4.1.- Essais de classification sur parcelle non détourée
Cet essai compte parmi les plus grandes prises de vues réalisées lors de la campagne 2009, le verger de 1.6 ha est inclus dans une prise de vue rectangulaire de plus de deux hectares et compte des parties de sol nu agricole, des prairies cultivées ainsi que des parties de couvert feuillu. Les premiers essais ont été délibérément réalisés sur les rasters non détourés qui intègrent en conséquence un grand nombre de données étrangères au verger et susceptibles de bruiter le processus de classification. La moindre précision des classifications présentées ci- dessous démontrent l’intérêt à redécouper les rasters d’origine au plus près des aires d’intérêt.
Légende 1 2 3 4 5
µ
25 12.5 0 25MètresMHy_F2 Classification cluster ACP
Figure 15 : Classification par fichier de signature « Iso data cluster » 5 classes sur raster ACP avec les 5 spectres, rouge, vert, bleu, PIR et Red Edge.
Les seules aires qui soient clairement distinguables dans cette essai de classification sont les ombres des mélèzes (code 2) d’ailleurs confondues avec les peuplements feuillus voisins, les houppiers des mélèzes sont eux totalement assimilés à la prairie de la parcelle ainsi qu’à une partie des feuillus bordant le verger (codes 3 et 4). Cet essai de classification n’est donc pas probant avec les rasters utilisés. Les ombres permettent toutefois de manière indirecte de comptabiliser avec une relative précision les arbres présents dans le verger ainsi que d’en estimer globalement la taille. Une analyse par blocs serait ici très pertinente pour établir une forme d’indice de fertilité de chaque bloc par le cumul des aires d’ombres.
Origine Classe 1 Classe 2 Classe 3 Classe 4 Classe 5
Nature Detourage Ombres Sol nu
Nb pixels 193760 2615057 2910157 3519377 525163
Taux 2% 27% 30% 36% 5%
Prairie et houppiers
4.2.- Effets du nombre de classes choisi lors du processus de classification
Image NDVI, classification en quatre classes avec fichier de signature de type cluster. Les classes sol nu et pelouse sèche ont été retirées des symboles d’affichage. Seules les deux classes des index NDVI les plus élevés ont été gardées et représentent le couvert des mélèzes du verger (le verger a été détouré graphiquement après analyse pour en améliorer la présentation). Il apparaît nettement que les ombres et une bonne partie de la pelouse dans les lignes sont assimilées au couvert des houppiers, cette classification n’est donc pas pertinente.
Image NDVI du verger MHy F1, même procédure que précédemment mais classification en six classes avec fichier de signature de type cluster. Les 4 classes sol nu, pelouse sèche et index NDVI inférieurs ont été retirées du visuel ci dessus. Seules les deux classes des index NDVI les plus élevés ont été gardées et représentent le couvert des mélèzes du verger. La classification ainsi obtenue est de meilleure qualité apparente que celle obtenue précédemment en quatre classes, les houppiers sont mieux définis et les ombres ne font plus partie de la même classe (le verger a été détouré graphiquement après analyse pour en améliorer la présentation).
Le choix du nombre optimal de classes ne peut donc être obtenu que par des essais successifs qui impliquent la création d’un fichier de signatures dédié à chaque nouvel essai. Il demeure toutefois certain qu’une classification est d’autant plus pertinente et précise qu’elle ne porte, en particulier pour l’établissement du fichier de signature, que sur la seule zone d’intérêt.
4.3.- Essais de classification sur verger découpé
Afin d’améliorer la précision de la classification tous les rasters du verger ont été délimités au seul périmètre de la parcelle plantée, excluant ainsi les aires de sol nu agricole voisines à l’est et les feuillus présents en parties nord et ouest.
Dans les essais de classification présentés ci-dessous la couche PIR est présentée en référence car celle-ci permet de bien visualiser la position réelle des houppiers de mélèzes. Les représentations à gauche représentent exactement le même segment d’image en traitement de classification.
4.3.1.- Essai de classification par cluster 5 classes du NDVI
Figure 17 : A gauche classification par cluster 5 classes du NDVI et à droite image PIR du même segment de parcelle avec houppiers en ovales jaunes et ombres portées en trapèzes bleus.
Il apparaît très clairement dans les figures ci-dessus que la classification par cluster de l’index NDVI associe le périmètre du houppier avec une partie de l’ombre portée de ce dernier. La classification ainsi réalisée surestime le périmètre des seuls houppiers.
4.3.2.- Essai de classification vraisemblance maximale sur signature cluster PIR 5 classes
Figure 18 : A gauche classification par cluster 5 classes du PIR et à droite image PIR du même segment de parcelle.
Table d’attribution des pixels en fonction de leur appartenance :
Origine Classe 1 Classe 2 Classe 3 Classe 4 Classe 5
Nature Ombres
Nb pixels 1035293 1205578 1725282 1509667 1159522
Taux 16% 18% 26% 23% 17%
Prairie Houppiers
La classification sur raster PIR à partir d’un fichier de signature « cluster » permet de mieux « découper » le houppier des mélèzes. Pour ce type de verger/plantation le spectre PIR luminance apparaît donc plus pertinent que l’index NDVI pourtant à priori plus sophistiqué. Cet essai prouve que chaque site expérimental ne pourra être traité selon une procédure type mais devra faire l’objet d’une procédure adaptée à l’essence traitée, à la saison de prise de vue et à la nature de la couverture au sol.
4.3.3.- Essai de classification avec un fichier de forme dans lequel ont été identifiés sur la table attributaire les trois types de surface suivants
Code 1 : houppiers
Code 2 : ombres des arbres Code 3 : pelouse dans le verger
Mise en œuvre du module vraisemblance maximale sur le raster PIR :
Figure 19 : A gauche classification par fichier de formes pré identifiées avec 3 classes du raster PIR et à droite image PIR du même segment de parcelle.
La classification réalisée ci-dessus semble fidèle au périmètre des houppiers en sous estimant toutefois la partie qui se trouve à l’ombre et qui est assimilée à de la pelouse (rouge). Les ombres sont par contre très bien identifiées et séparées avec ce « patron » de classification.
Origine Classe 1 Classe 2 Classe 3
Nature Houppiers Ombres Pelouse
Nb pixels 1852303 1627353 3155686
Taux 28% 25% 48%
Figure 20 : Table d’attribution des pixels en fonction de leur appartenance à une classe
4.3.4.- Essai sur index NDVI avec fichier de formes identique au processus précédent
Cette analyse de type assistée sur le raster NDVI ne fonctionne absolument pas, en effet l’index de végétation des houppiers et des ombres est très souvent semblable et en conséquence la nomenclature du fichier de formes qui fait la différence ente ces deux catégories ne permet lors de l’analyse de vraisemblance maximale de déterminer qu’une seule aire sur l’ensemble de la parcelle.
Figure 21 : A gauche classification de type cluster en 4 classes du raster GI et à droite image PIR du même segment de parcelle.
Cette classification non assistée de l’index GI assimile malheureusement les ombres portées des arbres aux houppiers, elle n’est donc pas efficace pour délimiter les seuls houppiers. Les index les plus élevés se trouvent d’ailleurs dans l’emprise des ombres ce qui confirme le moindre intérêt de cet index dans le cas particulier de la segmentation par cluster.
CONCLUSION
Des résultats intéressants, une étude à compléter
Comme nous l’avions évoqué en 2011, le potentiel d’exploitation des images très haute résolution captées en télédétection est très important et le choix des outils logiciels plus ou moins spécialisés est très large. Pour cette première démarche de classification des images nous avons choisi d’utiliser des méthodes classiques et éprouvées de la suite logicielle Arc Gis 9 afin d’optimiser le ratio entre l’investissement nécessaire à la maîtrise de l’outil logiciel et l’obtention de premiers résultats.
Les premiers produits de cette étude sont très encourageants, c’est en particulier le cas avec le dispositif des 15 origines de pins noirs dans lequel est clairement démontrée une agrégation logique des différents groupes de pins. Les pins de cet essai ont en effet un couvert très contrasté par rapport au milieu environnant ce qui facilite la classification.
La résolution dont nous disposons est toutefois inférieure à celle souhaitée, elle constitue également un handicap pour le traitement des images par classification, nous observons également sur différents dispositifs comme les mélèzes un manque de contraste entre les houppiers et la végétation au sol, aussi nous pensons que des prises de vues plus tôt en saison
La classification permet, à l’échelle d’une parcelle, d’un bloc ou même d’un placeau (cas des essais pathologie peuplier) de quantifier les taux de couverture des différents éléments du couvert. Des travaux complémentaires seront entrepris en procédant au découpage des essais afin d’extraire des données issues de la classification par bloc ou par modalités, ou même par arbre dans le cas des merisiers par exemple.
La classification des images issues de la télédétection à très haute résolution contribue à la description quantitative d’un dispositif d’évaluation ou encore une meilleure compréhension des hétérogénéités stationnelles. Elle permet par exemple de quantifier en termes de surface la présence de végétation concurrente et donc de raisonner la nécessité d’une opération d’entretien d’un dispositif.
Enfin, pour terminer, il convient de rappeler que les nouvelles cartographies résultant des processus de classification doivent être systématiquement validées par un examen comparatif visuel des images en vraies couleur. En effet, en l’absence d’aires témoins à composition spatiale connue, seule cette démarche permet d’estimer la pertinence de la classification opérée par l’outil logiciel. La procédure de validation est en conséquence longue et demande le plus souvent de nombreux essais afin d’obtenir un résultat satisfaisant.
Remerciements à Vincent Seigner pour son aide apportée à l’utilisation des fonctionnalités « classification » du logiciel SIG Arc GIS®.