En cours de projet, une carte de réflectance a été calculée à partir des photos de la caméra NIR.
Une orthophoto et une carte de réflectance diffèrent par les points suivants (Pix4D) :
« Une balance des couleurs est appliquée pour le calcul des orthophotos. Cela signifie que Pix4DMapper va essayer d’ajuster l’intensité des couleurs dans chaque image pour qu’elles s’accordent mieux entre elles. Le but de cette manipulation est d’obtenir un rendu visuel plus agréable. ».
« Pour la carte de réflectance, aucune balance de couleurs n’est appliquée. Le poids de tous les pixels est alors calculé de manière différente dans la moyenne pondérée. Le but est de produire une carte où les valeurs de chaque pixel indiquent exactement la réflectance de l’objet. ».
Ainsi, comme l’explique l’article « Difference between the Reflectance map and the Orthomosaic » sur le site de Pix4D Support, en pratique, le calcul d’une orthophoto prend en comptes des moyennes de valeurs de pixels afin d’avoir un rendu plus esthétique. Cela n’est pas le cas pour les cartes de réflectance. Il est alors intéressant de regarder ce que peut apporter ce produit photogrammétrique dans le cadre de la télédétection.
Pour se faire, les différents tests précédents ont été répétés, mais cette fois, les bandes issues de la caméra NIR, ne proviennent plus de l’orthophoto mais de la carte de réflectance. Les rangs de vignes ont été préalablement extraits selon l’emprise des rangs de la méthode GRVI. Puis les emprises des échantillons d’apprentissage ont été soustraites aux rangs, afin de se placer dans les mêmes conditions de tests que précédemment avec les bandes de l’orthophoto.
L’emprise des rangs calculés avec le GRVI sur l’orthophoto NIR a servi à découper la carte de réflectance. En effet, beaucoup de temps a été investi jusqu’à la soutenance intermédiaire pour réaliser les étapes préliminaires à l’étape de classification des cépages.
De plus, le calcul de la carte de réflectance a pris un temps considérable du fait que le calcul a eu besoin d’être relancé plusieurs fois. Le bon paramétrage des calculs a en effet été complexe à trouver : pour que le logiciel Pix4D calcule des calibrations sur les images, nécessaires à la production de la carte de réflectance, il faut que, dès le processus initial, le modèle « AG Modified Camera » ait été sélectionné, comme indiqué sur la figure 25. Cependant, aucun message d’erreur n’est transmis à l’utilisateur pour comprendre pourquoi le calcul ne peut aboutir si ce modèle n’est pas sélectionné.
Figure 25 Modèle à sélectionner pour la production de la carte de réflectance
C’est pour ces raisons, que le choix a été de ne pas extraire les rangs de vignes avec le GRVI calculé sur la carte de réflectance, afin de garder du temps pour le calcul et l’analyse des méthodes de classifications des cépages. En toute rigueur, il aurait été préférable d’appliquer la méthode du GRVI sur la carte de réflectance et trouver le seuil optimal, afin d’extraire les rangs de vignes. Il est à noter que le nombre de pixels obtenus, par découpage des rangs de vignes de la carte de réflectance par les échantillons d’apprentissage, a diminué. Cela est dû au fait que la classification ne s’est pas réalisée sur l’ensemble des pixels qui constituent les rangs de vignes (Cf. Figure 26).
Aucune raison pour expliquer ce phénomène n’a été trouvé. C’est pourquoi, l’analyse de l’apport de la carte de réflectance sur cet échantillon a été abandonnée.
Dans l’ensemble, le test qui offre de nouveau le plus de résultats est celui utilisant les six bandes.
Pour apprécier les apports des données de la carte de réflectances, nous avons calculé un pourcentage de pixels classés correctement par rapport au nombre total de pixels contenus dans l’échantillon.
Figure 26 Echantillon de pinot noir n°2 AVANT/APRES classification
Le graphique 4 présente ces résultats.
Graphique 4 Classification de vraisemblance maximale sur 6 bandes (orthophoto vs carte de réflectance)
On constate que l’utilisation des bandes de la carte de réflectance améliore pour la quasi-totalité des échantillons la classification des pixels. Seul le merlot présente une baisse de pixels correctement classés. Cependant, il est à noter que pour les deux types de données en entrée, un nombre maximal de pixels est tout de même attribués au cépage Merlot sur l’échantillon, comme l’illustre la figure 27.
L’utilisation de la carte de réflectance pour appliquer la classification des cépages sur l’ensemble du secteur d’étude est envisageable.
L’objectif maintenant est alors de considérer les trois bandes de l’orthophoto de la caméra RGB et les trois autres de la carte de réflectance de la caméra NIR.
8 22
11 -5 2
26 17 25
47
82
35 -20
0 20 40 60 80 100 120
PIXELS CLASSÉS JUSTES [%]
ECHANTILLONS DE CÉPAGES
Données issues de l'orthophoto VS carte de réflectance
Bandes NIR de l'orthophoto Bandes NIR de la carte de réflectance Hausse en pourcentage
Figure 27 Classification de l'échantillon de merlot avec les bandes de l'orthophoto (à gauche) et de la
carte de réflectance (à droite)
9 CLASSIFICATION DES CEPAGES SUR LES VIGNES DU SECTEUR 9.1 Création de couche « Vérité Terrain »
Comme introduit au chapitre 4.1, les données mises à la disposition pour avoir des informations sur les cépages sont :
Le cadastre du secteur au format dwg, fourni par David Cotter
Un tableau avec les numéros des parcelles et les cépages déclarés à la commune au format pdf, fourni par Laurence Rey, de la commune d’Ayent.
N’étant pas pratique pour analyser les classifications parcelles par parcelle, une couche « Vérité Terrain » a été créée manuellement. Pour se faire la couche qui a servi à découper le secteur tout au long du projet a été fractionnée selon les limites des parcelles fournies par le fichier Autocad, puis un champ « Cépage » a été complété manuellement à l’aide du tableau.
Les classes d’échantillonnage concernent 9 cépages. Cependant, le secteur où se déroule l’étude possède quelques cépages supplémentaires. C’est pourquoi, les parcelles en rose pâle ne seront pas classifiées. De plus, les parcelles hachurées contiennent plusieurs cépages. Pour pouvoir obtenir un résultat comparable de classification des cépages, nous avons choisi de ne pas considérer les parcelles multicépages. Si le temps le permet, nous pourrions aborder la question de la façon de classifier ces parcelles à cépages multiples. Enfin, les parcelles bâties, sans vigne ou sans information sur le cépage sont représentées en vert pâle. Ces dernières ne pourront non plus être classifiées. Une fraction de vignes inclassifiables a été calculée selon la formule 8:
∑ . " $/- 4 $- 44$"$ 3 4
. " 4
Formule 8 Calcul de la fraction de rejet
De cette manière, nous avons déterminé le nombre de vignes qui ne peuvent être classées représentent 56% de la surface du périmètre concerné.
Figure 28 Couche de vérité terrain créée à partir des données à disposition
9.2 Classification à l’aide de la fraction de rejet
L’outil de classification de vraisemblance maximale d’ArcMap permet d’insérer une fraction de rejet pour ne prendre en compte qu’une fraction des pixels du raster en entier. Le choix de la fraction de rejet se fait dans une liste déroulante. Le choix alors été de sélectionner la fraction de rejet la plus proche de celle qui est réalisée sur le secteur, à savoir 0.5. Cette méthode s’est montrée inadaptée.
Figure 29 Classification de vraisemblance maximale avant (à gauche) et après (à droite) application de la fraction de rejet
En effet, comme l’illustre la figure 29 ci-dessus, ce paramètre ne change pas la manière de classifier le raster : Les couleurs attribuées restent globalement réparties de la même façon. Le nombre de pixel coloré semble juste divisé de moitié. Cela doit être dû au fait que ce paramètre s’applique sur chaque pixel du raster de manière équiprobable.
Ainsi, afin de proposer une méthode indépendante de la fraction de rejet, la couche de vérité terrain a été découpée pour ne prendre en compte que les parcelles classifiables.
9.3 Classifications des rangs de vigne classifiables
La première classification réalisée sur l’ensemble du secteur, utilise les six bandes fournies par l’orthophoto RGB et la carte de réflectance NIR. Il s’agit de vérifier si la méthode, validée lors du test sur les échantillons de vigne se généralise sur l’ensemble de la zone d’étude. Les paramètres introduits pour faire la classification de vraisemblance maximale sont les suivants :
Fraction de rejet : 0.0
Pondération de probabilité a priori : EQUAL
Le paramètre de pondération a priori est un paramètre qui définit avec quelle probabilité les classes sont distribuées. Dans ce cas, la valeur EQUAL signifie que l’ensemble des classes sont réparties de manière équiprobable entre elles.
Le résultat du calcul, dont une capture d’écran a été faite en figure 30, permet d’avoir un premier aperçu de la classification réalisée :
Figure 30 Classification de vraisemblance maximale avec les 6 bandes (Rouge, Vert, Bleu, NIR, Rouge, Vert) sur l'ensemble des vignes classifiables
On constate que la coloration des pixels ne varie pas parfaitement par parcelle, mais présente une variabilité assez grande au sein même d’une seule parcelle. Cependant, cette capture permet de voir que la plupart des parcelles sont colorées pour la plupart avec une ou deux couleurs principales.
D’un point de vue purement cadastrale, on en déduit que la classification ne détecte que les parcelles possédant des cépages différents. Cependant, la justesse de la classification est difficilement analysable en regardant le raster tel que représenté sur la figure. C’est pourquoi, afin d’avoir des résultats à analyser, les classifications supplémentaires selon les bandes suivantes ont été faites :
R, G, B, NIR : {Rouge, Vert, Bleu} de la caméra RGB et {NIR} de la caméra NIR NIR, R, G : {NIR, Rouge, Vert} de la caméra NIR
NIR, R, G, B : {NIR, Rouge, Vert} de la caméra NIR et {Bleu} de la caméra RGB
R, G, B, NIR, R : {Rouge, Vert, Bleu} de la caméra RGB et {NIR, Rouge} de la caméra NIR Bien que le raster classé ne permette pas à première vue de distinguer si la classification est juste ou fausse, ces premiers aperçus permettent de choisir quelles bandes permettent de détecter des variations entre les parcelles. En fonction des bandes introduites pour appliquer la classification de vraisemblance maximale, on constate que les résultats obtenus ne détectent pas toujours de différence entre les parcelles.
C’est le cas par exemple en insérant les 5 bandes R, G, B, NIR, R, comme le montre la figure 31.
Figure 31 Résultat de classification inexploitable (R, G, B, NIR, R)
Si les bandes ne détectent aucune différence entre les parcelles, il est clair qu’elles ne peuvent aboutir à un résultat exploitable pour classifier des cépages. Ainsi, les bandes dont la classification est intéressante à analyser sont :
Les six bandes issues des deux caméras,
Les quatre bandes R, G, B, NIR issues des deux caméras 3 bandes NIR, R, G de la caméra NIR
3 bandes R, G, B de la caméra RGB
10 RESULTATS
10.1 Affichage des résultats
Pour pouvoir analyser les résultats des classifications obtenus, l’objectif est de simplifier leur affichage. Cette meilleure lecture des résultats a été réalisée en deux étapes :
L’attribution d’un unique cépage par parcelle La comparaison avec la couche de vérité terrain
Ces deux étapes ont été réalisées sur FME. Une marche à suivre qui détaille plus en profondeur les paramétrages du processus se trouve en annexe 3 du présent document.
10.1.1 ATTRIBUTION D’UN CEPAGE PAR PARCELLE
Comme nous l’avons vu au chapitre précédent (Chp.9.3), le résultat brut de la classification attribue plusieurs cépages par parcelle, en proportions différentes. Une idée serait alors de considérer la surface maximale occupée par un cépage sur la parcelle. En effet, lors de l’analyse des classifications sur les échantillons (cf. Chp. 8.2), nous avons pu constater que dans la majorité des cas, le pic de l’histogramme correspondait à un cépage défini. Selon les bandes introduites, le cépage se trouvait parfois être celui de la parcelle. En considérant la surface maximale occupée par un cépage sur chaque parcelle, cela permettra de comparer de manière facilitée les résultats obtenus avec la couche de vérité terrain.
Les étapes de calcul sur le logiciel FME sont décrites sur le schéma 6.
L’utilisation de ce script FME permet un gain de temps considérable en permettant l’automatisation des calculs. Avant tout calcul sur FME, les rasters classifiés ont été vectorisés sur ArcMap dans le but de simplifier le processus. En effet, FME éprouve des difficultés à traiter les rasters au format « .adf » issus d’ArcMap.
L’étape de découpage du raster classifié vectorisé en entrée selon l’emprise des parcelles classifiables produit une couche vecteur avec les rangs de vignes attribués par parcelles.
L’étape d’agrégation s’est montrée nécessaire étant donné que la couche vectorisée du raster classifié représente l’emprise des pixels des rangs de vigne qui sont, par principe, disjoints. De plus, le raster attribue pixel par pixel des cépages dans un champ. Comme nous l’avons vu, ces cépages ne sont pas attribués de manière continue le long des rangs. D’où la nécessité de cette étape.
Schéma 6 Attribution d'un cépage par parcelle sur FME
Les deux dernières étapes constituent des jointures. La première permet de rajouter le champ de la surface maximale calculée, ne possédant pas de géométrie, à la couche des rangs de vignes. La seconde permet de joindre les attributs de la couche des rangs avec la géométrie des parcelles. On obtient ainsi en sortie une couche contenant non plus les rangs de vignes mais les polygones des parcelles, et le cépage principal attribué par la classification (cf fig. 32).
L’amélioration de la lecture des résultats est appréciable et va permettre de comparer les résultats obtenus plus facilement. Il ne reste plus qu’à proposer un processus automatisé pour comparer parcelle par parcelle la justesse des résultats obtenus.
10.1.2 COMPARAISON DE LA CLASSIFICATION AVEC LA COUCHE DE VERITE TERRAIN
Le logiciel FME a de nouveau servi pour comparer la couche résultat à la couche de vérité terrain. Il a suffi, pour se faire, de réutiliser la couche de classification simplifiée créée précédemment (cf.
Chp.10.1.1). Un champ « Vérité » de type booléen a été rajouté :
Test Valeur du champ « Vérité »
Cépage AVOIR= Cépage DOIT TRUE
Sinon FALSE
Tableau 9 Valeur du champ "Vérité"
En sortie, nous obtenons la même couche que précédemment avec un champ de comparaison en plus.
En adaptant la symbologie, les parcelles correctement classées seront représentées en vert et les autres en rouge. Le schéma 7 illustre la création de cette couche.
Figure 32 Amélioration de l'affichage des résultats: AVANT / APRES attribution d'un cépage principal par parcelle
Classification simplifiée
Validation de la classification
Couche DOIT
Schéma 7 Création d'une couche de comparaison des classifications simplifiée avec la couche de vérité terrain
10.2 Résultats des classifications réalisées
Grâce à la simplification de l’affichage, il apparaît que les quatre classifications ne présentent pas la même efficacité entre elles. Le tableau 10 suivant récapitule l’ensemble des classifications réalisées.
Bandes
utilisées Cadastre viticole obtenu Validation des résultats
R-G-B
R-G-B-NIR-R-G
NIR-R-G
R-G-B-NIR
Tableau 10 Résultats des classifications et tests de validation
Les outils d’affichage développés au chapitre précédent (cf. Chp. 10.1) permettent de mettre en évidence deux caractéristiques qui varient selon les bandes utilisées pour effectuer des classifications :
L’attribution des cépages aux parcelles Le nombre de parcelles classées correctement
Concernant l’attribution des cépages aux parcelles, les deux classifications utilisant les trois bandes de la carte de réflectance (NIR-R-G) semblent attribuer, toutes les deux, du sauvignon blanc sur la partie Nord-Est. Autrement, la majorité des parcelles mal classifiées ont des cépages attribués qui changent en fonction des bandes introduites pour la classification.
Pour analyser la variation du nombre de parcelles classifiées justes en fonction des bandes utilisées, des pourcentages sur les surfaces des parcelles ont été calculés. En pratique, la surface occupée par les parcelles classifiées justes a été calculée puis mise en rapport avec la surface totale occupée par les parcelles classifiables. On obtient les différents pourcentages suivants en fonctions des bandes introduites pour calculer les classifications :
Graphique 5 Comparaison du nombre des parcelles classifiées justes selon les classifications
A partir des graphiques ci-dessus, il apparaît que la méthode utilisant les trois bandes de l’orthophoto R-G-B et la bande NIR de la carte de réflectance retourne le plus de parcelles classifiées correctement. Cependant, il est intéressant d’analyser les écarts obtenus entre les quatre classifications. En effet, lors de la validation des classifications sur les échantillons d’apprentissage, la classification la plus performante se trouvait être celle utilisant les six bandes issues de la caméra RGB et NIR.
10.3 Interprétation des résultats
Au vu des résultats précédents, nous pouvons considérer que la classification n’est pas aboutie. Il faudrait encore affiner l’apprentissage des caractéristiques des cépages. En effet, aucune corrélation entre les cépages et les résultats des classifications n’est, à ce stade détectable.
La figure 33 suivante a servi à analyser la corrélation entre les cépages et les parcelles mal classifiées. Elle affiche la couche de validation de la classification R, G, B, NIR avec les cépages DOIT, issus des données communales
Les observations qui ont été faites sur la figure 33 sont les suivantes :
Les parcelles du même cépage ne sont pas systématiquement classifiées justes (exemple 1 : Pinot noir)
Les parcelles voisines contenant un même cépage ne sont pas forcément détectées comme identiques (exemple 2 : Gamay)
Pour interpréter les résultats bien classés, nous avons regardé de plus près quelles parcelles ont été classées justes selon une seule méthode de classification. Autrement dit, les parcelles classées justes avec plusieurs méthodes ont été écartées.
Exemple1
Exemple2
Figure 33 Recherche de corrélation entre les cépages et les résultats
Il se trouve que seule la classification R, G, B, NIR permet de classifier correctement des parcelles que les autres méthodes ne détectent pas. Il est alors intéressant de constater que cette classification, offrant le résultat le plus efficace, n’est pas une jointure de l’ensemble des bons résultats des autres classifications. Sources d’erreurs dans la classification des cépages
Bien que la classification utilisant les bandes R-G-B-NIR soit celle qui offre le plus de résultats probants, dans l’absolu, cette méthode n’est pas optimale. En effet, comme nous venons de le voir, seul un tiers des parcelles sont attribuées au bon cépage.
11 SOURCES D’ERREUR
11.1 Erreur due à la retranscription des données DOIT
Pour rappel (cf. Chp. 9.1), les données mises à disposition pour établir une couche de vérité terrain avec les cépages correspondant à chaque parcelle étaient un plan au format dwg avec quelques cépages en présence indiqués et un tableau comprenant les numéros de parcelles et les cépages. La couche de vérité terrain a alors été créée en retranscrivant les informations des cépages sur les parcelles manuellement. Cependant, une incohérence entre les deux données mises à disposition a été déterminée. La parcelle 2220, sur laquelle l’échantillon d’apprentissage correspondant au muscat a été digitalisé, contient en vérité différents cépages. Cette incohérence ayant été déterminée trop tard, les calculs de classification des cépages n’ont pas pu être relancés et analysés, faute de temps. Il est probable que cette erreur de retranscription ait eu une influence non négligeable dans les résultats des classifications réalisées. sont colorés de manière très variée. Cela signifie que la classification ne reconnaît pas vraiment un cépage principal sur cette parcelle.
La surface maximale occupée par un cépage sur cette parcelle ne semble pas être un estimateur efficace dans ce type de cas pour attribuer un cépage à la parcelle.
Figure 34 Classification indécise d'une parcelle
En effet, lorsque l’on trace l’histogramme de répartition des classes de cette parcelle, comme sur la
En effet, lorsque l’on trace l’histogramme de répartition des classes de cette parcelle, comme sur la