Support Vector Machine.
En deuxième lieu, au cours de cette thèse, nous avons défini un nouveau modèle intégré qui
combine le Deep Learning (Covolutionel Neural Network) et l’approche orientée objet : CNNOBIA. L’apport de ce travail est d’avoir introduit une nouvelle notion du niveau Objet au résultat
de la probabilité de CNN du niveau Pixel. Ces niveaux permettent de définir simplement et
progressivement la reconnaissance des indicateurs du trait de côte, en permettant de se concentrer
sur chaque niveau, et sur le passage entre les deux niveaux. Le niveau pixel produit des heat-map
qui contiennent les probabilités et les prédictions de classe par le modèle de CNN. Sur la base de
168
concernant les algorithmes, cette étude a tenté de combler ces lacunes en utilisant des approches
de classification d’image dont l’exécution a été réalisée sur des logiciels d'un accès limité avec des
droits d’utilisation (eCognition), mais aussi sur des logiciels de libres droit (Orfeo Tool Box). Ces
applications ont fourni de bonnes précisions et dont les détails sur l'évaluation de la précision de
tous les algorithmes utilisés ont été abordés, donnant le choix à l'utilisateur d'effectuer l'approche
de classification avec le logiciel disponible.
Le processus de validation utilisant des investigations pour acquérir des indicateurs de trait de
côte le même jour que l'acquisition de l'image satellite pourrait être considéré comme l'une des
valeurs clés de ce travail, permettant une évaluation de la précision et d’estimer la marge d'erreur.
L'étude comparative des différentes méthodes et approches de traitement des images satellites
a révélé la nécessité de poursuivre les efforts de développement méthodique afin d'améliorer la
pertinence de la surveillance du littoral et de l'extraction du trait de côte. Bien que l'approche
orientée objet ait été plus recommandée que celle orientée pixel pour la reconnaissance de la
couverture terrestre, des efforts particuliers concernant l'amélioration et le développement des
approches algorithmiques, ont permis d'améliorer l’intervalle de confiance. Ce dernier a été estimé
d’être inférieur à 1 pixel de l’image en prenant en considération plusieurs sources d’erreur.
En premier lieu, la performance des algorithmes de Machine Learning pour la détection du
trait de côte, a été démontrée et validée par des mesures in-situ. Un nombre limité d'études ont
évalué la précision de ces algorithmes pour la détection du trait de côte, et rares sont celles qui ont
validé leurs résultats avec des données de référence. Ainsi, la classification supervisée utilisant
l’algorithme Randome Forest pour le traitement des images de très haute résolution a montré un
grand potentiel dans la détection des traits de côte par rapport au Support Vector Machine.
En deuxième lieu, au cours de cette thèse, nous avons défini un nouveau modèle intégré qui
combine le Deep Learning (Covolutionel Neural Network) et l’approche orientée objet : CNNOBIA. L’apport de ce travail est d’avoir introduit une nouvelle notion du niveau Objet au résultat
de la probabilité de CNN du niveau Pixel. Ces niveaux permettent de définir simplement et
progressivement la reconnaissance des indicateurs du trait de côte, en permettant de se concentrer
sur chaque niveau, et sur le passage entre les deux niveaux. Le niveau pixel produit des heat-map
qui contiennent les probabilités et les prédictions de classe par le modèle de CNN. Sur la base de