74
Partie II : Matériels et méthodes
Chapitre V : Extraction automatique du trait de côte
V.1 Approche méthodologique générale
Le présent chapitre porte sur la détection et l'extraction (semi)-automatisée du trait de côtes
par des méthodologies spécifiques à la classification d’images satellitaires.
À travers une étude comparative (figure V.1), la pertinence des méthodes de classification
supervisée des images, orientées Pixel (Pixel Based Image Analysis- PBIA) et orientées objet
(Object Based Image Analysis- OBIA), ainsi que des algorithmes de Machine et Deep
Learning, est évaluée en matière de détection et d’extraction du trait de côte.
Par ailleurs, pour mieux appréhender la problématique de la multitude de choix
d’indicateurs de trait de côte, pour chaque catégorie de côte (côtes sablonneuses et côtes
rocheuses), plusieurs types d’indicateurs ont été sélectionnés pour tester les méthodes
d’extraction (semi)-automatique, et ce, à partir de trois (03) types d’images satellitaires, à
savoir, Sentinel-2, Pléiade et Alsat (figure V.1).
L’évaluation de la pertinence de ces méthodes s’est basée sur trois examens, à savoir :
(i)
Une inspection visuelle des cartes produites par les approches de classification ;
(ii)
Une évaluation de la pertinence de la classification via le calcul des indices
métriques (matrice de confusion) ;
(iii) Une inter-comparaison avec un trait de côte de référence, in-situ ou digitalisé.
Ces évaluations ont été réalisées pour deux objectifs :
(i)
Identifier les différences significatives entre les classifications PBIA et OBIA lors
de l'utilisation du même algorithme de Machine Learning ;
(ii)
Identifier les différences significatives existant entre les algorithmes de Machine
Learning au sein de la même approche, PBIA ou OBIA.