Etude de l’urbanisation de la commune d’Ain Taya | Matériels et méthodes
33
• ENVI > Toolbox > Radiometric Correction > Atmospheric Correction Module >
Flaash Atmospheric Correction.
3.4.3 Méthode d’estimation de l’urbanisation : La classification
Les méthodes de classification d’images les plus courantes utilisent l'information
radiométrique d'une ou plusieurs bandes spectrales pour classifier chaque pixel
individuellement. Lorsqu'on parle de classes, il faut faire la distinction entre les classes
d'information et les classes spectrales :
• Les classes d’information sont des catégories d'intérêt que l'analyste cherche à identifier
dans les images, comme différents types de cultures, d'espèce d'arbres, différents types
de caractéristiques géologiques, etc.
• Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques
spectrales (ou presque) en ce qui a trait à leur valeur radiométrique dans les différents
canaux.
L'objectif ultime de la classification est de faire la correspondance entre les classes spectrales
et les classes d'information. La démarche de classification comporte trois étapes fondamentales
:
• Etablissement de classes de signatures ou classes spectrales.
• Classification des pixels en fonction des classes de signatures.
• Vérification de la classification (fiabilité par rapport aux classes thématiques
envisagées).
Pour établir les classes de signatures ou les classes spectrales en télédétection, il existe
deux grandes approches en classification numériques :
• Approche non dirigée (classification non supervisée) : les classes sont créées
automatiquement par le logiciel sans intervention de l’utilisateur.
• Approche dirigée (classification supervisée) : C’est à l’utilisateur de créer les classes
à réaliser par la saisie d’échantillons d’apprentissage (des zones (polygone)).
Les méthodes de classification par pixels sont délicates à mener car les confusions
radiométriques entre classes augmentent avec la résolution des capteurs et l’hétérogénéité
spatiale des milieux. Pour la présente étude et afin d’étudier l’évolution du tissu urbain, nous
avons opté pour une classification supervisée, étant la plus efficace et la plus adaptée à nos
besoins. Trois classes ont été établies : L’urbain, les terres agricoles et les sols nus.
La procédure de classification se décline comme suit :
• moSur ENVI : Toolbox > Classification > Classification Workflow
• Ouverture de l’image à classifier et sélection de « Use Training Data »
• Détermination des trois classes (urbain, terres agricoles et sols nus). Pour chaque classe,
un grand nombre d’échantillons d’apprentissage a été utilisé afin d’améliorer le résultat
de la classification.
33
• ENVI > Toolbox > Radiometric Correction > Atmospheric Correction Module >
Flaash Atmospheric Correction.
3.4.3 Méthode d’estimation de l’urbanisation : La classification
Les méthodes de classification d’images les plus courantes utilisent l'information
radiométrique d'une ou plusieurs bandes spectrales pour classifier chaque pixel
individuellement. Lorsqu'on parle de classes, il faut faire la distinction entre les classes
d'information et les classes spectrales :
• Les classes d’information sont des catégories d'intérêt que l'analyste cherche à identifier
dans les images, comme différents types de cultures, d'espèce d'arbres, différents types
de caractéristiques géologiques, etc.
• Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques
spectrales (ou presque) en ce qui a trait à leur valeur radiométrique dans les différents
canaux.
L'objectif ultime de la classification est de faire la correspondance entre les classes spectrales
et les classes d'information. La démarche de classification comporte trois étapes fondamentales
:
• Etablissement de classes de signatures ou classes spectrales.
• Classification des pixels en fonction des classes de signatures.
• Vérification de la classification (fiabilité par rapport aux classes thématiques
envisagées).
Pour établir les classes de signatures ou les classes spectrales en télédétection, il existe
deux grandes approches en classification numériques :
• Approche non dirigée (classification non supervisée) : les classes sont créées
automatiquement par le logiciel sans intervention de l’utilisateur.
• Approche dirigée (classification supervisée) : C’est à l’utilisateur de créer les classes
à réaliser par la saisie d’échantillons d’apprentissage (des zones (polygone)).
Les méthodes de classification par pixels sont délicates à mener car les confusions
radiométriques entre classes augmentent avec la résolution des capteurs et l’hétérogénéité
spatiale des milieux. Pour la présente étude et afin d’étudier l’évolution du tissu urbain, nous
avons opté pour une classification supervisée, étant la plus efficace et la plus adaptée à nos
besoins. Trois classes ont été établies : L’urbain, les terres agricoles et les sols nus.
La procédure de classification se décline comme suit :
• moSur ENVI : Toolbox > Classification > Classification Workflow
• Ouverture de l’image à classifier et sélection de « Use Training Data »
• Détermination des trois classes (urbain, terres agricoles et sols nus). Pour chaque classe,
un grand nombre d’échantillons d’apprentissage a été utilisé afin d’améliorer le résultat
de la classification.