3.3.1.3. Traitement
post-classification
· Validation de la classification
L'évaluation de la validation de la classification
s'est faite à travers la visualisation de la matrice de confusion. Elle
montre le degré de précision de la classification et permet donc
de dégager le pourcentage d'un thème bien classé dans sa
classe, les erreurs d'omission, les erreurs de commission, le coefficient de
Kappa est la précision globale de notre classification est
appréciée à travers les différents
éléments qui composent la matrice de confusion.
L'Indice de Pureté des Classes (IPC) est le rapport du
nombre total des pixels d'un thème bien classes dans une classe Ci par
le nombre total des pixels de la classe Ci. Il est aussi appelé
exactitude du producteur.
IPC = Nombre de pixels bien classes dans une
classe Ci / (divisé) Nombre total de pixels de la classe Ci Il permet de
calculer les erreurs d'omission dont les pixels de référence
terrain sont attribués à une autre classe.
Erreur d'omission (EO) = 1- IPC ou Exactitude
du producteur
L'Indice Cartographique de Validation (ICV)
est le rapport du nombre total des pixels d'un thème bien classé
dans sa classe Ci par le nombre total des pixels du même thème Ti
sur le terrain. Il est appelé aussi précision cartographique des
usagers.
ICV= Nombre total des pixels d'un
thème bien classés dans sa classe Ci / (divisé) Nombre
total des pixels du thème Ti sur le terrain.
Il permet de calculer les erreurs de commission dont les
pixels d'une classe lui sont attribués par erreur.
Erreur de commission (EC) =1- ICV ou
Précision cartographique des usagers
L'Indice de Précision Total (IPT) ou
Précision globale
IPT = Somme des pixels correctement
classés / (divisé) Total des pixels de la matrice
Il permet de valider la classification supervisée.
· Amélioration du rendu cartographique des
résultats
Les images classifiées présentent souvent un
manque de cohérence spatiale (tâches ou trous dans les parcelles).
Un filtre permet de lisser ces images. Pour améliorer le rendu de la
classification Envi propose trois fonctions à savoir : Analyse
majoritaire et minoritaire, homogénéiser les classes et
éliminer les pixels isolés.
Dans cette étude, l'analyse majoritaire et minoritaire
a été choisie, car ce filtre se déplace ligne par ligne
pour éliminer les pixels isolés sur les images
classifiées.
· Vectorisation
La vectorisation est la dernière opération dans
le traitement des images numériques. Elle permet de convertir les images
classifiées du mode raster en vecteur afin de faciliter une bonne
visualisation et manipulation dans l'environnement du logiciel SIG.
· Manipulation et analyse des
données
Dans le cadre de cette étude, la comparaison
post-classification a été utilisée, elle produit un bon
résultat de détection des changements. L'avantage majeur de
cette méthodeest la capacité defournir une matrice de changement.
Pour détecter les changements, les classifications
serontcomparées deux à deux. De cette comparaison sera
dérivée la carte des changements quipermettra de les localiser,
ainsi que la matrice de transition, qui identifiera les régions ayant
changé ou non entre les deux dates. Cela permettra de quantifier les
changements en utilisant les superficies. Les taux d'expansion annuelle entre
1988-2003 et 2003-2019 ont été calculés à partir de
la formule proposée par FAO (1996) et utilisée par Nana (2019)
Tg = ((S1-S2) / S1) × 100 avec :
S1 la surface d'une classe d'unité d'occupation du sol
à la date t1 ;
S2 la superficie de la même classe d'unité
d'occupation du sol à la date t2 ;
Tg le taux global d'évolution ;
Si Tg = 0, on conclut qu'il y a stabilité de cette
catégorie d'occupation du sol ;
Si Tg < 0, on conclut qu'il y a régression de cette
catégorie ;
Si Tg > 0, il y a extension ou évolution de cette
catégorie. :
· Visualisation cartographique
Cette étape consiste essentiellement à fournir,
à partir des fichiers images, texte créé, desinformations
sur certains paramètres de la zone d'étude. Ces informations
sont présentées sous forme cartographique dansle chapitre
suivant.
| 
