Chapitre III : Matériels et méthodes
2022
32
non supervisée qui vise à dégager une structure présente dans les données. Pour le domaine de la
classification de pixels, on trouve comme algorithmes de classification supervisée les Réseaux de
Neurones Multi-Couches, les Machines à Supports de vecteurs (SVM) et les arbres de décision.
b-Classification non supervisée
La classification non supervisée se situe dans un cadre exploratoire. Le nombre de
classes et la signification de la variable qui expliquent l’hétérogénéité des données sont a
priori inconnus. C’est justement la classe d’appartenance de chaque variable qu’il s’agit de
retrouver à partir des différents paramètres disponibles et de déterminer des groupes les plus
homogènes possibles entre eux et les plus différents les uns des autres (Fukunaga, 1990).
Cette méthode est orientée par les choix de l’expérimentateur : le choix des variables prises en
compte, les paramètres de classification, le nombre des classes, etc. On cite des algorithmes de
classification non supervisée de pixels comme les K-Moyennes développé par MacQueen en
1967, C-Moyens flous (Young et Sang, 1990) et Ficher (Fisher, 1958) .
c-Classification semi-supervisée
Dans la majorité des cas, on se retrouve avec une masse importante de données dont
seulement une partie est étiquetée et pour lesquelles on connaît exactement leurs classes
d’appartenance. Alors, pour fouiller une base aussi grande que possible avec un minimum de
données étiquetées, l’apprentissage semi-supervisée intègre les données non étiquetées dans la
mise en place d’un modèle de prédiction. Dans ce sens, il cherche à exploiter les données nonétiquetées pour apprendre la relation entre les exemples et leurs étiquettes. Selon Chapelle et al.
(2006), on se situe alors à mi-chemin entre la classification supervisée et la classification non
supervisée. Cet aspect nous laisse la liberté de se positionner plutôt vers la classification
supervisée ou vers la classification non supervisée. La spécificité de la classification semisupervisée est que l’échantillon d’apprentissage est constitué à la fois de données étiquetées
et non étiquetées.
Dans notre étude, nous avons opté pour la classification supervisée par les forets aléatoires
(RF). La première étape est la collecte des échantillons. Cette étape consiste à collecter des
échantillons de type « urbain » et « non urbain » à l’aide des images à très haute résolution
spatiale disponible dans l’explorateur Google Earth. Une partie sera utilisée dans l’étape
« Apprentissage » de la classification supervisée et l’autre partie pour effectuer une évaluation de
la précision de la classification supervisée (RF) d’une image sentinel-1 SLC. Il est à noter que
2022
32
non supervisée qui vise à dégager une structure présente dans les données. Pour le domaine de la
classification de pixels, on trouve comme algorithmes de classification supervisée les Réseaux de
Neurones Multi-Couches, les Machines à Supports de vecteurs (SVM) et les arbres de décision.
b-Classification non supervisée
La classification non supervisée se situe dans un cadre exploratoire. Le nombre de
classes et la signification de la variable qui expliquent l’hétérogénéité des données sont a
priori inconnus. C’est justement la classe d’appartenance de chaque variable qu’il s’agit de
retrouver à partir des différents paramètres disponibles et de déterminer des groupes les plus
homogènes possibles entre eux et les plus différents les uns des autres (Fukunaga, 1990).
Cette méthode est orientée par les choix de l’expérimentateur : le choix des variables prises en
compte, les paramètres de classification, le nombre des classes, etc. On cite des algorithmes de
classification non supervisée de pixels comme les K-Moyennes développé par MacQueen en
1967, C-Moyens flous (Young et Sang, 1990) et Ficher (Fisher, 1958) .
c-Classification semi-supervisée
Dans la majorité des cas, on se retrouve avec une masse importante de données dont
seulement une partie est étiquetée et pour lesquelles on connaît exactement leurs classes
d’appartenance. Alors, pour fouiller une base aussi grande que possible avec un minimum de
données étiquetées, l’apprentissage semi-supervisée intègre les données non étiquetées dans la
mise en place d’un modèle de prédiction. Dans ce sens, il cherche à exploiter les données nonétiquetées pour apprendre la relation entre les exemples et leurs étiquettes. Selon Chapelle et al.
(2006), on se situe alors à mi-chemin entre la classification supervisée et la classification non
supervisée. Cet aspect nous laisse la liberté de se positionner plutôt vers la classification
supervisée ou vers la classification non supervisée. La spécificité de la classification semisupervisée est que l’échantillon d’apprentissage est constitué à la fois de données étiquetées
et non étiquetées.
Dans notre étude, nous avons opté pour la classification supervisée par les forets aléatoires
(RF). La première étape est la collecte des échantillons. Cette étape consiste à collecter des
échantillons de type « urbain » et « non urbain » à l’aide des images à très haute résolution
spatiale disponible dans l’explorateur Google Earth. Une partie sera utilisée dans l’étape
« Apprentissage » de la classification supervisée et l’autre partie pour effectuer une évaluation de
la précision de la classification supervisée (RF) d’une image sentinel-1 SLC. Il est à noter que