• Aucun résultat trouvé

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 huit

images de frationde ouvert (gure 12.1 (b)) pourregrouper les

100

régionsen

5

labels. Cette

labellisation,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()pour

96.6%

despixels.L'image12.2()permetde

visualiser,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

et

3

d'aquisitions SPOT/HRVIR alors que les images de fration de ouvert résultent d'une inversion omplexe

des 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 de

fra-1

Normalized DiereneVegetation Index :

(T C3 − T C2)/(T C3 + T C2)

T C2

et

T C3

orrespondentaux anaux

2

et

3

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 du

logiiel 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

à

13

labelsàpartirde la

segmentation (a) etde laséquene BR(b).

Remarquons que la labellisation (d) ontenant

5

labels est très prohe de la vérité

ter-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))etdelaséqueneBRde

8

images(a)defrationdeouvert

(fateur de résolution

16 × 16

). La arte des erreurs () montre (en blan) environ

3.4%

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 de

8

images (b) de NDVI (fateur

de résolution

16 × 16

). La arte des erreurs () montre (en blan)

3.6%

d'erreurs

de labellisation(pourentagede pixels mallabellisés)parrapportà lalabellisation de

référene (gure 12.1()).