4.2.3.4. Discrimination des unités d'occupation
du sol
La mission terrain s'est déroulée du 19 au 25
Août 2019 a permis de parcourir la commune rurale de Diabaly et pour la
validation des différentes classes d'occupation du sol (Tableau II). Les
coordonnées des points relevées ont été
insérées dans le récepteur GPS, puis à partir de la
fonction `'GO TO» ou `'ALLER À» nous avons pu retrouver les
points sur le terrain. Par ailleurs nous avons marqué d'autres points
avec le récepteur GPS sur le terrain pour faciliter le travail post
terrain. La description et la caractérisation des points visités
ont été les principales taches sur le terrain.
En somme, cette mission a permis de visiter et décrire
les sites pour la classification d'image d'une part et d'autre part pour la
validation de celle-ci.
30
Tableau II: Types d'occupation du sol et
Correspondances en pixel.
Description Pixel correspondant Vérité terrain
Eau : Zones composées d'eau de
surfaces (fleuve, rivière, retenues d'eau) et de zones inondables
(marécage, bas-fonds)
|
|
|
Végétation (Savane
herbeuse) : Un
recouvrement de 80-95%. Avec présence d'arbustes.
Zones de cultures :
Parcelles souvent préparées pour l'agriculture
et utilisées pour les pâturages.
Sols nus et zone de bâtis : Parcelle
qui abritent les surfaces mises en valeur (habitations, routes, pistes,..)
|
|
|
|
|
4.2.3.5. Classification supervisée
(orientée Pixel)
La classification supervisée a été
choisie dans le cadre de notre étude. Avec l'algorithme de maximum de
vraisemblance (Maximum Likelihood), un algorithme qui repose sur la
règle de Bayes. Elle est basée sur des méthodes
probabilistes permettant de calculer pour chaque pixel de l'image sa
probabilité d'être rattachée à telle classe plus
tôt qu'à telle autre (Girard et Girard, 1999). Le pixel est
affecté à la classe dont la probabilité d'appartenance est
la plus élevée.
31
4.2.3.6. Evaluation et validation de la
classification
Une évaluation par la matrice de confusion de la
qualité statistique des noyaux. Le résultat est donné sous
forme d'une matrice dite matrice de confusion qui contient deux indices
utilisés pour la validation finale :
? La précision globale :
Elle est égale au nombre total de pixels correctement
classifiés (diagonale de la matrice de confusion) divisé par le
nombre total de pixels de vérification (Congalton, 1991). Elle est
comprise entre 0 et 100%.
???? = ? (D????*k??)
n ??=1 ?? (%) (Congalton, 1991)
(1)
? k??
Avec : i : identifiant de la classe, D : diagonale en i, k :
nombre de pixels de la classe i.
? L'indice de Kappa :
Permet d'évaluer globalement la fiabilité des
résultats de la classification par rapport aux données de
référence. Il est compris entre 0 et 1 et est calculé
à partir de l'Équation 3 :
r r
N ?xii??
? i?1 i?1
|
?xi? *x?i ?
|
(Congalton, 1991) (2)
|
K ?
|
|
|
|
|
|
|
?
r
N 2 ? ??xi? *x?i i
Avec : xi+ : nombre total en colonne de la classe i, x+i : le
nombre total en ligne de la classe i, xii : la somme des diagonales et N= 100
(nombre total de pixel de l'image).
L'accord est bon pour les valeurs du kappa comprises entre
0,61 et 0,81 et l'accord est très bon pour les valeurs du kappa
supérieures à 0,81.
| 
