La comparaison de scènes multidates : un cadre global

La qualité des résultats dépend de plusieurs facteurs à savoir (Ban et Yousif, 2016 ; Mas, 2000) : - précision de la correction géométrique des images multidates acquises ;

- leurs normalisations radiométriques ;

- disponibilité de données collectées sur terrain ; - la complexité du milieu étudié ;

- la méthode de détection du changement ou de l’algorithme utilisé ; - le « schème » de classification et de technique DC suivi ;

- les compétences de l’analyste ; - la connaissance de la zone d’étude ; - les restrictions relatives au temps et couts.

119

La comparaison multitemporelle des images satellites est l’une des étapes essentielles dans la détection du changement. La finalité de cette étape est de générer une image de changement qui visualise le contraste entre les surfaces changées et inchangées. La carte du changement peut être produite par seuillage ou par classification de l’image de changement en appliquant un des algorithmes de classification (Gamba et Dell’Acqua, 2016). En raison de la complexité des facteurs intervenant dans la procédure de détection du changement, il est délicat de distinguer d’une manière généralisée un algorithme spécifique à une détection de changement. Une foi la zone d’étude et les images satellites sont définies, le choix de la technique de détection du changement la plus appropriée devient primordial pour obtenir des résultats de qualité considérable (Ban et Yousif, 2016).

L’étude du changement porte principalement sur les aspects suivants (Macleod et Congalton, 1998) : détecter si un changement s’est opéré, l’identification de la nature de ce changement, la mesure de son étendue surfacique, et l’évaluation du modèle spatiale caractérisant ce changement. Une implémentation réussie d’une application de détection de changement nécessite une minutieuse prise en compte du système de l’imagerie satellitale, des conditions environnementales d’acquisition et des méthodes de traitement des images effectuées. L’effet des résolutions temporelles, spatiales, spectrales et radiométriques est significatif dans la réussite des projets de détection du changement à différents niveaux d’analyse. Les principaux facteurs environnementaux peuvent inclure les conditions atmosphériques, l’humidité des sols et les conditions phénoliques (Ban et Yousif, 2016 ; Jensen et Lulla, 1987).

IV.2.3.2. Les méthodes de détection du changement

Depuis le lancement du premier capteur Landsat MSS en 1972, une large gamme de données satellitales a été successivement fournie par les différentes générations de capteurs. La disponibilité d’une archive très riche en ce genre de données a conduit au développement de plusieurs techniques de détection du changement, puis à leurs évaluations pour aboutir par conséquent au développement de nouvelles approches pour une analyse plus perfectionnées du changement d’occupation et d’utilisation des sols (Dewidar, 2004). Une variété de techniques de détection de changement a été développée dont la plupart ont été exposés et critiqués dans la littérature portant sur ce sujet (Al-doski et al., 2013 ; Ban et Yousif, 2016 ; Coppin et al., 2004 ; Hussain et al., 2013 ; D Lu et al., 2004

; Mas, 2000 ; Singh, 1989). En fonction de l’approche adoptée, ces méthodes peuvent être, brièvement, répertoriées en trois catégories¹⁷ :

17 Pour plus de détail, voir (Ban and Yousif, 2016; Hussain et al., 2013; Lu et al., 2004; Mas, 2000).

120

IV.2.3.2.a. Des méthodes algébriques ou de comparaison directe

Qui s'appuient sur le calcul et la comparaison des valeurs radiométriques attribuées à chaque pixel à différentes dates pour révéler le changement. Le résultat de ce procédé « préclassificatoire » est une image de changement. Plusieurs techniques adoptent cette approche à savoir, entre autres, la différence d’image (Quarmby et Cushnie, 1989 ; Ridd et Liu, 1998), la division d’image (Berberoglu et Akin, 2009 ; Howarth et Wickware, 1981 ; Prakash et Gupta, 1998) et l’analyse de la régression (Jha et Unni, 1994 ; Ludeke et al., 1990).

IV.2.3.2.b. Des méthodes de transformation

La démarche de comparaison se fera visuellement (par photointerprétation) ou numériquement à partir d’un calibrage et rehaussement d’images multidates. Parmi les techniques utilisées, on trouve : l’analyse par vecteur de changement CVA (Chen et al., 2003 ; Malila, 1980), différence d’indice de végétation NDVI (Sohl, 1999 ; E. H. Wilson et Sader, 2002), l’analyse en composante principale PCA (Byrne et al., 1980 ; Deng et al., 2008 ; X. Li et Yeh, 1998), machine à vecteur support « Support Vector Machine SVM » (Mountrakis et al., 2011 ; Nemmour and Chibani, 2006 ; Volpi et al., 2013) analyse de mixtures spectrales « Spectral mixture analysis » (D Lu et Weng, 2004 ; Powell et al., 2007).

IV.2.3.2.c. Des méthodes basées sur la classification

Il s’agit d’une comparaison de cartes classifiées correspondant aux images bitemporelles d’une même scène. Cette méthode, largement répandue (Mas, 2000), permet de mettre en valeur la nature du changement. La précision de la classification et de la superposition des images sont des facteurs déterminants de la qualité des résultats. Parmi les techniques les plus répandues on peut citer : la comparaison directe d’image multidates (Lunetta et al., 2006), le réseau de neurones artificiels

« Artificial Neural Network » ANN (Dai et Khorram, 1999 ; Liu et Lathrop, 2002 ; Mas et Flores, 2008 ; Tong et al., 2010), la logique floue de changement « Fuzzy change detection » (Fisher et Pathirana, 1993 ; Ghosh et al., 2011), et la comparaison post-classification (Ghosh et al., 2011 ; Ji et al., 2006 ; Miller et al., 1998 ; Yuan et al., 2005).

IV.2.3.3. Choix méthodologique

Le choix méthodologique dépend généralement des objectifs recherchés, de l’hétérogénéité du territoire observé, de la résolution spatiale et temporelle des images utilisées et des connaissances de l’analyste (Ban et Yousif, 2016 ; Skupinski et al., 2009). Pour notre étude, la méthode de comparaison post-classification est privilégiée (figure IV-3), en raison des avantages qu’elle présente. En plus de

121

la possibilité de réduction des effets dus aux anomalies atmosphériques et aux capteurs satellites, une matrice complète peut être générée à l’issue du calcul. Ce qui permet la mise en valeur du changement, sa qualification (from... to), ainsi que la quantification des pixels inchangés et ceux qui sont convertis (Hussain et al., 2013). Une démarche de classification des images est nécessaire pour entamer le calcul de changement. Néanmoins, cette méthode peut présenter certaines limites : la qualité des résultats dépend directement du niveau de précision des cartes d’entrée. Une évaluation de la classification est donc nécessaire avant d’entamer cette procédure (Mas, 2000).

Figure IV-3 : Plan d’une comparaison post-classification de détection du changement Source : (Al-doski et al., 2013)

Les techniques de détection du changement LUCC, principalement basées sur l’imagerie multidates et complétée par les données issues du terrain, constituent un moyen efficace pour l’étude de l’étalement urbain. Elles permettent, avec l’intégration des SIG, le suivi et la compréhension de l’évolution des agglomérations urbaines. Les procédures de traitement des images permettent l’extraction des classes artificialisées (bâties) en opposition avec celles du non bâti occupées généralement par la végétation, les espaces naturels et les plans d’eaux (Weber, 1995 ; Weng, 2012).

Ces méthodes offrent la possibilité de visualiser l’étalement du périmètre urbain qui est le contenant, en même temps que l’évolution de la compacité à travers le suivi du taux de remplissage qui est le contenu (Skupinski et al., 2009). La croissance des surfaces artificialisées indique donc un processus d’étalement de la tache urbaine. Elle est aussi considérée comme « un paramètre clé pour quantifier

122

l’étalement urbain » (Aguejdad, 2009). L’identification de ces surfaces peut se faire soit directement par analyse visuelle des images, soit après classification de ces images satellites.

IV.3. Évaluation des formes d’urbanisation à travers les métriques paysagères : apports des