Utilisation de la contrainte de segmentation

Pour améliorer la qualité de la classification ICM, nous avons introduit la contrainte de segmentation, nous l’avons appliquée sur l’image Landsat. Les résultats pour différents seuils figurent dans le tableau 3.7.

Il est à noter que la précision est meilleure pour le seuil 10, sélectionné automatiquement (§ 3.2.3.2 c). Elle est légèrement meilleure, presque égale au résultat obtenu par la classification précédente par l’ICM sans segmentation pour les deux seuils 6 et 12. Lorsqu’on s’éloigne de ce centre la précision globale diminue.

TABLE 3.7

COMPARAISON POUR DIFFERENTS SEUILS DE SEGMENTATION

Seuil de segmentation Précision globale (%)

4 75.09 6 87.06 10 90.27 Landsat

12 87.00

Figure 3.16 Région d’Agadir - (a,d) classification par ICM ; (b,e) classification par ICM avec segmentation ; (c,f) carte de segmentation sur composition colorée de l’image à classer

TABLE 3.8

MATRICE DE CONFUSION DE LA CLASSIFICATION PAR ICM AVEC SEGMENTATION EN %

W CF DF IC LF GH ASt AAv ASp NJ NR NC ESt ESp SD CD BA SG BO W 99.56 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.44 CF 0.00 98.92 0.00 0.00 0.00 0.00 0.00 0.29 0.59 0.00 0.10 0.00 0.00 0.10 0.00 0.00 0.00 0.00 0.00 DF 3.12 0.39 95.18 0.00 0.00 0.00 0.78 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.52 0.00 0.00 0.00 IC 0.00 0.09 0.00 97.26 0.00 0.18 0.31 1.26 0.00 0.36 0.00 0.09 0.31 0.04 0.00 0.00 0.00 0.09 0.00 LF 0.00 0.00 0.00 1.09 90.04 1.01 0.00 1.79 0.00 0.93 0.08 0.00 0.31 0.00 0.39 4.36 0.00 0.00 0.00 GH 0.00 0.00 0.00 3.51 0.00 95.48 0.00 0.00 0.00 0.07 0.00 0.07 0.00 0.13 0.27 0.07 0.00 0.07 0.34 ASt 0.00 0.00 0.22 0.19 0.00 0.56 97.43 0.19 0.00 1.04 0.07 0.00 0.07 0.00 0.00 0.00 0.00 0.00 0.22 AAv 0.00 0.29 0.29 0.00 0.00 0.00 4.51 79.85 14.01 0.58 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.48 ASp 0.00 0.00 0.00 0.29 0.00 5.22 0.00 7.22 85.05 0.14 0.00 0.00 0.14 0.29 0.00 1.36 0.29 0.00 0.00 NJ 0.00 0.00 0.00 7.41 0.00 0.51 6.90 0.84 0.00 79.97 0.00 0.00 3.03 0.17 0.00 0.00 0.00 0.00 1.18 NR 0.00 0.00 0.00 0.05 0.00 0.00 0.00 0.00 0.00 0.23 99.65 0.00 0.00 0.00 0.00 0.02 0.05 0.00 0.00 NC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 100.0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 ESt 0.89 0.00 0.00 3.04 0.00 0.13 0.00 0.00 0.00 0.00 0.76 0.00 82.38 1.14 0.00 0.00 9.63 0.00 2.03 ESp 0.00 0.09 0.00 0.00 6.58 0.00 0.00 0.00 0.00 1.02 4.18 0.00 0.34 81.81 0.00 4.10 0.26 0.00 1.62 SD 0.00 0.00 0.19 0.97 0.23 0.12 0.00 0.04 0.00 0.00 0.00 0.23 0.04 0.70 90.80 0.43 0.12 5.94 0.19 CD 0.00 0.09 0.23 0.32 0.26 0.17 0.06 1.01 0.32 0.00 0.86 0.00 0.00 0.09 0.03 96.44 0.09 0.06 0.00 BA 0.00 0.00 0.00 0.00 0.00 0.00 4.75 29.69 10.49 0.00 0.00 0.00 0.00 0.00 0.00 0.00 55.07 0.00 0.00 SG 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.54 0.00 0.00 98.66 0.80 BO 0.08 0.00 0.59 2.29 0.00 0.00 1.95 0.00 0.93 0.17 0.00 0.17 0.00 0.00 0.51 0.34 1.36 0.00 91.60

Comme prévu, des améliorations dans la matrice de confusion sont observables pour la classification par ICM avec l’utilisation de la contrainte de segmentation (tableau 3.8.). 12 classes parmi les 19 ont montré une amélioration de la précision du pourcentage des biens classés par rapport à la méthode de l'ICM sans segmentation, les autres classes sont proches, sauf pour les classes (AAv), (ESp) et (BA), dans lesquelles on remarque une diminution d’environ 2 et 6 %. La classification montre une amélioration, 90,27 % de précision globale, légèrement supérieure à celle de 87,05 % obtenue par la classification par l'ICM sans segmentation.

Figure 3.17 La carte d’occupation du sol de la région d’Agadir

La figure 3.17 présente la carte d’occupation du sol finale avec la légende des principales classes. L’occupation du sol de la région étudiée est composée de thématiques diverses et variées. La gestion de celle-ci, précisément les plantations d’arganier et les cultures sous abri, est une aide précieuse dans les prises de décision tant au niveau politique, écologique, socio économique, culturel pour la Maroc et le patrimoine mondial.

Etant donné les résultats acquis, il apparaît que les images satellites constituent un support intéressant pour une cartographie des occupations du sol systématique et avec précision. A titre d’exemple : 95,48 % de précision pour les serres et (97,43% ; 79,85% ; 85,05%) pour les trois types de couverture d’arganiers

Ainsi, il est intéressant de suivre de manière régulière l’évolution des plantations d’arganier, ce qui permet entre autre de gérer efficacement l'utilisation des sols, d’anticiper

leurs dégradations ; également, de suivre l’expansion que connaît le maraichage de serres, afin de mener des études statistiques pour la surveillance de l’environnement, de l’aménagement du territoire, dans le but d’organiser leur installation, de surveiller leur impact sur l’environnement, veiller à la répartition des zones urbaines et des zones protégées.

3.4 Conclusion

Dans ce chapitre, nous avons présenté, dans un premier temps, le principe détaillé de la méthode développée, dans un second temps, les contraintes introduites et le paramètre de température. Par la suite, nous avons exposé avec les résultats des applications. Différentes classifications contextuelles et non contextuelles, ont été étudiées, évaluées et comparées, en utilisant deux types d’images de satellite multispectrales (Landsat et Formosat).

Dans nos tests nous avons constaté que l’ensemble des classifications non contextuelles présentent bien un phénomène de « salt and pepper » qui gène l’interprétation des résultats. En choisissant une température initiale adéquate et une valeur optimale pour le paramètre de régularisation β, ce phénomène est considérablement réduit et les classifications qui en résultent sont plus fines, plus homogènes, et donc beaucoup plus faciles à interpréter. Notons toutefois, que la régularisation est opérée plus particulièrement au niveau des zones hétérogènes plus lissées et mieux reconnues. D’autre part, nous avons vu que l’intégration de la contrainte de segmentation dans la classification améliore le résultat de la classification, une évaluation quantitative de ce résultat, montre que la classification est affinée de 3%.

En résumé, la modélisation markovienne constitue un cadre méthodologique adéquat pour introduire toutes sortes de contraintes (contexte spatial, carte de contours, contexte temporel, etc.) pour améliorer le résultat de la classification non contextuelle. Elle permet ainsi l’obtention de cartes thématiques plus précises et donc plus fiables pour une utilisation pratique.

Parmi les perspectives pour cette partie de notre recherche, nous pensons d’abord, affiner les résultats de classification que nous venons de présenter. Il s’agit de réfléchir sur une procédure permettant d’atténuer l’apport du contexte spatial et de l’adapter à chaque type d’image de satellite. Nous envisageons la réflexion sur une approche contextuelle non supervisée pour l’étude de l’évolution, c'est-à-dire des changements entre deux images à des années différentes et qui s’affranchirait des vérités terrain de la première image. Nous disposons de deux images Landsat (1988 et 2002), de la région d’Agadir, afin d’étudier l’évolution des arganeraies et des cultures dans cette région, ce qui concourt à la surveillance de cette zone protégée

En effet, l'arganeraie marocaine régresse en termes de superficie et de densité : en moins d'un demi-siècle, la densité moyenne de l'arganeraie nationale est passée de 100 arbres/ha à 30 arbres/ha, tandis que les superficies couvertes régressaient en moyenne de 600 ha par an. Ces chiffres ne sont que des estimations.

L'aire de l'arganier se dégrade d'année en année sous l'effet conjugué de l'accroissement de la population (surtout autour d'Agadir), de l'apparition des cultures intensives (notamment le maraîchage sous serres). On retrouve également l’utilisation sauvage du bois d'arganier pour produire du charbon de bois.

La production d'huile d'argan représente une ressource économique très importante pour les coopératives actives dans l'arganeraie. Ces coopératives ont des méthodes de fonctionnement aussi variées qu'il en existe. Certaines ont des pratiques issues du commerce équitable et peuvent être en partie financées par de grands organismes

Le manque de collaboration entre les aménageurs forestiers et territoriaux, et les chercheurs universitaires n’ont pas permis de mettre en place des projets de transplantations.

La poursuite des ces travaux devrait être une aide à la prise de conscience de l’importance de la préservation de ce patrimoine marocain, tant au point de vue écologique que culturel, et économique.

Partie II

Chapitre 4

Etat de l’art sur l’extraction des routes

Sommaire

4.1 Introduction ... 82 4.2 Variabilité des réseaux routiers ... 82 4.2.1 Variabilité intrinsèque et extrinsèque des routes... 82 4.2.2 Variabilité typologique par rapport à l'environnement ... 82 4.2.3 Variabilité due au mode d'acquisition ... 83 4.2.3.1 L'angle de prise de vue... 83 4.2.3.2 La résolution spatiale et spectrale du capteur... 84 4.3 Méthodes semi-automatiques... 85 4.3.1 Méthodes de suivi et filtrage ... 85 4.3.2 Contours Actifs ... 86 4.3.3 Programmation dynamique ... 87 4.4 Méthodes automatiques... 87 4.4.1 Méthodes de segmentation et de classification ... 87 4.4.2 Morphologique mathématique ... 88 4.4.3 Détecteurs de lignes ... 89 4.4.4 Champs de Markov sur graphe... 89 4.4.5 Méthodes fondées sur l’analyse multi-échelle (multi-résolution)... 89 4.4.6 Systèmes d'interprétation... 90 4.4.7 Apport de données cartographiques ... 91 4.5 Conclusion... 91

4.1 Introduction

La détection de routes dans les images satellitaires et aériennes a fait l'objet de nombreuses recherches depuis plus de quinze ans. En effet, l'importance croissante des Systèmes d'Information Géographique (SIG) et surtout le besoin d'acquérir des données de façon automatique ont motivé ces études. L'extraction de réseaux routiers est une tâche délicate puisque les routes dans les images peuvent apparaître de manière très différente.

Ce chapitre propose un état de l’art sur l'extraction de réseaux routiers à partir d'images satellitaires et aériennes. Après une description des caractéristiques principales des réseaux routiers et de leur variabilité (section 4.2), nous présenterons les deux catégories de méthodes proposées dans la littérature : les méthodes semi-automatiques (section 4.3) par opposition aux méthodes complètement automatiques (section 4.4).