Chapitre 2 – L’état de l’art 14
2.4 Méthodes d’extraction des éléments du relief 22
2.4.1 Approche basée sur le pixel du spécifique vers le général 22
Les approches basées sur le pixel peuvent être divisées par classification non-supervisée et supervisée.
2.4.1.1 Classification non-supervisée
Cette approche se fait par une procédure de regroupement de pixels, soit par un partitionnement flou ou net en minimisant l’écart-type en-dedans de la classe et en maximisant l’écart type en dehors de la classe. Dans le regroupement flou, où chaque point peut appartenir à plus d’une partition, on peut trouver certaines méthodes qui utilisent des statistiques comme critères de mesures, tels que la moyenne et l’écart-type. Le processus de K-moyennes floues divise en K partitions (clusters) pour généraliser la fonction du terrain.
D’abord, on doit considérer le centre C et calculer la distance depuis les divers points (objets) jusqu’à C. Les objets sont répartis parmi les classes selon la similitude entre eux et les clusters. Cette similitude est analysée par la distance en obtenant un échantillon d’écart type. Ainsi, la partition procède par itération jusqu’à ce qu'une solution stable soit obtenue où les objets similaires sont regroupés ensemble dans un cluster. Le ratio entre les valeurs dominantes et sous-dominantes de chaque objet est le degré de chevauchement de la classe
23
ou index de confusion. Cet index peut indiquer des zones du terrain où le changement spatial dans les classes est clair et abrupt, ou diffus et vague (Burrough et coll., 2001).
Si les classes de relief sont partitionnées par une approche nette, les attributs du paysage, qui varient progressivement sur l’espace, sont représentés par des transitions nettes. Ces transitions peuvent résulter en une perte d’information utile et une augmentation de l’erreur à cause de la mise arbitraire des bordures des formes du relief (Heuvelink and Burrough, 1993). Par conséquent, les méthodes de classification floue remplacent les approches nettes, parce qu’elles permettent un chevauchement des classes étant très commun par rapport aux groupes naturels du relief (Gercek, 2010).
Burrough et coll.(2001) ont utilisé le processus de K-moyennes floues pour faire une classification topo- climatique en identifiant la morphologie dans une zone de Yellowstone(États Unis). La carte qui en a résulté (figure 2.6) montre la répartition de classes obtenues dans la zone par rapport à l’index de confusion et les analyses statistiques.
Ce type de classification, qui est basé seulement sur le regroupement des zones analysées statistiquement, donne un nombre adéquat de classes de forme naturelle. Cependant, les algorithmes basés sur les clusters sont sensibles aux données d’entrée et au cadre de référence donné. Par exemple, les algorithmes peuvent présenter des classes différentes quand ils sont implémentés à une autre zone, ce qui rend difficile la généralisation de la classification (Gercek, 2010).
24
2.4.1.2 Classification supervisée
La classification supervisée utilise des valeurs d’entraînement pour classer les données dans chaque cluster de l’image. Ce type de classification présente aussi des partitions nettes ou floues. Contrairement à la méthode non supervisée, cette approche exige une connaissance a priori des classes présentes en surface.
En général, ces méthodes adoptent un ensemble de règles sémantiques basées sur la connaissance des experts. La sémantique est le pont entre la langue et la pensée, ce qui implique la relation de sens entre les objets du monde réel et les concepts (Jackendoff, 1983). La sémantique se réfère à l’étude de la signification et elle est une branche de la sémiotique. Les humains et les machines utilisent des signes pour communiquer entre eux puisque la signification est associée à l’interprétation de signes (Brodeur, 2014). Par conséquent, la conceptualisation des objets permet de comprendre le sens de ces signes parce qu’elle est une vue abstraite et simplifiée du monde. Une connaissance formelle d’une ambiance est basée sur la conceptualisation : les objets, les concepts et d’autres entités d’un domaine précis et les relations existantes entre eux (Guarino, 2009;Gruber, 1995).
Par conséquent, Pike (1998) a proposé une signature géométrique pour introduire la connaissance de classes géomorphométriques dans la classification automatisée. Ainsi, la signature géométrique est un ensemble de mesures qui décrivent la forme topographique d’une manière précise pour distinguer le relief géomorphologique. Elle peut être utilisée comme base pour les zones d’entraînement qui décrivent les classes de l’analyse supervisée (Gercek, 2010).
Dans la classification par des partitions nettes, la connaissance de l’expert permet d’assigner le nombre de classes à utiliser dans la définition des zones d’entraînement. Dans la classification par des partitions floues, le développement du modèle d’importation sémantique (SI) permet de faire une reconnaissance formelle et l’incorporation d’une sémantique imprécise pour classer les données. Cependant, les éléments des formes du relief peuvent avoir des chevauchements sur certaines caractéristiques. Par exemple, deux éléments ou plus peuvent être décrits comme relativement raides mais avec certaines différences sur leur base (relativement convexe ou concave).
En conclusion, cette méthode est basée sur des paramètres morphométriques et des zones d’entraînement par rapport aux processus géomorphologiques et les étapes évolutives du relief (Prima et coll., 2006) . Par ailleurs, la classification supervisée peut être plus précise que la classification non supervisée. Cependant, elle dépend de la connaissance préalable, de la compétence de l’utilisateur et de la distinction des classes. Dans les cas où les régions d’entraînement ou les signatures géométriques ne représentent pas de manière exacte les formes du relief, la classification peut être imprécise et floue.
25