WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Evaluation par télédétection des effets de la déforestation et de la dégradation des forêts à  Kisangani (cas de la région forestière de Masako)

( Télécharger le fichier original )
par Jean- Fiston Mikwa Ngamba
Université de Kisangani RDC - En vue de l'obtention du diplôme d'études approfondies en aménagement durable des forêts congolaises 2010
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

3.2.2. Matrice de confusion

L'estimation de la qualité de la classification a été faite par le biais d'une matrice de confusion (Godard, 2005). À partir de cette matrice, la qualité de l'utilisateur ou le taux de pixels bien classés de la classe i (Pu(i)) a été déterminée avec l'équation 1 :

où Mc(i) est le nombre de pixels de la classe i ayant effectivement été affectés à celle-ci après classification et m1 la somme des pixels de la classe i dans l'image.

La précision du producteur Pp(i) a été obtenue suivant l'équation 2 :

Où m2 est le nombre de pixels appartenant effectivement à la classe i.

Une valeur élevée de Pp(i) indique que la classe a été peu affectée par les échantillons des autres classes. À l'inverse, un taux faible indique que cette classe a souvent été choisie à la place d'autres classes.

La précision globale de la classification a été donnée par la moyenne des pourcentages des pixels correctement classés (MPCC)

n étant le nombre total des pixels inclus dans la matrice.

Le coefficient de Kappa (K, équation 4) donne une estimation plus précise (qui tient compte des pixels bien classés) de la qualité de la classification (Congalton, 1991) :

(Équation 4)

où r est le nombre de rangées de la matrice.

3.2.3. Matrice de transition des classes d'occupation du sol

La matrice de transition permet de mettre en évidence les changements d'occupation du sol pendant une période donnée (Schlaepfer, 2002; Bamba et al., 2008). Les cellules de la matrice contiennent la valeur d'une variable ayant passé d'une classe initiale i à une classe finale j pendant la période considérée. Les valeurs des colonnes représentent les proportions des aires occupées par chaque classe d'occupation du sol au temps j et celles des lignes, au temps initial i.

3.2.4. Taux annuel de déforestation de la zone d'étude

Le taux annuel de déforestation est le pourcentage que perd la forêt chaque année dans un territoire forestier bien défini. Ce taux a été calculé comme suit : L'analyse de la dynamique de l'occupation des terres a été faite à partir du calcul du taux de déforestation annuel ( Caloz, 2001 ; Oloukoi 2006 ; Barima,2009 et al.,) a été utilisée. La variable considérée ici est la superficie (S). Ainsi, pour S0 et S1, correspondant respectivement à la superficie d'une catégorie d'occupation des terres en 1990 et en 2001, le taux de déforestation spatiale moyen annuel T,

(Équation 5)

où : t est le nombre d'années d'évolution ; ln le logarithme népérien ; e la base des logarithmes népériens (e = 2,71828) et S la superficie.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Et il n'est rien de plus beau que l'instant qui précède le voyage, l'instant ou l'horizon de demain vient nous rendre visite et nous dire ses promesses"   Milan Kundera