Approche basée sur l’objet (ensemble de pixels) du général vers le spécifique 25 

Dans le mode raster, les approches basées sur les objets peuvent être utilisées pour extraire des objets par l’identification de certains seuils. Dans ces approches, les objets sont un ensemble de pixels qui décrivent des éléments du relief. Certains auteurs sélectionnent des objets précis pour être extraits à une échelle plus grande. Par exemple, ils font l’identification de montagnes ou de collines pour identifier des cordillères. Une région de montagnes peut être définie par sa proéminence (hauteur relative entre les éléments voisins) et diverses caractéristiques morphologiques (Chaudhry et Mackaness, 2008). De même, Straumann et Purves (2008) ont développé une approche basée sur une région croissante autour d’un talweg où des pixels sont ajoutés à la région d’après une valeur de seuil fixé. Cette procédure utilise les définitions des fonds des vallées dans le développement des algorithmes et des régions croissantes.

2.4.2.1 Délimitation du fond de la vallée (Strauman et Peurves, 2008)

D’abord, cette méthode extrait un réseau de bassins de drainage en suivant un ordre hiérarchique d’écoulement (ordre de Shreve) pour distinguer ceux qui correspondent à une classe supérieure ou inférieure. De cette manière, le talweg du sous bassin est plus proche d’une vallée que dans les résultats obtenus dans le réseau original. En outre, les relations des sous-bassins et les talwegs présentent certaines limites, telles que le fait que la région croissante autour du talweg se produit seulement au-dedans du sous bassin et non à travers.

L’implantation est réalisée par le calcul de l’accumulation et le sens d’écoulement d’un MNT. Le réseau de cours d’eau est ordonné hiérarchiquement et des points d’écoulement sont créés pour chaque connexion d'ordre différent. L’ordre de Shreve assigne à tous les talwegs d’amont une magnitude de 1 et additionne les magnitudes là où il y a intersection des talwegs (Huggett, 2007). Ainsi, le réseau de talweg est segmenté selon la direction générale d'écoulement. Par la suite, les bassins d’ordre X sont coupés par tous les bassins d’ordre Y<X. L’utilisation de l’ordre de Shreve amène une segmentation des bassins versants dans la direction générale d’écoulement. Ainsi, chaque segment d’une rivière possède son propre sous bassin (figure 2.7).

26

Figure 2.8. Sous-bassins et talwegs d’un réseau de drainage [Straumann et Purves, 2011].

La délimitation de la région croissante est faite par la combinaison du réseau d’écoulement et des sous- bassins, cette région est le fond plat de la vallée bordant les talwegs. La procédure de croissance se réalise seulement de manière individuelle pour chaque sous-bassin. De cette manière, un pixel de l’image i se trouve au fond de la vallée si au moins un de ses voisins est un pixel du talweg et satisfait les conditions suivantes :

Voisins principaux : tan ∙ 0 Équation 2.1

Voisins diagonaux : tan ∙ √2 ∗ 0 Équation 2.2

Où : gradient du seuil (°),σ: la taille de la cellule (m), , , :élévation (m) de la cellule i et des cellule du cours d’eau (talweg), respectivement.

L'élargissement de la région est exécutée de manière itérative jusqu’à ce qu'il n’y ait plus de détection de nouvelles cellules au fond de la vallée. Cette procédure garantit la contigüité des fonds des vallées parce que seulement les zones avec une pente faible sont atteintes depuis le talweg, correspondant ainsi aux définitions du fond de la vallée. De même, les valeurs testées pour le gradient du seuil sont de 0.25 à 3 degrés, où une valeur de seuil de 1.5 degrés a donné le résultat le plus pertinent en rapport à une observation qualitative de la zone.

Une limitation évidente de cette approche est l’adoption d’un seuil unique universel pour la délimitation du fond de la vallée. Par conséquent, les auteurs suggèrent une extension de l’approche où le seuil est basé sur l’information contextuelle du terrain. Par exemple, des valeurs de seuils plus basses pour un ordre inférieur de cours d’eau (en général, ils sont moins incisés) ou la fixation d’un seuil avec propriétés respectives pour chaque sous bassin.

27

2.4.2.2 Analyse d’images à base d’objets (OBIA)

Habituellement, l’identification des éléments de relief est réalisée par des traitements d’images basés sur le pixel. Pour pallier les problèmes de méthodes traditionnelles, des approches au-delà des pixels ont été développées, telles que l’OBIA. L’OBIA implique l’analyse d’objets d’intérêt, dans notre cas le fond de terrain marin qui nous aidera à déterminer les formes du relief. Généralement, ces formes sont construites sur une segmentation d’image par des zones homogènes (figure 2.8).

Figure 2.9 : Segmentation d’images par des zones homogènes [Gercek, 2010].

L’analyse d’images à base d’objets (OBIA) donne une approche multi-échelle (figure 2.9) et des zones homogènes du terrain. Ces régions sont créées par les critères d’homogénéité dans les dimensions spatiales d’un élément. Elles possèdent des informations spectrales additionnables par rapport au pixel simple (valeurs de moyennes et de médianes par bande, valeurs minimales et maximales, des ratios moyens, des écarts types, etc.) (Blaschke, 2010). Cependant, le plus grand avantage réside dans l’information spatiale relative à l’objet plutôt que les valeurs spectrales. (Blaschke et Strobl, 2001; Darwish et coll., 2003; Flanders et coll., 2003; Benz et coll., 2004; van der Werff et van der Meer, 2008; Hay et Castilla, 2008).

Figure 2.10 : Estimation statistique du paramètre de l’échelle dans une approche multi-échelle [Ismail et coll., 2015].

En bref, l’OBIA demande une connaissance acquise a priori des formes présentes sur le terrain pour la modélisation d’une sémantique qui représente les relations entre les éléments du relief. Le concept d’OBIA est relié à la représentation des objets sous l’angle de la programmation orientée vers l’objet, une matière développée au début en dehors du domaine géographique, mais dont l’implantation est bien adaptée au

28

modèle de données SIG (Bian, 2007). Le paradigme de l’OBIA a au moins quatre principes qui ne sont pas typiquement utilisés dans la classification par pixel en renforçant la précision des résultats obtenus : (i) la procédure de la segmentation, (ii) le classificateur du voisin le plus proche, (iii) l’intégration de la connaissance de l’expert et (iv) l’optimisation spatiale des éléments (Platt et Rapoza, 2008).