Image satellites Spot

Les série temporelles d’images satellites décrivent la Basse Plaine de l’Aude, la

Montagne de la Moure et Causse d’Aumelas et le Pic Saint Loup sont issue du

capteur Spot. La Figure 3.14 décrit les différent types d’occupation du sol de chaque

site. La Basse Plaine de l’Aude compte six classes dont les couverts végétaux, les

zones humides, les surface en eau et les plages. La MMCA est caractérisée par un

paysage naturel prédominé par la végétation répartie en cinq classes : forêt,culture,

espace ouvert avec peu ou sans végétation, milieu à végétation arbustive etvignoble.

Le Pic Saint Loup est lui aussi prédominé par la végétation, il compte six classes

dont culture, forêt, espace couvert avec peu ou sans végétation, milieu a végétation

arbustive,vignoble et quelques espaces artificialisés.

Les trois sites partagent certaines occupations du sol comme illustré dans la

Figure 3.13. Les classes en commun sont au nombre de trois dont : culture, milieu à

végétation arbustive, et vignoble. Le Pic Saint Loup et la Montagne de la Moure et

Causse d’Aumelas partagent aussi deux occupation du sol qui sont : espace ouvert

avec peu ou sans végétation etforêt.

Territoire artificialisé Culture

Forêt

Espace ouvert avec peu ou sans végétation Milieu à végétation arbustive

Vignoble

Culture Forêt

Espace ouvert avec peu ou sans végétation Milieu à végétation arbustive

Vignoble Plage

Culture

Surface en eau Zone humide

Milieu à végétation arbustive Vignoble

Pic Saint loup BPA MMCA

Figure3.13 – La répartition des classes de couverture du sol identifiées dans les trois sites.

Les classes en commun sont : culture,milieu à végétation arbustive, et vignoble.

• Culture

• Milieu à végétation arbustive

• Vignoble

Pic Saint Loup

BPA

• Culture

• Milieu à végétation arbustive

• Vignoble

MMCA

• Espace ouvert avec peu

ou sans végétation

• Forêt

• Territoire artificialisé

• Plage

• Surface en eau

• Zone humide

Figure 3.14 – Les classes de couverture du sol identifiées dans les trois sites : la Basse

Plaine de l’Aude, la Montagne de la Moure et Causse d’Aumelas et le Pic Saint Loup . Les

classes en commun sont : culture,milieu à végétation arbustive, et vignoble.

3.6 Conclusion

Dans cette thèse, nous nous intéressons au suivi de l’évolution des zones

natu-relles et semi-natunatu-relles par imagerie satellite. Afin d’atteindre cette objectif, nous

allons adopter une analyse d’images satellites orientée object en s’appuyant sur les

méthodes d’apprentissage non supervisées et semi-supervisées. Afin de valider nos

approches, nous avons sélectionné quatre sites d’étude : la Basse Plaine de l’Aude,

la Vallée du Libron, MMCA et le Pic Saint Loup, localisés au sud de la France.

Dans ce chapitre, nous avons d’abord présenté ces quatre sites étude ainsi que les

images satellites décrivant chacun d’eux. Ces images satellite sont issues de capteurs

différents (Spot et Landsat) possédant des caractéristiques spécifiques. Nous avons

ensuite décrit les étapes de pré-traitement de ces images. Enfin, nous avons analysé

la couverture du sol des quatre sites.

Dans les chapitres suivant (Chapitres 4, 5 et 6), nous allons présenter les

dif-férentes méthodes d’analyse de séries temporelles d’image satellite proposées ainsi

que leur application aux données décrites dans ce chapitre.

Analyse non supervisée de séries

temporelles d’images satellites

Sommaire

4.1 Introduction . . . 50

4.2 Analyse non supervisée des STIS . . . 51

4.2.1 Vue globale de l’approche . . . . 51

4.2.2 Détection des entités spatio-temporelles . . . . 51

4.2.3 Construction des graphes d’évolution . . . . 53

4.2.4 Clustering des graphes d’évolution . . . . 55

4.3 Expérimentations . . . 57

4.3.1 Sélection des paramètres . . . . 58

4.3.2 Protocole d’évaluation quantitative . . . . 60

4.3.3 Résultats de l’évaluation quantitative . . . . 61

4.3.4 Résultats de l’évaluation qualitative . . . . 63

4.4 Conclusion . . . 68

4.1 Introduction

L’objective de notre thèse est l’étude des dynamiques des habitats naturels et

semi-naturels par télédétection. Dans le chapitre 2, nous avons présenté les

princi-pales approches d’analyse d’images satellites. La littérature foisonne de méthodes

de cartographie du sol. On distingues les approches orientées pixel des approche

orientées objet.

Les premières approches d’analyse se basent sur les pixels qui sont la plus petite

unité de l’image, cette unité n’apporte pas une analyse sémantique du paysage.

Tandis que les approches orientées objet traitent des images segmentées sur les

quelles des unités structurales du paysage ont été identifiées.

Nous travaux s’inscrivent dans ce contexte. Dans ce chapitre, nous présentons la

première de nos deux propositions qui ont pour objective l’analyse non supervisée

des dynamiques des habitats naturels et semi-naturels. L’objectif général de notre

proposition est l’exploitation des séries temporelles d’images satellites segmentées

pour une analyse orientée objet (OBIA- Object Oriented Image Analysis) des

évo-lutions des entités spatio-temporelles pour l’identification et la mise en évidence des

patrons d’évolution.

Les travaux d’analyse de STIS, déjà présents dans le littérature traitent de la

détection de changements en comparant deux images satellites segmentées. La

pro-blématique principale qui en ressort est l’alignement des objets dans une série

tem-porelle. En effet, quand il s’agit d’aligner des pixels, il suffit de superposer les images

satellites. Il est plus fastidieux pour l’alignement d’objets car il n’y pas de

corres-pondance un à un entre les images. Afin de remédier a cette problématique, nous

proposons la méthode nommée Evolution Graph Based Clustering.

Cette méthode compte trois étapes : (i) la détection des entités spatio-temporelles

(objets de référence), (ii) la construction des graphes d’évolutions et (iii) le clustering

des graphes d’évolutions.

Les entités spatio-temporelles représentent les objets à analyser, les graphes

d’évolutions permettent quant à eux d’illustrer l’évolution des entités

spatio-temporelles et finalement le clustering des graphes permet d’organiser et de mettre

en évidence des objets qui évoluent de la même façon mais aussi des patrons

d’évo-lution.

La représentation des évolutions des objets par graphe a été introduite par (

Gut-tleret collab., 2017). Nous avons adopté la même représentation. Nous avons

pro-posé une méthode d’analyse adaptée aux graphes. Afin de valider notre travail et de

le situer dans l’état de l’art, nous l’avons comparé aux méthodes d’analyse basées

pixel.

Dans ce chapitre, nous décrivons les différents étapes de la méthode proposée

pour l’analyse des séries temporelles d’images satellites orientée objet ( section 4.2).

Nous présentons aussi les résultats expérimentaux obtenus (section 4.3).

Dans le document Fouille de données à partir de séries temporelles d’images satellites (Page 64-68)