Partie I
Chapitre II : La télédétection et l’observation de la dynamique côtière
35
automatiques sont nécessaires pour mettre à jour et extraire le trait de côte et rendre la cartographie
de la couverture terrestre côtière plus pertinente; ceci pourrait éliminer la forte subjectivité de
l'interprétation visuelle largement utilisée. Gens, R., (2010) et Toure, et al, (2019) ont passé en
revue les approches de traitement d'images appliquées pour la détection des traits de côte. Selon
ces auteurs, plusieurs techniques ont été développées pour extraire cet indicateur à partir des
images de télédétection de manière plus automatisée.
Pour la détection du relief côtier, plusieurs approches de traitement d’image ont été
appliquées, notamment la segmentation d'images à l'aide d'un simple seuillage, et des techniques
de classification. Les classifications d'images peuvent être traitées en utilisant des approches
basées sur les pixels qui ont été largement adoptées pour l'extraction du trait de côte. Cependant,
avec l'avènement de l'imagerie de THR, un traitement plus complexe est nécessaire, ce qui a
conduit à l'élaboration d'une nouvelle approche qui se concentre sur la notion de « l’objet »
d'image.
Récemment, plusieurs algorithmes de Machine et Deep Learning, comme Support Vector
Machine, les réseaux neuronaux et Random Forest, ont été adoptés avec succès pour les
applications de télédétection (Niculescu et al., 2018). Ce processus traduit la cognition humaine à
l'intelligence de la machine d'une manière plus sophistiquée (Gibril et al., 2018) (voir Chapitre 3Titre 2). Toutefois, l’efficacité de ces méthodes pour la détection du trait de côte n’a pas été
pertinemment étudiée (Toure et al., 2019).
Certaines publications, qui ont utilisé ces approches, se contentent de présenter les résultats
sans fournir suffisamment de détails sur les méthodes utilisées (Toure et al., 2019) ou ne tentent
pas de valider le trait de côte extrait en utilisant des données de référence (Dada et al., 2016; Hegde
et Akshaya, 2015) alors qu'un ensemble de données de vérification (de référence) est essentiel pour
comprendre et valider la performance de tout produit de télédétection (Lillesand et al., 2004).
Par ailleurs, la majorité des études sur les traits de côte qui ont tenté de valider leurs résultats
ont utilisé des photographies aériennes comme données de référence (Almonacid-Caballer et al.,
2016). Hors, Boak et al. (2005) affirment que cette méthode de validation est basée sur des
hypothèses substantielles et erronées. Étant donné que les photographies aériennes utilisées
comme données de validation ne sont pas recueillies le même jour que la scène satellite, les
positions réelles des deux traits de côte (extrait et de référence) ne sont pas identiques.
Chapitre II : La télédétection et l’observation de la dynamique côtière
35
automatiques sont nécessaires pour mettre à jour et extraire le trait de côte et rendre la cartographie
de la couverture terrestre côtière plus pertinente; ceci pourrait éliminer la forte subjectivité de
l'interprétation visuelle largement utilisée. Gens, R., (2010) et Toure, et al, (2019) ont passé en
revue les approches de traitement d'images appliquées pour la détection des traits de côte. Selon
ces auteurs, plusieurs techniques ont été développées pour extraire cet indicateur à partir des
images de télédétection de manière plus automatisée.
Pour la détection du relief côtier, plusieurs approches de traitement d’image ont été
appliquées, notamment la segmentation d'images à l'aide d'un simple seuillage, et des techniques
de classification. Les classifications d'images peuvent être traitées en utilisant des approches
basées sur les pixels qui ont été largement adoptées pour l'extraction du trait de côte. Cependant,
avec l'avènement de l'imagerie de THR, un traitement plus complexe est nécessaire, ce qui a
conduit à l'élaboration d'une nouvelle approche qui se concentre sur la notion de « l’objet »
d'image.
Récemment, plusieurs algorithmes de Machine et Deep Learning, comme Support Vector
Machine, les réseaux neuronaux et Random Forest, ont été adoptés avec succès pour les
applications de télédétection (Niculescu et al., 2018). Ce processus traduit la cognition humaine à
l'intelligence de la machine d'une manière plus sophistiquée (Gibril et al., 2018) (voir Chapitre 3Titre 2). Toutefois, l’efficacité de ces méthodes pour la détection du trait de côte n’a pas été
pertinemment étudiée (Toure et al., 2019).
Certaines publications, qui ont utilisé ces approches, se contentent de présenter les résultats
sans fournir suffisamment de détails sur les méthodes utilisées (Toure et al., 2019) ou ne tentent
pas de valider le trait de côte extrait en utilisant des données de référence (Dada et al., 2016; Hegde
et Akshaya, 2015) alors qu'un ensemble de données de vérification (de référence) est essentiel pour
comprendre et valider la performance de tout produit de télédétection (Lillesand et al., 2004).
Par ailleurs, la majorité des études sur les traits de côte qui ont tenté de valider leurs résultats
ont utilisé des photographies aériennes comme données de référence (Almonacid-Caballer et al.,
2016). Hors, Boak et al. (2005) affirment que cette méthode de validation est basée sur des
hypothèses substantielles et erronées. Étant donné que les photographies aériennes utilisées
comme données de validation ne sont pas recueillies le même jour que la scène satellite, les
positions réelles des deux traits de côte (extrait et de référence) ne sont pas identiques.