IV. Appliation à une zone agriole de la plaine du Danube (base de données
11.2. Quelques senarii d'appliation
Laproblématique onsidérée auours de e travail de thèsea étédénie, en partiulier,
pour l'analyse et le suivide lavégétation. Si les méthodes élaborées dans les parties IIet IIIont
des domaines d'appliationdistints,leur utilisation onjointe onduit àun proessusompletde
mise àjour.
En eet, la méthode de lassiation sous-pixellique dénie dans la partie II permet la
réation de artesd'oupationdes solsàHR àpartir d'unesegmentationHR etd'uneséquene
d'imagesBR.Cetteméthode permetd'exploiterl'informationradiométriquemultitemporellepour
distinguerlesdiérentstypesd'oupationdusoltoutenbénéiantdelaloalisationspatialeHR
donnée parleparellaire.L'ensemblede lasurfaeterrestrepourraitalorsêtrerégulièrement
arto-graphiéàunmoindreoût,permettantainsiunsuividel'oupationdessolspourdesappliations
géographiques,agronomiques,oupolitiques.Notons,ependant,quel'algorithmenefournitpas
di-retement unearted'oupationdessolsmaisuneartedelabels.Uneinterprétationthématique
des diérentslabels estensuite néessairepourobtenir unearted'oupation dessols.
La méthode de détetion de hangements permet, quant à elle, de déteter des zones
de hangements d'oupation du sol même lorsqu'ils ne onernent qu'une partie du pixel BR.
Plus préisément, ette méthode permetd'étudier la ohérene entre uneséquene d'images BR
et une lassiation HR dérivant l'état de la surfae à une date de référene. Par onséquent,
si le ritère déni permet de déteter la présene de hangements ave une ertaine robustesse
(f. hapitres 9 et 10), il ne permet pas de qualier le hangement ni de déterminer la surfae
impatée. En eet, une petite surfae touhée par un forthangement d'intensitéradiométrique
peut être détetée de la même manière qu'un hangement de moindre intensité mais ayant une
surfae d'impatsupérieure.
Si les deux méthodes proposées sontindépendantes d'un point de vueméthodologique,
elles peuvent être utilisées en ollaboration pour la mise en ÷uvre de proessus plus omplets
vis-à-visde ertaines appliations. Parlasuite,nous proposons troissenariid'appliation :
lorsquedeshangements sontdétetés,laméthode de lassiation peutêtre utilisée
pour générer une nouvelle arte d'oupation du sol et, ainsi, déterminer le type de
hangement observé ;
la détetion du domaine BR le plus ohérent ave une arte de référene peut être
exploitée dansl'objetifde validerunearted'oupationdessols(oulassiation);
une arte d'oupation des sols peut être mise à jour par l'utilisation suessive des
méthodesdelassiationetde détetionde hangements :laséquened'imagesBR
est utiliséepourgénérerune lassiation,validéeparlaméthode de détetion.Cette
dernière permetensuite,àl'aquisition denouvellesimages,de détetersilaarteest
toujours valideou sideshangements sontapparus etlalassiation àregénérer.
Les hapitres 12 et 13 présentent les résultats obtenus dans le ontexte de es diérents senarii
pourla zoned'étudeduprojet ADAMsur laquellenous disposons de mesuresde terrain.
12.1. Classiation sous-pixellique
Dansette setion, nousappliquons laméthodede lassiation non-supervisée(f
Par-tieII)àunextraitdelazoned'étudeduprojetADAMpourlequeldesrelevésontétéeetuéessur
leterrain.Nousproposonsd'évaluerlesrésultatsdelaméthodedelassiationnon-superviséed'un
point de vue méthodologique et quantitatif en omparant les résultats obtenus à partir d'images
BRàeuxobtenusàpartird'imagesHR,etd'un pointvuethématiqueetqualitatifenomparant
les lassiations que nous obtenons à la lassiation réalisée par F. Oro (INRA) à partir des
relevés deterrain (gure 12.5)dansle adre duprojet ADAM.
L'algorithme de lassiation non-supervisé permet, étant donné un nombre de labels,
de déterminer le label de haque segment à partir d'une image ou d'une séquene d'images. La
gure 12.1 présente les résultats de l'algorithme de labellisation non-supervisé obtenus à partir
d'une segmentation HR omportant
100
régions(gure 12.1(a)) et d'uneséquene HR de huitimages de frationde ouvert (gure 12.1 (b)) pourregrouper les
100
régionsen5
labels. Cettelabellisation,générée àpartird'images HR, est onsidérée omme labellisation de référene pour
évaluerlesrésultatsobtenusàpartird'imagesBR.Apartirdelaséquened'imagesBRdefration
de ouvert12.2(a) etpour
5
lasses,l'algorithmepermetd'obtenir lalabellisation12.2(b). Cette dernière estidentiqueàlalabellisation12.1()pour96.6%
despixels.L'image12.2()permetdevisualiser,en blan,les erreursobtenuesàpartirde laséquene BRparrapportau résultatHR.
A titre de omparaison, la même expériene est réalisée sur la séquene d'images de
NDVI 1
orrespondant aux mêmes dates (gure 12.3 (a)). L'objetif de ette omparaison n'est
pas tellement d'évaluer le meilleur indie pour la lassiation des types d'oupation du sol
mais plutt de vérier que l'utilisation de soures diérentes onduit au même résultat. En
ef-fet, les images de NDVI ont été générées par ombinaison des anaux
2
et3
d'aquisitions SPOT/HRVIR alors que les images de fration de ouvert résultent d'une inversion omplexedes mesures SPOT/HRVIRà traversun modèle biophysique. Lalabellisation (f.12.3 (b))
ob-tenue àpartir de laséquenede NDVIest trèsprohe de elleobtenue àpartirde laséquene de
fration de ouvert. L'image 12.3 ()présente, en blan,les pixels mallabelliséspar rapportà la
labellisationdesimagesde frationde ouvertHR.Lesartesd'erreursprésentéesgures12.2()
et 12.3 ()sont trèssimilaires, e qui montreque l'utilisationde données de
N DV I
ou defra-1
Normalized DiereneVegetation Index :
(T C3 − T C2)/(T C3 + T C2)
oùT C2
etT C3
orrespondentaux anaux2
et3
deSPOT/HRVIR, f.gure11.2.(a) Segmentation(
S = 100
)+
(b)SéqueneHR(
8
dates) ()LabellisationHR(L = 5
)Fig. 12.1.:A partir de la segmentation en
100
régions (a) (obtenue par le module segt dulogiiel Megawave 2 pour deux images HR de frationde ouvert) etde laséquene
d'images de fration de ouvert (b) de même résolution, l'algorithme non-supervisé
permet d'obtenirlalabellisation()pour
5
labels(labellisationde référene).tion de ouvert fournit des résultats équivalents (dans e as). De plus, le faible taux d'erreurs
de labellisationmontre quelaméthode permet, àpartird'imagesBR, d'obtenirdesrésultats très
prohes de e qu'on obtiendraità partir d'imagesHR.
Au-delàdudébat thématiqueengendréparlehoixd'unindieapablede disriminerau
mieux lesdiérents typesde végétation, laomparaison desrésultats obtenus àpartir de fration
de ouvert et de NDVI permet de montrer une ertaine stabilité de la méthode de lassiation
visàvisde lamesurehoisie. Anoterqu'uneaugmentationdunombrede dates danslaséquene
ou un meilleurhoixdesdates permettraitpeut-êtreuneaméliorationdesrésultats.
Une autresortiede l'algorithme non-superviséest l'estimationdes moyennes
orrespon-dant à haque label assoiéeàlasolution. Lagure12.4 présenteles moyennes estimées àpartir
desséquenesHR etBRdefrationde ouvert.Remarquonsquelesestimationsréaliséesàpartir
de données BR sonttrès prohes de ellesréalisées àpartir de données HR.De plus, e graphe
met en évidenela néessitéd'employer desséquenes d'imagesà traversle fait que, à unedate
donnée, plusieurstypesd'oupationdusol soientaratérisés parunsignal trèsprohe.
Apartirdesrelevésdeterrainréaliséspourl'annéeagriole
2000 − 2001
(f.gure11.1),F. Oro aétabli la lassiation destypesd'oupation du sol présentée gure 12.5. Cette
lassi-ation peut don être onsidérée omme vérité de terrain.Douze typesd'oupation dusol ont
ainsiétéreensésparmilesquelsdixsontreprésentésdansl'extraitquenousavonsétudié.Enmode
non-supervisé, l'algorithme permet de fournir une lassiation HR à partir d'une segmentation
HR et d'une séquene d'images BR de la même sène pour un nombre de labels donné. La
-gure 12.6(images()à(l))représenteleslabellisationsobtenuespour
4
à13
labelsàpartirde lasegmentation (a) etde laséquene BR(b).
Remarquons que la labellisation (d) ontenant
5
labels est très prohe de la véritéter-rain12.5, oùertainstypesd'oupationne seraientpasdisriminés.Eneet, silaforêt,leblé,le
(a) SéqueneBR(FC) (b) Labellisation(FC) ()Cartedeserreurs
Fig. 12.2.:Labellisationobtenue pour
5
labels avel'approhenon-superviséeà partir de la seg-mentation(gure12.1(a))etdelaséqueneBRde8
images(a)defrationdeouvert(fateur de résolution
16 × 16
). La arte des erreurs () montre (en blan) environ3.4%
d'erreursde labellisation(pourentage de pixels mallabellisés)par rapportà la labellisationde référene (gure 12.1()).(a) SéqueneBR(NDVI) (b)Labellisation(NDVI) ()Cartedeserreurs
Fig. 12.3.:Labellisationobtenue pour
5
labels avel'approhenon-superviséeà partir de la seg-mentation (gure 12.1(a)) et de la séquene BR de8
images (b) de NDVI (fateurde résolution
16 × 16
). La arte des erreurs () montre (en blan)3.6%
d'erreursde labellisation(pourentagede pixels mallabellisés)parrapportà lalabellisation de
référene (gure 12.1()).