Les différents essais de classification réalisés dans le cadre de cette étude reposent tous sur la classification par vraisemblance maximale. Ce sont les fonctionnalités d’analyses spatiales multi variées de la suite logicielle Arc Gis, version 9.3 qui ont été utilisées pour ces tâches d’étude du potentiel de la segmentation d’images des dispositifs forestiers d’évaluation de variétés ou de provenances.
Les clichés utilisés sont les produits de la campagne de prises de vues d’août 2009. Ce sont les spectres rouge, vert, bleu PIR et Red Edge qui ont été utilisés seuls, combinés ou recalculés sous forme d’index de végétation. L’infrarouge thermique n’a pas été évalué pour les tentatives de segmentation en raison de sa moindre définition (1 pixel = 50 à 60 cm) contre 5 cm par pixel pour l’ensemble des autres canaux. Les transformations de données telles que la conversion en luminance, le gain appliqué au spectre rouge, le découpage des rasters sur aires d’intérêt, la création de fichiers d’attribution d’identités modalités ou blocs relèvent des mêmes procédures que celles présentées et décrites dans le compte rendu « Evaluation et homologation des variétés issues des vergers à graines de l’Etat 2011 », pages 6 à 12 de la partie télédétection.
2- Essais de classification par vraisemblance maximale (region based
classification)
La classification de vraisemblance maximale requiert la création préalable d’un fichier de signatures qui donne en quelque sorte le « patron » selon lequel la classification sera réalisée. La nature même de ce patron ou fichier de signature définit le type de classification qui peut être assistée ou non supervisée.
- Dans le cas d’une classification assistée, on procède à un échantillonnage préalable des entités. Techniquement le fichier de signature est alors établi par l’analyse conjointe d’un fichier de formes « shape » et d’un raster. Cette procédure est possible et intéressante si il est possible d’identifier à vue une nature particulière de couvert telle que conifères, houppiers de merisier au sein de la zone d'étude alors celles-ci sont identifiées en les délimitant manuellement sur un raster. Ce travail préparatoire est construit à l'aide de plusieurs polygones de délimitation de zones homogènes identifiées afin d’intégrer la variabilité supposée d’une même entité sur l’aire d’étude. En plus du couvert que l’on souhaite qualifier en particulier, d’autres polygones seront aussi créés pour représenter le sol nu ou des parties de prairie. Ce processus sera poursuivi sur autant de classes supposées et que l’on souhaite classifier et ce jusqu'à disposer de suffisamment de répétitions pour bien représenter une classe. Les classes de données seront ensuite identifiées dans la table attributaire du fichier de formes « shape file» afférent. Toutes les entités (pixels) appartenant à un même polygone sont dans cette procédure identifiés comme une classe, le (ou les) polygone(s) qui englobe(nt) la classe comme un échantillon d'apprentissage. Une fois tous les échantillons d'apprentissage identifiés dans la table attributaire du fichier formes, les statistiques multi variées sont appliquées pour établir les relations au sein des classes et entre elles. Les statistiques qui en résultent sont ensuite stockées dans un fichier de signatures qui définit alors le « patron » de traitement assisté des rasters qui seront analysés par la suite.
- Dans le cas d’une classification non supervisée (non assistée), elle est choisie lorsque l’on ne peut ou ne souhaite pas à priori identifier quelles entités appartiennent ou pas à une
classe, on souhaite toutefois que l’ensemble des données soit agrégé en un nombre limité de classes ou agrégats afin de permettre une interprétation aisée du résultat. Ce sont alors les statistiques multi variées issues de l’analyse de l’ensemble des valeurs de la couche d’analyse (raster) qui vont déterminer la classe ou l'agrégat auquel chaque pixel sera attribué. Chaque agrégat est statistiquement séparé des autres agrégats en fonction des valeurs de chaque canal de chaque cellule contenue dans les agrégats. Les statistiques qui définissent ainsi la notion de classe ou agrégat sont stockées dans un fichier de signatures. Dans la présente étude nous avons testé deux types de fichiers de signatures de classification non supervisée :
o Les fichiers de signatures produits par l'outil « Cluster Iso Data» dont le préfixe iso de l'algorithme d'agrégation iso data signifie "Iterative Self Organizing" (auto- organisation itérative). Cet outil utilise une optimisation itérative modifiée, également appelée migration de moyennes. L'algorithme attribue tous les échantillons à des centres d'agrégation existants et recalcule les moyennes de chaque classe en fonction du nombre de classes spécifié par l'utilisateur, plusieurs canaux en entrée peuvent être traités simultanément. Le nombre optimal de classes ne peut être défini que par des essais successifs d’agrégation, il convient donc de choisir en phase initiale un nombre élevé de classes et de relancer si nécessaire la fonction avec un nombre décroissant de classes.
o Les fichiers de signatures créés par l’outil « Créer des fichiers de signatures » qui préside également à une classification non assistée des données des rasters. Ce processus n’est pas itératif, il repose essentiellement sur des données statistiques telles que le nombre de pixels dans chaque classe, les moyennes et les matrices de covariance. Ce type de fichier de signatures peut, comme dans le cas de la procédure Cluster Iso Data, être établi sur plusieurs couches de données.
La classification se déroule en quatre étapes : 1. Création et analyse des données en entrée.
2. Génération de signatures pour l'analyse des classes et des agrégats. 3. Évaluation et, si nécessaire, mise à jour des classes et des agrégats. 4. Réalisation de la classification.
Figure 2 : Fichier de formes désignant des aires clairement identifiables à vue et codées « houppier, prairie, ombres etc.… », fichier de forme utilisé dans le processus de classification assistée (verger Mélèze hybride F2, couche PIR).