Etude de l’urbanisation de la commune d’Ain Taya | Matériels et méthodes
26
bouton Select Segment Bands puis en sélectionnant la bande du NIR (Near Infrared). Par
la suite, des paramètres plus avancés sont sélectionnées :
• Segment Algorithm : Edge (Cette méthode de segmentation trace des lignes le
long des gradients d'intensité les plus forts ce qui en fait un détecteur de bord
efficace)
• Scale Level : 35
• Merge Algorithm : Full Lambda Schedule (cette méthode combine les segments
adjacents, à mesure qu’on augmente la valeur de fusion)
• Merge Level : 80
• Création de plusieurs classes et assignation d’échantillons d’apprentissages à chacune :
Dans notre cas, nous avons opter pour les classes : urbanisme, terres agricoles et sols
nus. Un nombre très important d’échantillons a été réalisé (170 échantillons) afin
d’améliorer le résultat de la classification.
• Sélection de la méthode de classification : Feature Extraction propose plusieurs
méthodes de classification supervisée. Nous avons opté pour la méthode KNN (K
Nearest Neighbor) qui classe les segments en fonction de leur proximité aux
échantillons d’apprentissage avoisinants. C’est la méthode la plus rigoureuse et celle
qui arrive à mieux distinguer des classes similaires.
• Exportation des résultats : Le résultat final est enregistré sous le format vecteur et image
avec les options : Export Classification Vectors et Export Classification Image,
respectivement.
Les indices spectraux
Les indices d'image sont des images calculées à partir d'images à plusieurs bandes
spectrales. Les images d’indices mettent en évidence un phénomène spécifique qui est présent,
tout en atténuant d'autres facteurs qui altèrent les effets sur l'image. Ces indices sont souvent
générés en combinant l'ajout et la soustraction de bandes spectrales, ce qui crée des taux de
bandes différents. Ils sont liés à des bandes spectrales spécifiques qui sont situés dans des parties
précises du spectre électromagnétique. Un des modes d'utilisation les plus courants de ces
indices concerne la comparaison du même objet sur plusieurs images au fil du temps.
Afin d’étudier l’urbanisation de la commune d’Ain Taya, cinq indices ont été comparés,
à savoir: Le NDBI (Normalized Difference Built-up Index), l’IBI (Index-Based Built-up Index),
le BRBA (Band Ratio for Built-up Area), Le NBAI (Normalized Built-up Area Index) et le CBI
(Combined Build-Up Index). Les formules de calcul ainsi que les définitions de ces indices sont
résumées sur le Tableau 5 et le Tableau 6. L’image utilisée est une image du satellite
SENTINEL 2A (2020), dont les caractéristiques sont décrites dans la section 3.4.1.
Le calcul des indices a été réalisé à l’aide du logiciel ENVI : Toolbox > Band algebra >
Band math. Sur la fenêtre Band math, on intègre l’expression mathématique de l’indice. Les
paramètres de la formule sont exprimés par des variables réelles sous le forme « float(Bi) ».
On fait correspondre par la suite les différentes variables (Bi) aux bandes spectrales à
considérer. Le résultat est sous la forme d’une image en niveau de gris.
26
bouton Select Segment Bands puis en sélectionnant la bande du NIR (Near Infrared). Par
la suite, des paramètres plus avancés sont sélectionnées :
• Segment Algorithm : Edge (Cette méthode de segmentation trace des lignes le
long des gradients d'intensité les plus forts ce qui en fait un détecteur de bord
efficace)
• Scale Level : 35
• Merge Algorithm : Full Lambda Schedule (cette méthode combine les segments
adjacents, à mesure qu’on augmente la valeur de fusion)
• Merge Level : 80
• Création de plusieurs classes et assignation d’échantillons d’apprentissages à chacune :
Dans notre cas, nous avons opter pour les classes : urbanisme, terres agricoles et sols
nus. Un nombre très important d’échantillons a été réalisé (170 échantillons) afin
d’améliorer le résultat de la classification.
• Sélection de la méthode de classification : Feature Extraction propose plusieurs
méthodes de classification supervisée. Nous avons opté pour la méthode KNN (K
Nearest Neighbor) qui classe les segments en fonction de leur proximité aux
échantillons d’apprentissage avoisinants. C’est la méthode la plus rigoureuse et celle
qui arrive à mieux distinguer des classes similaires.
• Exportation des résultats : Le résultat final est enregistré sous le format vecteur et image
avec les options : Export Classification Vectors et Export Classification Image,
respectivement.
Les indices spectraux
Les indices d'image sont des images calculées à partir d'images à plusieurs bandes
spectrales. Les images d’indices mettent en évidence un phénomène spécifique qui est présent,
tout en atténuant d'autres facteurs qui altèrent les effets sur l'image. Ces indices sont souvent
générés en combinant l'ajout et la soustraction de bandes spectrales, ce qui crée des taux de
bandes différents. Ils sont liés à des bandes spectrales spécifiques qui sont situés dans des parties
précises du spectre électromagnétique. Un des modes d'utilisation les plus courants de ces
indices concerne la comparaison du même objet sur plusieurs images au fil du temps.
Afin d’étudier l’urbanisation de la commune d’Ain Taya, cinq indices ont été comparés,
à savoir: Le NDBI (Normalized Difference Built-up Index), l’IBI (Index-Based Built-up Index),
le BRBA (Band Ratio for Built-up Area), Le NBAI (Normalized Built-up Area Index) et le CBI
(Combined Build-Up Index). Les formules de calcul ainsi que les définitions de ces indices sont
résumées sur le Tableau 5 et le Tableau 6. L’image utilisée est une image du satellite
SENTINEL 2A (2020), dont les caractéristiques sont décrites dans la section 3.4.1.
Le calcul des indices a été réalisé à l’aide du logiciel ENVI : Toolbox > Band algebra >
Band math. Sur la fenêtre Band math, on intègre l’expression mathématique de l’indice. Les
paramètres de la formule sont exprimés par des variables réelles sous le forme « float(Bi) ».
On fait correspondre par la suite les différentes variables (Bi) aux bandes spectrales à
considérer. Le résultat est sous la forme d’une image en niveau de gris.