Chapitre III : Matériels et méthodes
2022
33
l’outil historique de GE qui permet d’afficher des images historique (2000 à ce jour) sur les
grandes agglomérations a été d’une utilité cruciale.
Avant de se lancer dans cette opération, il a fallu définir ce qu’est un objet « urbain » et un objet
« non urbain » à l’échelle de notre étude (moyenne). Cette tâche n’est pas facile lorsque nous
savons qu’au milieu du bâti qui est un objet appartenant à la classe « urbain » se trouvent
indéniablement des arbres ou des espaces verts qui sont forcément des objets « non urbain ».
Une fois l’apprentissage effectué, les images cohérences issues de la dernière étape du
prétraitement sont empilées et intégrées dans l’algorithme de RF comme données entrées.
La classification supervisée par les forêts aléatoires (random forest) est un algorithme de prédiction
crée en 1995 par Ho, puis formellement proposé par les scientifiques Adele Cutler et Leo Breiman en
2001.
Le RF est composé de plusieurs arbres de décision, entrainés de manière indépendante sur des sousensembles du jeu de données d'apprentissage (méthode de bagging). Chacun produit une estimation, et
c'est la combinaison des résultats qui va donner la prédiction finale qui se traduit par une variance réduite.
En somme, il s'agit de s'inspirer de différents avis, traitant un même problème, pour mieux l'appréhender.
Chaque modèle est distribué de façon aléatoire en sous-ensembles d'arbres décisionnels. Dans une
classification Random forest, l'estimation finale consiste à choisir la catégorie de réponse la plus fréquente.
Plutôt qu'utiliser tous les résultats obtenus, on procède à une sélection en recherchant la prévision qui
revient le plus souvent.
En pratique, il suffit de définir en entrée les paramètres de la classification des forêts aléatoires dont un
nouveau classifieur, le nombre d’arbres que nous augmentons un peu dans notre forêts à 500, puis en
sélectionnant le vecteur d’entrainement, et aussi les bandes d’entrées qui seront utilisées pour la
classification. L’un des avantages de cette classification est la rapidité par rapport aux autres algorithmes et
la facilité de mise en œuvre.
2022
33
l’outil historique de GE qui permet d’afficher des images historique (2000 à ce jour) sur les
grandes agglomérations a été d’une utilité cruciale.
Avant de se lancer dans cette opération, il a fallu définir ce qu’est un objet « urbain » et un objet
« non urbain » à l’échelle de notre étude (moyenne). Cette tâche n’est pas facile lorsque nous
savons qu’au milieu du bâti qui est un objet appartenant à la classe « urbain » se trouvent
indéniablement des arbres ou des espaces verts qui sont forcément des objets « non urbain ».
Une fois l’apprentissage effectué, les images cohérences issues de la dernière étape du
prétraitement sont empilées et intégrées dans l’algorithme de RF comme données entrées.
La classification supervisée par les forêts aléatoires (random forest) est un algorithme de prédiction
crée en 1995 par Ho, puis formellement proposé par les scientifiques Adele Cutler et Leo Breiman en
2001.
Le RF est composé de plusieurs arbres de décision, entrainés de manière indépendante sur des sousensembles du jeu de données d'apprentissage (méthode de bagging). Chacun produit une estimation, et
c'est la combinaison des résultats qui va donner la prédiction finale qui se traduit par une variance réduite.
En somme, il s'agit de s'inspirer de différents avis, traitant un même problème, pour mieux l'appréhender.
Chaque modèle est distribué de façon aléatoire en sous-ensembles d'arbres décisionnels. Dans une
classification Random forest, l'estimation finale consiste à choisir la catégorie de réponse la plus fréquente.
Plutôt qu'utiliser tous les résultats obtenus, on procède à une sélection en recherchant la prévision qui
revient le plus souvent.
En pratique, il suffit de définir en entrée les paramètres de la classification des forêts aléatoires dont un
nouveau classifieur, le nombre d’arbres que nous augmentons un peu dans notre forêts à 500, puis en
sélectionnant le vecteur d’entrainement, et aussi les bandes d’entrées qui seront utilisées pour la
classification. L’un des avantages de cette classification est la rapidité par rapport aux autres algorithmes et
la facilité de mise en œuvre.