Apport de la télédétection dans le suivi de la dynamique des aires protégées. Cas du parc national de la Kibira.

4.3. Les classifications numériques

Pour rappel, il existe deux méthodes de classification : la classification non supervisée qui est une classification automatique où le logiciel défini lui-même les classes d'occupation du sol sans intervention de l'opérateur et la classification supervisée où seul l'opérateur défini les classes d'occupation du sol. Les deux cas vont être utilisés pour notre travail ( https://orbi.ulg.ac.be/bitstream/2268/172881/1/Formation_ENVI%20oct-2013.pdf).

4.3.1. Classification non supervisée

On distingue deux méthodes de classification non supervisée sous Envi :

V' La méthode de K-Mean qui consiste en l'attribution des pixels au centre le plus proche (Bernard T. , 2016). Elle permet une analyse régionale des grands types homogènes de couvertures végétales.

V' La méthode de classification non supervisée en valeurs égales (Isodata) : elle permet un groupement des pixels de l'image aux centres des classes, régulièrement distribués dans l'hyperespace, les plus proches (distance). Cette méthode sera utilisée pour

22

Communauté française de Belgique

notre travail. Pour faire cette classification via le menu principal ENVI, on clique sur Classification ? Unsupervised ? Isodata.

4.3.2. Classification supervisée

D'après Soro, 2014 cités par M. DIARRA, 2016, il existe plusieurs méthodes de classification supervisée. La méthode « Maximum de vraisemblance » qui est la méthode la plus répandue en traitement d'images et considérée comme la plus performante dans la production des cartes thématiques de l'occupation du sol. L'algorithme de la méthode « Maximum de vraisemblance » calcule une fonction de probabilité multidimensionnelle qui permet de déterminer la probabilité de chaque pixel d'appartenir à l'une des catégories correspondant aux signatures spectrales (Collet, 1992; Mouhamadou, 2012 cité par M. DIARRA, 2016).

La classification supervisée se déroule en deux étapes :

? La première étape consiste à sélectionner des zones de l'image dont on connaît la vraie occupation du sol. Ces zones sont appelées régions d'intérêt (ROI)

? On utilise ensuite ces zones comme références à la généralisation sur l'ensemble de l'image.

Pour les aires d'entrainement, nous avons sélectionné le maximum de pixels possible en fonction de l'importance des classes. Par après, nous avons validé notre classification pour évaluer la qualité. La sélectionnant des pixels de validations a été faite avec rigueur pour éviter le chevauchement avec les pixels de calibration.

1. Les classes d'occupation du sol

	CLASSES D'OCCUPATION DU SOL
	FORET DENSE		CLAIRIERES		ZONE DEFRICHEES		LAC DE RETENUE
	PIXEL	ROI	PIXEL	ROI	PIXEL	ROI	PIXEL	ROI
Calibration	2011	84	1387	54	1001	60	236	12
Validation	1060	33	636	29	511	37	130	8
TOTAL	3071	117	2023	83	1512	97	366	20

Tableau 4 : Les régions d'intérêt sélectionnées pour l'image Landsat de 1986

23

Communauté française de Belgique

	CLASSES D'OCCUPATION DU SOL
	FORET DENSE		CLAIRIERES		ZONE DEFRICHEES		LAC DE RETENUE
	PIXEL	ROI	PIXEL	ROI	PIXEL	ROI	PIXEL	ROI
Calibration	3171	42	1506	55	1005	74	970	37
Validation	1075	39	1308	27	933	31	593	11
TOTAL	4246	81	2814	82	1938	105	1563	48

Tableau 5 : Les régions d'intérêt sélectionnées pour l'image Sentinel 2 de 2016

2. Analyse de la matrice de confusion

L'analyse de la matrice de confusion va nous permettre d'évaluer la précision de notre classification. Il existe plusieurs indicateurs pour évaluer la précision de la classification.: Overall Accuracy qui montre le niveau de précision globale, le coefficient Kappa, Commission (erreurs d'excédents et de déficits), Omission (l'erreur de déficit), User Accuracy (précision pour l'utilisateur) et (Producer Accuracy) précision pour le réalisateur. (Midekor et Wellens, 2013, M. DIARRA, 2016).