Année Universitaire 2015‐2016 Mémoire de Master 2ème année Domaine : Sciences, Technologies, Santé Mention : Géomatique Spécialité : Information Géographique : Analyse Spatiale et Télédétection Co-habilité UPEM – ENSG Méthode d'identification et de cartographie de l'occupation du sol à fine échelle par analyse d'images Auteur: Halimo ELMI ALI Laboratoire : LEHNA Responsable de stage: Arnaud BELLEC Date de soutenance : Le 28/09/2016 Université de Marne‐la‐Vallée 5 Bd Descartes – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2 Ecole Nationale des Sciences Géographiques 6 et 8 avenue Blaise Pascal – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2
39
Embed
Méthode d'identification et de cartographie de …...Année Uni Àesitaie 2015‐2016 Mémoire de Master 2 ème année Domaine : Sciences, Technologies, Santé Mention : Géomatique
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Année Universitaire 2015‐2016
Mémoire de Master 2ème année
Domaine : Sciences, Technologies, Santé
Mention : Géomatique Spécialité : Information Géographique : Analyse Spatiale et Télédétection
Co-habilité UPEM – ENSG
Méthode d'identification et de cartographie de
l'occupation du sol à fine échelle par analyse d'images
Auteur: Halimo ELMI ALI Laboratoire : LEHNA
Responsable de stage: Arnaud BELLEC Date de soutenance : Le 28/09/2016
Université de Marne‐la‐Vallée 5 Bd Descartes – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2 Ecole Nationale des Sciences Géographiques 6 et 8 avenue Blaise Pascal – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2
2
Remerciement
Je tiens tout d’abord à remercier, Arnaud BELLEC, doctorant et tuteur de ce stage pour m’avoir accueilli
à bras ouvert et accompagné tout au long de ce travail. Sa disponibilité, son écoute, sa confiance et
son partage de connaissance m’ont beaucoup apporté, je lui en suis très reconnaissante.
Je remercie le LabEX Intelligences des Mondes Urbains, sans lequel le financement de ce stage n’aurait
été possible.
J’adresse mes sincères remerciements à l’ensemble du personnel du laboratoire LEHNA. Mes remerciements vont également à mes collègues de bureau Mathieu, Jérôme, Mélanie, Xavier et
Mathias pour leur échange constructif.
Aussi, je remercie fortement M. Pierre-Louis FRISON, enseignant-chercheur et tuteur pédagogique, et particulièrement Cécile DUCHÊNE, Bénédicte FRUNEAU et Jean-Paul RUDANT pour leur disponibilité, écoute et professionnalisme ainsi que l’ensemble du corps enseignant du Master 2 IGAST pour la qualité de leur enseignement et encadrement. Enfin, j’ai une pensée particulière à tous mes camarades de promo en particulier à Youssouf, Quy-Thy,
Zackaria et Quentin pour leur soutien ainsi que pour la bonne ambiance de travail.
3
Résumé
Depuis l’arrivée des nouveaux capteurs à très haute résolution spatiale (THRS), les données de
télédétection sont aujourd’hui de plus en plus utilisées. La cartographie de l’occupation des sols est
une application très répandue. En effet, son apport suscite un intérêt à la fois pour les scientifiques
mais aussi les gestionnaires des territoires.
Cette étude porte sur les méthodes d’identification et de cartographie de l’occupation des sols à partir
des images aériennes à THRS (0,16m. ; 0,8m.) et multi-temporelle, sur un territoire périurbain (bassin
versant de l’Yzeron).
La classification de l’occupation des sols à partir de ces données a été réalisée avec la méthode orientée
objet sous le logiciel eCognition. La méthodologie développée consiste à définir un processus global
de classification servant à discriminer dix classes correspondantes à une nomenclature en tenant
compte des caractéristiques spectrales et spatiales de trois images traitées. Pour faciliter l’extraction
des objets, la classification s’appuie sur des données auxiliaires.
Les résultats obtenus ont été évalués à partir d’une matrice de confusion. Nous avons obtenu pour les
trois images, une précision globale de 69% (2009), 68% (1986) et 56% (2003). Ces résultats peuvent
être améliorés pour pouvoir augmenter la précision de la classification.
Mots-clés : Télédétection, THRS, Occupation du sol, Classification orientée-objet, eCognition
4
Glossaire
ANR: Agence Nationale de la Recherche
AVuPUR: Assessing the Vulnerability of Peri-Urban Rivers
BV: Bassin versant
EVS : Environnement, Ville et Société
IMU : Intelligence des Mondes Urbains
LabEx : Laboratoire d’Excellence
LEHNA : Laboratoire d’Ecologie des Hydrosystèmes Naturels et Anthropisés
Figure 7 : Présentation de la méthode de détection de changement : a) Image 2003, b) Image 2009,
c) Différence des images (a et b), d) Classification IsoCluster à partir de l’image (c), e)Vectorisation de
la classe issue de (d.) ............................................................................................................................. 21
Figure 8: Délimitation des zones de végétation (a : image 1986, b : Image binaire) ............................ 22
Figure 9: Trois niveaux de segmentation sur l'image (2009) ................................................................ 23
Figure 10: Trois niveaux de segmentation sur l'image (2003) .............................................................. 24
Figure 11: Trois niveaux de segmentation sur l'image (1986) .............................................................. 25
Figure 12: Exemple de classification ..................................................................................................... 26
Figure 13: Classification a) 1986, b) 2003, c) 2009 ................................................................................ 26
Même si cette étape a été réalisée avant le stage, il est intéressant de préciser les différentes étapes
de prétraitement des données effectuées. Ces dernières sont acquises de deux sources différentes (cf.
Tableau 1). Ces étapes de prétraitement se sont déroulées en quatre phases :
La première phase a consisté au téléchargement des photographies via le Géoportail,
Ensuite la seconde est celle de la création d’une mosaïque d’image pour regrouper les
différentes scènes découpées à partir des images brutes téléchargées, sous le logiciel
Photoscan (Phase 2),
La troisième phase a permis d’effectuer le géo référencement des images sous le logiciel
ArcGIS en déterminant des points de contrôle suffisants afin de caler l’image sur une image de
référence,
Une fois que l’opération de géoréférencement est réussie, on passe à l’étape de validation et
d’export des données.
3.2 Caractéristiques des images aériennes
Nous présentons ci-après un tableau récapitulatif des informations des différentes scènes mises à
notre disposition pour réaliser la cartographie de l’occupation des sols de la zone d’étude.
Tableau 1 : Caractéristiques des scènes utilisées
Exemple d’image Résolution spatiale
Bandes spectrales
Date d’acquisition
Producteur
0.16m R, V, B, PIR (Rouge, Vert, Bleue, Proche InfraRouge)
14 au 16 août 2009
EUROSENSE (pour le compte du Grand Lyon)
0.8m R, V, B 8 et 9 juillet 2003
I2G (pour le compte du Grand Lyon)
15
0.8m Monobande entre 13 juin et 07 juillet 1986
IGN
0.8m Monobande 15 et 16 août 1978
IGN
0.8m Monobande été 1966 IGN
0.8m Monobande 7 et 26 mai 1954
IGN
Quant à l’aspect temporel de ces données, elles couvrent une période assez longue (1954 -2009) et
leur résolution spectrale diffère d’une image à l’autre. Au cours de ce stage, nous avons traité les trois
premières images (2009, 2003, 1986). L’objectif principal consiste à élaborer une méthodologie
permettant une classification orientée-objet à partir des images disponibles en tenant compte de leurs
caractéristiques spectrales.
16
Partie III : Traitement des images
Nous présenterons dans cette troisième partie, les différents traitements effectués au cours de cette
étude, en commençant d’abord par la définition des classes utilisées et par la suite la description
générale du processus de classification adopté.
1. Définition d’une nomenclature Avant tout, la classification de l’occupation du sol de cette étude se base sur une nomenclature
définissant dix types de classes différents (Figure ci-dessous).
Figure 5 : Illustration des différentes classes définies dans la nomenclature
Nous décrivons l’ensemble des classes en les catégorisant par leurs espaces respectifs comme ci-
dessous :
L’espace artificialisé regroupe les classes définies comme étant imperméables tels que les
« Bâti », « Réseaux de communication », « Autres surfaces imperméables » (telles que les
parkings) et « Piscine »,
Ensuite, l’espace agricole qui comprend les classes « Cultures » et « Prairies »,
Quant à l’espace naturel, y sont catégorisées les classes « Végétation arbustive» et « Surfaces
en eau »,
17
Enfin, nous distinguons en plus une quatrième catégorie de classe spécifiant les surfaces
perméables telles que les sols nus (de type gravier ou en terre…) que l’on peut trouver dans
l’espace urbain et hors urbain, c’est le cas donc des classes 5 et 6 (cf. Légende de l’image).
2. Description du processus de classification
Techniquement, la méthodologie de classification adoptée tente de répondre à deux objectifs
principaux. En effet, les fortes variabilités spectrale et spatiale relatives aux images aériennes à THRS
et le développement d’un arbre de décision global applicable sur toute la zone d’étude nous a amené
à définir un processus de classification (cf. Figure 6).
Figure 6 : Schéma récapitulatif
Ce processus de classification comprend cinq étapes de traitement qui sont à la fois liées et
consécutives. Nous l’avons conceptualisé et adopté au cours de deux premiers mois du stage durant
lesquels nous avons eu à nous familiariser à la méthode de classification orientée objet d’image à THRS
18
en réunissant d’une part, les références bibliographiques utiles et d’autre part, en appliquant sous
eCognition un jeu de donnée test.
Ainsi, nous avons travaillé sur trois dalles pour tester parallèlement deux approches de la classification
totalement différentes, à savoir celle où on classifie l’image sans données externes et inversement
celle avec des données externes. L’intérêt de la première approche est dans notre cas de classifier les
images anciennes pour lesquelles on ne dispose pas des données auxiliaires. Malheureusement, cette
dernière s’est avérée chronophage et la classification est malaisée. Typiquement, les surfaces
réfléchissantes comprennent à la fois des objets des classes « Bâti », « Routes », « Perméable»,
« Cultures ». De même, il est difficile de distinguer les classes « Eau » et « Végétations » sans avoir des
données renseignant les périmètres de classes au préalable.
C’est dans ce sens que nous avons pris le parti de commencer la classification à partir de la dernière
année, donc la plus récente (2009) dont on dispose des données externes et ainsi remonter dans le
temps. Cela permettait d’utiliser les données issues de la dernière classification comme données
auxiliaires pour faciliter la classification de l’occupation du sol de l’année t-1.
Nous détaillerons ci-après l’ensemble des étapes présentées dans le schéma récapitulatif.
2.1 Calcul des indices
La classification est effectuée à partir du logiciel eCognition Developer 9. Comme décrit
précédemment, ce logiciel offre un certain nombre de paramètres permettant de calculer des
caractéristiques liées aux objets (appelés « features objects ») et aidant le travail de photo-
interprétation.
Etant donnée la différence des caractéristiques spatiale et spectrale des données de notre étude, il
nous est paru judicieux, dans un premier temps de mobiliser les indices (disponibles dans la littérature)
nous permettant de réaliser de façon objective une classification qui se rapproche le plus possible de
la réalité terrain.
Ainsi, nous avons utilisés différents types d’indices, en fonction des caractéristiques de chacune de
trois images traitées, qui sont détaillés dans le tableau ci-après. Ces indices peuvent être regroupés
dans 3 catégories :
Indices spécifiques à la détection de la végétation, [1]
Indices « prenant en compte l’influence des sols », [2]
Indices personnalisés, [3]
Tableau 2: Résumés des indices utilisés
Indices Formules Images correspondantes
Références
1. DVI (Difference Vegetation Index ou indice de végétation
brut)
PIR - R (réflectance dans les
bandes proche infrarouge et rouge)
2009
[1] Cf. Bacour et al
(2006)
19
2. NDVI (Normalised Difference Vegetation
Index)
PIR – R /PIR +R 2009 [1] Cf. Rouse and Haas (1973)
3. CVI (Color Vegetation Index)
V – R (réflectance dans la
bande verte et rouge)
2009, 2003 [1] Cf.
4..SAVI (Soil Adjusted Vegetation Index ou indice de végétation
ajusté pour le sol)
PIR – R/ PIR + R + L*(1+L)
(où L = 0.5)
2009 [1], [2] Cf. Huete (1988)
5. Coloration
R – B/R
(réflectance dans la bande bleue et
rouge)
2009, 2003 [2] Cf. Coulibaly et
Gwyn (2005)
6. Indice de Cuirasse
3*V-R - 100 2009,2003 [2] Cf. Pouchin
(2001)
7. Indice de Rougeur
R² / V^3
(il est donné par le rapport des valeurs
de pixels de la bande rouge au carré sur celles de la bande
verte au cube)
2009,2003 [2] Cf. (Mane et al.,
1997; Mathieu et al., 1997)
8. Indice de contenu en eau
PIR / R 2009,2003 [2] Cf. (Mougenot et
al., 1990)
9. Indice de Couleur d’un sol (CSI)
R – V/ R+V 2009, 2003 [2] Cf. (Carré, 2002;
Mane et al., 1997; Wassenaar, 2001)
10. Teinte
1/tan(R*2) –(V-B)/3*0.5*(V-B)
2009, 2003 [2] Cf. Coulibaly et
Gwyn (2005)
11. Autres indices personnalisés *
Mean Layer –Brightness
1986 [3] Personnalisé
2.2 Données auxiliaires
Afin d’améliorer la performance de la classification, nous avons utilisé des données auxiliaires que nous
décomposons en 2 sections présentées ci-dessous.
20
Données acquises
Nous avons eu à disposition, en plus des images aériennes, des données vectorielles issues de la BD
Topo de l’IGN datant de 2009. Elles sont constituées des couches de bâtiments, de réseaux de
communication (routes, rails), des cours d’eau. Des couches dérivées des différentes données de
référence ont été créées. Il s’agit des couches vectorielles, dérivées des données de la BD Topo,
notamment issues de géotraitement sous le SIG, comme la couche «Tâches urbaines » obtenue à partir
d’une zone tampon délimitée à 200 m autour des bâtiments ainsi qu’une couche MNE (Modèle
Numérique d’Elévation).
De plus, nous avons acquis des couches, d’occupation du sol de Corine Land Cover (CLC) et des
parcelles agricoles du registre parcellaire graphique (RGP).
Ces données ont toutes été intégrées dans la classification de l’occupation du sol à partir de l’image de
2009. Ces données auxiliaires ont permis, en plus de l’utilisation des indices décrits préalablement, de
discriminer les différentes classes en les distinguant notamment par leur emprise (à l’aide des couches
géométriques) et la hauteur (avec la donnée MNE). Par la suite, les données issues de cette
classification ont servi comme données vectorielles de référence pour la classification de l’image de
2003 (la démarche étant similaire pour l’année antérieure, c’est-à-dire l’image de 1986) auxquelles il
sera effectué une mise à jour pour prendre en compte l’évolution temporelle. Ce qui nous a amené à
définir des méthodes permettant de créer des nouvelles données auxiliaires qui spécifient l’image en
cours de traitement.
Données créées
Comme expliqué ci-dessus, l’objectif a été : d’une part de détecter le changement intervenu au cours
de 2 périodes traitées (de 2009 à 2003 et de 2003 à 1986) et d’autre part de disposer des données qui
caractérisent le pus possible l’image t-1 (dans notre cas) facilitant la classification des éléments du
paysage.
---Détection des changements Détecter les changements de la précédente année sur l’image à traiter, est un traitement intéressant
en ce sens que la mise à jour de la classification à partir des données de la dernière classification, sera
plus aisée à réaliser.
Nous présentons à travers les images ci-dessous, les différentes étapes de cette méthode dont le
traitement est effectué sous ArcGIS. La première étape est réalisée en utilisant l’opération de
traitement d’image appelée « Différence » qui calcule la différence de 2 images « à l’aide d’une
comparaison pixel à pixel ». Nous obtenons alors une nouvelle image temporaire (cf. Figure 7 - c) dont
les comptes numériques sont recalculés. Ainsi, les pixels dont les trois valeurs contenues
respectivement dans les 3 bandes (RVB) de l’image sont négatives apparaissent en noir sur l’image
composite. L’image issue montre bien les zones qui correspondent aux zones de changements, par leur
fort contraste.
Or, parmi les pixels dont les valeurs sont négatives, certains caractérisent de zones de changements
radiométriques. De plus, l’image issue est trop volumineuse (117 GB).
21
Figure 7 : Présentation de la méthode de détection de changement : a) Image 2003, b) Image 2009, c) Différence des images (a et b), d) Classification IsoCluster à partir de l’image (c), e)Vectorisation de la classe issue de (d.)
22
Pour remédier à ces 2 contraintes, l’opération qui suit, fait appel à une interprétation humaine. C’est
pourquoi, on a calculé une classification iso cluster dont nous avons pris le parti de réduire le nombre
de classes pour identifier uniquement les zones de changement d’occupation du sol. (cf. Figure 7 - d).
Enfin la dernière étape (cf. Figure 7 - e) consistait à convertir cette classification en donnée vectorielle
pour l’utiliser dans le traitement de la classification réalisée sous eCognition.
---Nouvelles données spécifiques à l’image traitée
Les images datant de 2003 et 1986 ont des caractéristiques spectrales différentes de l’image de 2009.
Bien que l’image acquise en 2003, est une image en vraie couleur, on ne dispose pas pour autant de la
bande (PIR). Cette différence par rapport à celle de 2009, fait que l’arbre de décision défini pour cette
même année ne sera pas réutilisé.
Il a fallu alors élaborer un nouvel arbre de processus de classification spécifique à l’image 2003 (cf.
Annexes). En l’absence du PIR, ce dernier se base en plus des indices utilisés, sur l’utilisation des valeurs
des composantes principales (ACP) calculées sous ArcGIS.
Globalement, nous avons réussi à discriminer les classes dont les valeurs spectrales se confondent,
telles que les classes « perméable », « imperméable », « piscine ».
Quant à l’image acquise en 1986, ses caractéristiques sont tout aussi différentes par rapport à celles
en couleur. De même que pour les deux autres images, nous avons eu à développer un nouvel arbre
de décision. Il se base outre les données issues de la classification de 2003, sur deux couches rasters
dont le traitement est réalisé sous le logiciel ArcGIS.
Nous avons créé d’abord deux masques générés par le calcul d’une fonction binaire. Ces masques
permettent de distinguer très nettement les zones de végétation et les zones de non végétation (cf.
Image b). Les zones sombres représentent la végétation (valeur nulle) et les zones plus claires
correspondent à notre masque de zones de non végétation. Et nous arrivons par ce biais, à
Figure 8: Délimitation des zones de végétation (a : image 1986, b : Image binaire)
23
Pour le reste, nous avons calculé une deuxième couche, NDVI à l’aide de fonction de traitement
d’image d’ ArcGIS. Cette donnée nous a permis de distinguer les autres types de classes compris dans
le masque délimitant les zones de non végétation.
2.3 Segmentation
Nous illustrons ci-après le principe de la segmentation multirésolution appliquée sur les trois images.
Cette dernière peut être réalisée à plusieurs niveaux. Dans notre cas, nous avons fait le choix de
segmenter les images que sur trois niveaux (cf. images a, b, c) afin de réduire le temps de traitement
en essayant toutefois de définir à l’issue de plusieurs tests, la segmentation la plus optimale.
Concernant l’image de 2009, la segmentation se base principalement sur des données auxiliaires
(composées des couches de la BD Topo, du MNE). Les paramètres d’échelle utilisés sont décroissants
de façon à segmenter les objets très finement. C’est le cas de la classe « Piscine » dont les objets sont
les plus fins (cf. encadré jaune, image d). Ainsi, seul le bassin des piscines (en bleu) est à classer en
piscine et à discriminer le contour de la piscine (généralement très clair) pour les classer comme
surface imperméable.
Figure 9: Trois niveaux de segmentation sur l'image (2009)
24
Nous avons effectué la même démarche pour choisir les différents paramètres de segmentation pour
les deux autres images illustrées ci-dessous. Généralement, pour les indices de forme et de compacité
dont la valeur est égale à 1, on a trouvé intéressant d’utiliser la valeur d’un indice parmi les indices
calculés qui servant à segmenter au mieux les objets selon leurs forme et réflectance.
Figure 10: Trois niveaux de segmentation sur l'image (2003)
25
Figure 11: Trois niveaux de segmentation sur l'image (1986)
2.4 Classification
A l’issue de la segmentation, on procède à la classification des objets. De la même manière que l’étape
précédente, la classification est précisée en descendant jusqu’au dernier niveau pour justement classer
les objets dans leurs classes respectives. Sous eCognition, elle se base sur des seuils définis par
l’utilisateur à l’aide des caractéristiques calculés pour chaque objet par le logiciel (cf. Capture ci-
dessous). Nous détaillerons en annexes les trois processus de classification réalisés.
26
Figure 12: Exemple de classification
Afin de répondre au deuxième objectif (cf. partie III.2), nous choisissions des zones test sur lesquelles
on appliquait la démarche en essayant d’ajuster l’extraction des objets à chaque niveau avant
d’étendre le processus de classification sur toute la zone. Typiquement, on a testé cinq dalles choisies
en fonction de la dominance des espaces (agricoles, naturels, artificialisés et mixtes) pour l’image de
2009 et quatre zones pour les deux dernières.
Nous illustrons ci-dessous les classifications réalisées à partir des trois images (zoom sur un secteur de
Chaponost).
Figure 13: Classification a) 1986, b) 2003, c) 2009
27
2.5 Calcul de l’indice Kappa
La dernière étape consiste à calculer un indice statistique appelé indice de Kappa. Cet indice est utilisé
pour valider les résultats de la classification. Il est calculé à partir des informations d’une matrice de
confusion dont les lignes correspondent aux données d’observations (ou terrain) et les colonnes aux
données de la classification (cf. Tableau 3). C’est donc un « estimateur de qualité qui tient compte des
erreurs en lignes et en colonnes». Sa valeur est comprise entre 0 et 1.
Pour calculer cet indice, nous avons généré une couche ponctuelle sous QGis dont les points sont
répartis de manière aléatoire sur toute la zone d’étude. Tout d’abord, nous avons réduit le nombre de
classe à huit en regroupant les trois classes (« Bâti », « Reseaux de communication », et
« imperméables ») dans une classe nommée « imperméables ». Ensuite, nous avons défini un total de
300 points en affectant à chaque classe un nombre de points (cf. Total lignes renseigné dans Tableau
3).
Les points sont renseignés à partir des informations de l’image. Cette couche nous a servi comme
donnée terrain. Par la suite, nous avons effectuée une opération d’intersection de cette couche avec
celle issue de la classification pour obtenir une couche dans laquelle les points sont affectés à leur
classe d’occupation du sol. A l’aide de requête sql sous SIG, les données de la matrice de confusion ont
Ainsi, nous avons obtenu pour les trois classifications des indices dont les valeurs sont comprises entre
0.5 et 0.6 (cf. Annexe 2). La précision globale est aussi importante dans l’évaluation de la classification.
28
Elle est donnée par le rapport entre le nombre des pixels bien classés et le total des pixels
d’observations. Les précisions globales obtenues sont respectivement de 69% (2009), 68% (1986) et
56% (2003) pour les trois dates. Ce qui signifie un accord modéré entre nos classifications et nos
données de vérification.
29
Partie VI : Traitement post-classification et interprétation des
résultats
1. Traitement de la dynamique de l’occupation du sol
Les données issues de la classification de l’occupation des sols peuvent servir pour diverses
applications entre autres l’analyse de la dynamique de l’occupation des sols. Cela permet d’identifier
le changement au profit de quels autres espaces par exemple. Nous présentons dans cette section,
une méthode permettant de suivre et quantifier l’évolution des espaces.
Nous décrivons la méthode en trois parties, qui comprend :
----Suivi de l’évolution des parcelles Tout d’abord, on s’intéresse au suivi du changement des parcelles (cf. illustration ci-après). Comme nous montre la figure, on souhaiterait renseigner les objets de manière rétrospective. Ainsi, nous avons développé un traitement automatique sous ArcGIS permettant de réaliser toutes les étapes de la méthode (Figure 11) et les encadrés rouges concernent cette étape
Et les classes « Perméable » et « surfaces en eau » ont très légèrement augmenté. Bien que le site
d’étude abrite un réseau hydrographique important, il est néanmoins couvert par une végétation
ligneuse (cf. Annexes 3, 4 et 5). Cette information ne peut donc pas être extraite à partir des données
de cette étude d’où la présence quasi minime de cette classe au sein de ce territoire. C’est le cas
également pour la classe qui définit les réseaux de communication.
Dans les résultats de ce travail, nous avons constaté d’une part une sur-classification de certaines
classes comme la classe «Perméable» qui se confond très souvent avec les classes «Cultures»,
«Prairies» lorsque les surfaces de celles-ci présentent moins d’herbes et avec la classe «Autres surfaces
imperméables» (cf. Partie III.1). D’autre part, la classe «Piscine» est sous- classée, souvent là aussi
confondue avec la classe «Perméable». Et surtout pour l’année 1986, même si il n’y en avait pas
beaucoup, elles ne sont pas vraiment discernables sur l’image en noir et blanc.
Globalement, cette cartographie de la dynamique de l’occupation des sols du site d’étude rend compte
de la forte urbanisation du bassin versant et de l’expansion urbaine de la métropole de Lyon (Secteur
Est).
3. Perspectives
Désormais, l’étude de la dynamique spatio-temporelle de l’occupation du sol ne se limite pas
seulement à l’analyse de la classification à partir des images multi-dates. Elle peut être complétée et
enrichie par l’analyse des métriques spatiales (ou paysagères) pour quantifier et qualifier les formes
du paysage.
A l’origine, les métriques spatiales ont été développées pour l’écologie du paysage dans les années
1980. (Skupinski et al, 2009) Elles sont utilisées pour décrire l’organisation et l’hétérogénéité spatiale
des paysages à une échelle spatiale donnée. (Aguejdad et Hubert-Moy, 2016)
Les métriques paysagères sont aujourd’hui appliquées dans des études urbaines dont l’objectif est de
caractériser l’évolution de la forme des paysages dans un contexte de forte croissance urbaine.
(Skupinski et al, 2009 ; Aguejdad et Hubert-Moy, 2016). Le calcul des métriques spatiales se fait à partir
des données des images classifiées sous le logiciel FragStat. Elles portent sur trois échelles d’analyse à
savoir (tâche, patch et paysage). Pour chacune de ces échelles, il existe des indices spécifiques.
Conclusion
33
Cette étude avait pour objectif d’identifier et cartographier les différents éléments paysagers à partir
d’images aériennes multi-dates et à très haute résolution. La classification de l’occupation des sols
avec la méthode orientée objet sous eCognition nous a amené à adapter un processus de traitement
spécifique à chacune de trois images traitées (1986, 2003 et 2009).
Les résultats de classifications obtenus sont satisfaisants. Ces résultats nous ont permis de constater
des changements importants entre les différentes classes d’occupation du sol au cours de trois
périodes étudiées (1986-2003, 1986-2009 et 2003-2009). Et la cartographie réalisée montre bien
également l’étalement urbain qui caractérise la zone d’étude.
Cependant, les résultats de trois classifications accusent quelques imperfections notamment des
confusions entre certaines classes dont les caractéristiques sont très rapprochées (telles que les classes
perméable, cultures, prairies et autres surfaces imperméables). Aussi, ces résultats sont évalués
respectivement à 69% (2009), 68% (1986) et 56% (2003) de précision globale avec des indices de Kappa
inférieure à 0,7. Etant donné la durée du traitement, nous n’avons pas pu refaire la classification pour
pouvoir améliorer les résultats. Un indice de kappa supérieur à 0,7 serait intéressant pour réaliser in
fine des traitements post-classification tel que les métriques spatiales.
Références bibliographiques
34
Aguejdad, R. et Hubert-Moy, L. (2016) «Suivi de l’artificialisation du territoire en milieu urbain par télédétection et à l’aide de métriques paysagères. Application à une agglomération de taille moyenne, Rennes Métropole». Cybergéo (https://cybergeo.revues.org/27465) Blaschke, T., (2009) «Object based image analysis for remote sensing». ISPRS Journal of Photogrammetry and Remote Sensing. Blaschke, T., and Strobl, J., (2001) «What’s wrong with pixels ? Some recent developments interfacing remote sensing and GIS». eCognition Developer 9.0 (2014) «Reference Book», Trimble Germany GmbH Hoang, K.H., Bernier M. et Villeneuve, J.-P., (2007) «Les changements de l’occupation du sol et ses impacts sur les eaux de surface du bassin versant de la rivière Câu (Viêt-nam)». Actes des JSIRAUF, Hanoi Lefebvre, A., Corpetti, T. et Hubert Moy, L. (2009) «Détection de changements dans des images à très haute résolution spatiale par analyse de texture : application en milieu urbain». Neuvièmes Rencontres de Théo Quant, Besançon Navulur, K., (2007) «Multispectral image analysis using the object-oriented paradigm». pp.1-105 Skupinski, G., BinhTran, D., et Weber, C. (2009) «Les images satellites Spot multi-dates et la métrique spatiale dans l’étude du changement urbain et suburbain – Le cas de la basse vallée de la Bruche (Bas-Rhin, France)». Cybergéo (https://cybergeo.revues.org/21995#tocto2n4) Sparfel, L., Gourmelon, F. et Le Berre, I., (2008) «Approche orientée-objet de l’occupation des sols en zone côtière». Revue Télédétection, vol. 8, n°4, p. 237-256. Thi-Thanh-Hièn, P. et Dong-Chen, H. (2012) «Classification orientée objet d’une image Quickbird de la ville de Hanoi(Viêtnam) : Etude empirique des paramètres de segmentation». Revue Télédétection, vol. 11, n°2, p.287-305. Tourino Soto, I., (2005) «Mise en relation de la cartographie du rendement avec la distribution spatiale de l’état de surface du sol observée par la télédétection. Application dans un contexte d’agriculture de précision». Thèse, Toulouse, INP, 2005, p.105 Site Internet : http://www.eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX:32002D1600 http://www.developpement-durable.gouv.fr/La-documentation,29894.html http://www.grandlyon.com/metropole/bienvenue-a-la-metropole.html http://www.oss-online.org/rep-sahel/index.php?option=com_content&view=article&id=20:etudes-r%C3%A9gionales&catid=48&lang=fr&Itemid=143 http://www.riviere-yzeron.fr/