Utilisation de la télédetection et des SIG dans la gestion durable des aires protégées : cas des forets classees de Dogo-Ketou au Bénin

3.2.9.2- Classification supervisée

Cette classification a été utilisée compte tenu de la connaissance du terrain. Elle a consisté à identifier visuellement un certain nombre d'éléments ou objets naturels ou artificiels qui peuvent-être ponctuels, linéaires ou surfaciques sur l'image. .

Ladite classification sous le logiciel de traitement d'image ENVI 4.3 se déroule en quatre (4) phases essentielles que sont :

- la définition de la légende ou le renseignement du ROI (Regions Of Interest); - la sélection des échantillons de parcelles d'entrainement (ou Regions);

- la description et renseignement des différentes classes;

- Le choix de l'algorithme de classification.

La définition de la légende ou ROI, dans ENVI 4.3 est faite de la manière suivante : Overlay/Region of Interest de la composition colorée. Dans ROI Tool cliquer sur ROI Type.

Les éléments tels que forêt claire, forêt galerie, savane boisée, savane arborée, savane arbustive, champs et jachères et de l'eau ont été définis pour la légende. Ce qui a

conduit à la sélection des parcelles d'entrainement. Ainsi, différentes classes sont définies suivies de l'attribution des couleurs.

Figure 13: Fenêtre du ROI pour le renseignement de la légende

L'algorithme Maximum Likelihood (maximum de vraisemblance) est choisi pour la classification. Il permet de classer les pixels inconnus en calculant pour chacune des classes la probabilité pour que le pixel tombe dans la classe qui a la plus forte probabilité. Cependant si cette probabilité n'atteint pas le seuil escompté, le pixel est classé inconnu. Dans le menu principal, allez sur Classification Supervised/Maximum likelihood, Spatial Subset ROI/EVF / ROI / OK.

Pour éliminer les petits points, nous avons appliqué à l'image classifiée, trois opérations de filtrage à savoir : Sieve classes (pour éliminer les pixels isolés) ; Clump classes (pour homogénéiser les classes) ; Majority/minority/analysis (pour lisser les classes après l'opération clump classes).

Figure 14: Image Landsat TM de 13-01-1986 classifiée

Figure 15: Image Landsat ETM + de 13-12-2000 classifiée

3.2.9.3- Validation de la classification par la matrice de confusion

L'évaluation de la classification est basée sur un tableau à deux dimensions appelée matrice de confusion. Ainsi dans ENVI 4.3, aller au menu principal cliquer sur Classification / Post Classification Confusion Matrix Using Ground Truth ROIs. La fenêtre

classification Input File apparaît, choix de l'image de notre classification et celle de base du ROI dans Open.

Figure 16: Fenêtre de la matrice de confusion de l'image de 1986

Figure 17: Fenêtre de la matrice de confusion de l'image 2000

A partir des fenêtres de la matrice de confusion, deux tableaux sont découlés pour interpréter les résultats d'évaluation de la classification pour chacune des classes (Unités d'occupation du sol).

Tableau III: Matrice de confusion des forêts classées de Dogo-Kétou en 1986

TERRAIN	CLASSIFICATION
	fc	fg	sb	sarbu	sarbo	eau	cj	ICV %	Erreur de commission %
forêt claire	74.91	31.78	0.02	0.08	0.00	0.00	0.00	88	12
forêt galerie	23.94	57.72	0.72	2.86	0.00	0.00	0.00	61	39
savane boisée	0.02	0.03	92.36	0.00	0.11	0.00	0.00	99	1
savane arbustive	1.13	10.44	0.23	94.37	4.09	0.00	0.60	71	29
savane arborée	0.00	0.03	1.11	2.69	92.73	0.00	1.19	79	21
eau	0.00	0.00	5.56	0.00	0.00	100.00	0.00	4.9	95.1
champs et jach	0.00	0.00	0.00	0.00	3.07	0.00	98.21	82	18
IPC%	88	58	92	94	93	100	98
Erreurs d'omission %	12	42	8	6	7	0	2

Indice de Kappa = 0.81 ICV : Critère cartographique de validation

IPC : Indice de Pureté des Classes

ICV= Nombre total des pixels d'un theme bien classés dans sa classe ci / Nombre total des pixels du thème Ti sur le terrain

IPC= Nombre total de pixels bien classés dans une classe ci / Nombre total de pixels de la classe Ci.

Erreur de commission = I - ICV

Erreur d'omission = I - IPC

Tableau IV: Matrice de confusion des forêts classées de Dogo-Kétou en 2000

TERRAIN	CLASSIFICATION
	fc	fg	sarbo	sarbu	eau	sb	cj	ICV%	Erreur de commission %
forêt claire	88.27	4.97	0.00	2.92	0.00	0.01	0.00	91	9
forêt galerie	8.36	94.59	0.00	0.24	0.32	0.00	0.00	85	15
savane arborée	0.00	0.05	89.05	4.08	0.00	0.06	15.45	47	53
savane arbustive	3.29	0.32	4.76	92.32	0.00	0.11	0.16	98	2
eau	0.00	0.00	0.00	0.01	98.70	0.37	0.00	90	10
savane boisée	0.08	0.05	0.00	0.15	0.97	99.39	0.00	99	1
champs et jachères	0.00	0.00	6.19	0.26	0.00	0.06	84.39	91	9
IPC%	88	95	89	92	99	99	84
Erreurs d'ommission %	12	5	11	8	1	1	16

Indice de Kappa = 0.92

ICV : Critère cartographique de validation

IPC : Indice de Pureté des Classes

ICV= Nombre total des pixels d'un theme bien classés dans sa classe ci / Nombre total des pixels du thème Ti sur le terrain

IPC= Nombre total de pixels bien classés dans une classe ci / Nombre total de pixels de la classe Ci.

Erreur de commission = I - ICV

Erreur d'omission = I - IPC

Les deux (2) tableaux de matrice de confusion montrent pour chacune des classes, le niveau de fiabilité et les principales confusions faits lors de la classification des images. Pour l'ensemble des classes définies, il y a eu de confusion c'est-à-dire les pixels de certaines unités d'occupation du sol ont été confondues à d'autres. Mais avec l'indice de Kappa ( un indice qui permet de « retirer » la portion de hasard ou de subjectivité de l'accord entre les techniques), 0.81 et 0.92 que nous avons eu respectivement pour les deux images, nous permettent de conclure que les résultats de ces classifications sont statistiquement acceptables car selon Landis et Koch (5), cet indice est Excellent quand il est égal à 0.81; il est Bon quand il compris entre 0.80 - 0.61; il est Modéré quand il est compris entre 0.60 - 0.21; il est Mauvais quand il est compris entre 0.20 - 0.0 et il est Très Mauvais quand il est inférieur à 0.0.