Regroupement par caractéristiques polarimétriques
IV.6 Estimation des performances
IV.6.1 Approche multi-temporelle et multi-fréquentielle .1 Site de Risoul
∆
Carte des forêts enneigées α
α
Deuxième étape: Détection des forêts enneigées
Masque des forêts
Données SAR polarimétriques Été/ hiver Bande C
Clustering
Clustering
Calcul des variations Été/ hiver de
Calcul des variations Été/ hiver de
∆
∆
Carte des forêts enneigées α
α
Troisième étape: Détection des surfaces enneigées
Masque des surfaces
Sélection des zones d’apprentissage
Sélection des zones d’apprentissage
PCVE
PCVE
gmax, hmax
Données SAR polarimétriques Été/ hiver Bande C
Contraste optimal
Contraste optimal
Carte des surface s enneigées Clustering
Clustering
Troisième étape: Détection des surfaces enneigées
Masque des surfaces
Sélection des zones d’apprentissage
Sélection des zones d’apprentissage
PCVE
PCVE
gmax, hmax
Données SAR polarimétriques Été/ hiver Bande C
Contraste optimal
Contraste optimal
Carte des surface s enneigées Clustering
Clustering
Figure IV-40 Algorithmes de synthèse des approches mono-fréquentielles de détection de la neige
IV.6 Estimation des performances
Les performances des algorithmes de cartographie sont estimées à partir des images otiques Landsat, ainsi que des informations sur l'enneigement des sites telles que la connaissance de la limite basse de la neige. Des zones de test sont sélectionnées de façon équi-répartie sur les sites d'étude au moyen des images d'hiver Landsat dans le but de générer une carte de référence. Cette carte est constituée de 4 classes correspondant aux 2 types de milieux présents sur le site, surface ou forêt, en l'absence ou en présence de neige.
IV.6.1 Approche multi-temporelle et multi-fréquentielle
IV.6.1.1 Site de RisoulLes résultats de la cartographie d'hiver du site de Risoul obtenue à partir de l'approche multi-fréquentielle, sont comparés à la carte de référence établie pour ce site. La figure IV-41 est une représentation des zones de référence sélectionnées sur l'image optique Landsat et codées en couleur en fonction de leur classe d'appartenance. La figure IV-41-c montre le résultat de la classification sur les zones de test.
IV.6 Estimation des performances
-a- -b- -c-
Forêts enneigées
Surfaces enneigées Surfaces nues Forêts enneigées Forêts sans neige
Surfaces enneigées Surfaces nues Forêts sans neige
Figure IV-41 Résultats de la classification pour les différentes zones de la carte de référence sur le site de Risoul
-a- Image optique Landsat, -b-carte de référence, -c- classification des résultats de cartographie
La probabilité de bonne détection des zones est calculée pour les quatre classes avec un nombre d'échantillon total de 264483 et un nombre d'échantillon moyen par classe de 28303.
La probabilité de bonne classification calculée pour les quatre classes est de 77.65%.
Afin d'estimer uniquement le pouvoir de discrimination de la neige quel que soit le milieu sous jacent, la classe des surfaces enneigées est fusionnée avec celle des forêts enneigées et la classe des surfaces sans neige est couplée avec celle des forêts sans neige.
Le taux de bonne classification de l'enneigement du site est obtenu à partir d'une évaluation sur ces deux nouvelles classes.
La probabilité de bonne classification calculée pour ces deux classes est évaluée à 81.00%. IV.6.1.2 Site d'Izoard
Les résultats de la cartographie d'hiver du site d'Izoard, obtenus au moyen de l'approche multi-fréquentielle, sont comparés à la carte de référence propre à ce site. Les zones de référence et leur appartenance à chacune des classes préfinies sont représentées sur la figure IV-42. Le masque de la carte de référence est appliqué sur la cartographie d'hiver du site d'Izoard et la répartition des clusters dans chacune des classes est illustrée par la figure IV-42-c.
-a- -b-
-c-
Forêts enneigées
Surfaces enneigées Surfaces nues Forêts enneigées Forêts sans neige
Surfaces enneigées Surfaces nues Forêts sans neige
Figure IV-42 Résultats de la classification pour les différentes zones de la carte de référence sur le site d'Izoard
-a- Image optique Landsat, -b-carte de référence, -c- classification des résultats de cartographie
La probabilité de bonne détection des zones est calculée pour les quatre classes avec un nombre d'échantillon total de 415776 et un nombre d'échantillon moyen par classe de 51400.
La probabilité de bonne classification calculée pour les quatre classes est de 77.09%.
De même que précédemment, l'estimation de bonne détection de l'ensemble du couvert neigeux se fait à partir de deux classes obtenues par fusion de la classe des surfaces enneigées avec celle des forêts enneigées et des classes de surfaces et de forêts sans neige.
IV.6 Estimation des performances
IV.6.1.3 Discussion
Comme le montrent les résultats précédents, la procédure multi-fréquentielle de détection de la neige donne d'excellents résultats, avec des taux de bonne classification de l'ordre de 80%. Les taux de détection élevés et similaires, sur les deux sites d'études différents, indiquent des propriétés de généralisation intéressantes De plus la méthode mise en œuvre semble, de manière générale, assez robuste vis à vis des variations importantes de relief sur les sites d'étude. Seules quelques zones à très forte topographie sont mal détectées.
La faible diminution du taux de détection de la neige, occasionnée par la discrimination additionnelle du type de milieux sous jacents, indique un aspect très avantageux de cette méthode pour des utilisateurs potentiels. En effet les couverts neigeux sur sols nus ou sous couverts forestiers représentent des milieux physiques aux propriétés tout à fait différentes.