Méthodes de Machine Learning pour le suivi de

l’occupation du sol des deltas du Viêt-Nam

Chi-Nguyen Lam

To cite this version:

Chi-Nguyen Lam. Méthodes de Machine Learning pour le suivi de l’occupation du sol des deltas du
Viêt-Nam. Autre. Université de Bretagne occidentale - Brest, 2021. Français. �NNT : 2021BRES0074�.
�tel-03770198�

HAL Id: tel-03770198

[Link]
Submitted on 6 Sep 2022

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 THESE DE DOCTORAT DE

L'UNIVERSITE
DE BRETAGNE OCCIDENTALE
ECOLE DOCTORALE N° 598
Sciences de la Mer et du littoral
Spécialité : Géomatique

Par
Chi-Nguyen LAM
Méthodes de Machine Learning pour le suivi de l’occupation du sol des
deltas du Viêt-Nam

Thèse présentée et soutenue à Brest, le 07 octobre 2021

Unité de recherche : LETG – UMR CNRS 6554

Composition du Jury :
Rapporteurs avant soutenance :
Directrice de thèse
Dr Thomas CORPETTI, CNRS, LETG-Rennes UMR 6554, Dr. HDR Simona NICULESCU, LETG-Brest UMR 6554, UBO.
Université de Rennes 2
Co-directeur de thèse
Prof. Sébastien GADAL, CNRS ESPACE UMR 7300, Aix- Prof. Bernard POTTIER, Lab-STICC, Département
Marseille Université Informatique, UBO

Prof. Hiep Xuan HUYNH, Département d’informatique,

Université de Can Tho, Vietnam (examinateur)

Dr Dominique LAVENIER, CNRS, INRIA/IRISA, Université de

Rennes 1 (examinateur)

Prof. Vincent RODIN, Lab-STICC, Département Informatique,

UBO (Président du Jury)

Dr Thomas CORPETTI, CNRS, LETG-Rennes UMR 6554,

Université de Rennes 2 (examinateur)

Prof. Sébastien GADAL, CNRS ESPACE UMR 7300,

Aix-Marseille Université (examinateur)
Remerciements

J'ai le plaisir d'exprimer ma profonde gratitude à Mme Simona NICULESCU, ma

directrice de thèse, qui m'a encadré et guidé pour réaliser ce projet de thèse. Elle m'a
inspiré au cours de ces quatre dernières années pour mener à terme mes recherches
dans le domaine de la télédétection, qui est complètement nouveau pour moi. Merci
de m'avoir donné cette merveilleuse opportunité.

Je tiens également à exprimer mes sincères remerciements à M. Bernard

POTTIER, mon co-directeur, qui m'a aidé pour aborder ce sujet de recherche. Il m'a
beaucoup aidé dans la procédure d'admission à l’école doctorale et dans la demande
de mon visa d’entrée en France.

Ma thèse est réalisée dans le cadre d’une bourse du ministère de l'Éducation et

de la Formation du Vietnam. Je tiens à remercier le Département de la formation à
l'étranger et le ministère de l'Éducation et de la Formation du Vietnam ainsi que
l'agence qui a maintenu et réparti mes bourses en France pendant la durée de ma
thèse.

Je souhaite remercier mes amis, mes collègues du laboratoire LETG-Brest. En

particulier, je tiens à remercier Soumia BENGOUFA, une amie qui m'a tant soutenu et
aidé. Sans elle, je pense que je ne pourrais pas finaliser ma thèse dans les temps. Je
voudrais remercier Laurence DAVIS, Isabelle MESCOFF, les gentilles collègues qui
m'ont aidé dans la relecture de mon manuscrit.

Enfin et surtout, je tiens à remercier tous les membres de ma famille, qui m'ont
donné la motivation pour continuer sur la voie de la recherche scientifique. Merci à
mon épouse qui s'est occupée de la famille en mon absence qui a sympathisé et m'a
motivé à continuer ma passion scientifique. Je tiens à remercier tous Yao et mes amis
qui m'ont soutenu pendant mon séjour en France.

À Brest, le 17 septembre 2021

Chi-Nguyen LAM

2
Table de matière
Introduction générale .................................................................................................... 9
Contexte général et Problématique .......................................................................... 9
Objectifs ............................................................................................................ 10
Structure de la thèse .............................................................................................. 11
Partie 1 : Le système deltaïque vietnamien ................................................................ 12
Chapitre 1. Le système du Delta du Mékong ......................................................... 14
1.1. Type d’occupation du sol du delta du Mékong ................................................ 15
1.1.1. La guerre du Viêt-Nam ............................................................................ 15
1.1.2. Les activités aquacoles et les mangroves dans le delta du Mékong ........ 16
1.1.3. Activités agricoles dans le delta du Mékong ............................................ 17
1.1.4. Impact des conditions climatiques sur le delta du Mékong ...................... 18
1.2. Risque d’inondation dans le delta du Mékong ................................................. 18
1.2.1. La sécheresse ......................................................................................... 20
1.2.2. L’intrusion des eaux salines .................................................................... 21
Chapitre 2. Le système du fleuve Rouge ............................................................... 22
2.1. Type d’occupation du sol du delta du fleuve Rouge ........................................ 23
2.1.1. Les activités aquacoles ........................................................................... 23
2.1.2. Les activités agricoles ............................................................................. 23
2.1.3. La législation et Gestion spatiale du delta du fleuve Rouge ..................... 24
2.2. Impact des conditions climatiques sur le delta du fleuve Rouge ...................... 25
2.2.1. Risque d’inondation dans le delta du fleuve rouge................................... 25
2.2.2. Intrusion des eaux salines ....................................................................... 25
Chapitre 3. L’occupation du sol dans les deltas du Viêt-Nam ................................ 27
3.1. L’étude de changement de l’occupation/couverture du sol .............................. 27
3.2. Les données satellitaires et la détection de l’occupation du sol ....................... 28
3.3. L’étude du risque d’inondation ........................................................................ 28
3.3.1. Étude de l’occupation du sol pour l’évaluation du risque d’inondation...... 29
3.3.2. Les données satellitaires et l’évaluation du risque d’inondation ............... 30
Chapitre 4. Satellites Landsat et Sentinel .............................................................. 35
4.1. Le satellite Landsat ......................................................................................... 35
4.2. La constellation Sentinel ................................................................................. 36
Partie 2 : Démarches Méthodologiques ...................................................................... 39
Chapitre 5. Structuration des données et Prétraitement......................................... 40
5.1. Les images SAR : Sentinel-1 .......................................................................... 40
5.1.1. Les équations de radar ............................................................................ 40
5.1.2. Les images SAR...................................................................................... 43
5.1.3. Les images Sentinel-1 ............................................................................. 43
5.2. Les images optiques : Sentinel-2 .................................................................... 47

3
 5.3. Les données de série temporelle .................................................................... 48
5.3.1. Les données optiques de série temporelle .............................................. 48
5.3.2. Les données radars de série temporelle .................................................. 48
5.3.3. Synergie des données Optiques et RADARS .......................................... 49
Chapitre 6. Machine Learning (Apprentissage automatique) ................................. 51
6.1. Définition Apprentissage Automatique ............................................................ 52
6.2. Définition Apprentissage Profond .................................................................... 53
6.3. La segmentation des images satellites............................................................ 54
6.3.1. L’algorithme K-means ............................................................................. 54
6.3.2. Meanshift................................................................................................. 57
6.3.3. Multi-résolution Segmentation (MRS) ...................................................... 60
6.3.4. Superpixel (SLIC) .................................................................................... 62
6.4. Les méthodes de classification ....................................................................... 64
6.4.1. Support Vector Machine : SVM ............................................................... 65
6.4.2. Random forest ......................................................................................... 68
6.5. Méthodes de Deep Learning ........................................................................... 70
6.5.1. Multilayer Perceptron – MLP ................................................................... 70
6.5.2. Convolutional neural network : CNN ........................................................ 76
6.6. Evaluation de la précision des classifications .................................................. 78
6.6.1. La matrice de confusion .......................................................................... 79
6.6.2. L’estimation des précisions ..................................................................... 81
6.6.3. L’estimation des superficies. ................................................................... 82
6.6.4. Les exemples .......................................................................................... 82
Chapitre 7. L’Analyse orientée objet d'images satellite .......................................... 87
7.1. Émergence de l'approche « orientée objet » ................................................... 87
7.2. Définition du concept de GEOBIA ................................................................... 87
7.3. Evaluation de GEOBIA.................................................................................... 88
7.3.1. Avantages de GEOBIA ............................................................................ 88
7.3.2. Inconvénient de GEOBIA ........................................................................ 88
7.4. Paradigme de GEOBIA ................................................................................... 88
7.4.1. Etape de travail dans le cadre de GEOBIA .............................................. 89
7.4.2. Méthodes de machine learning................................................................ 89
7.4.3. Méthodes de deep learning ..................................................................... 90
Partie 3 : De l’acquisition des données aux Applications ............................................ 91
Chapitre 8. Détection des changements de l’occupation du sol dans le delta du fleuve
Rouge (Viêt-Nam) ...................................................................................................... 92
8.1. Zone d'étude ................................................................................................... 92
8.2. Données mises en œuvre ............................................................................... 94
8.3. Méthodologie .................................................................................................. 96
8.3.1. Calcul du NDVI ........................................................................................ 96

4
 8.3.2. Segmentation des images ....................................................................... 98
8.3.3. Classification des images ...................................................................... 100
8.4. Résultats et discussion ................................................................................. 102
8.4.1. Résultat des Random Forest ................................................................. 102
8.5. Conclusions .................................................................................................. 105
Chapitre 9. Étude et cartographie de l’inondation au niveau du delta du Mékong .106
9.1. Méthodologie ................................................................................................ 106
9.2. Les données SAR et la détection de l’extension de l’inondation : .................. 107
9.2.1. Le suivi des inondations des rizières : ................................................... 108
9.3. Zone d’étude ................................................................................................. 109
9.3.1. La culture du Riz au delta du Mékong ................................................... 110
9.3.2. Régime hydro-météorologique du Mékong ............................................ 110
9.4. Données utilisées.......................................................................................... 111
9.4.1. Les données satellitaires ....................................................................... 111
9.4.2. Données environnementales ................................................................. 112
9.5. Méthode d'apprentissage automatique et classification ................................. 113
9.5.1. Segmentation d'images et extraction de caractéristiques ...................... 113
9.5.2. Construction du modèle du CNN ........................................................... 114
9.5.3. Random Forest (RF) ............................................................................. 115
9.5.4. Évaluation de la précision ...................................................................... 115
9.6. Résultats ....................................................................................................... 116
9.6.1. Profils de rétrodiffusion de rizières ........................................................ 116
9.7. Validation et comparaison des modèles ........................................................ 120
9.7.1. L'évaluation de la précision du modèle CNN ......................................... 120
9.7.2. L'évaluation de la précision du classificateur RF ................................... 122
9.8. Résultats des modèles : cartographie inondée et inondable ......................... 125
9.8.1. Cartographie de l'étendue des inondations ............................................ 125
9.8.2. Cartographie des zones inondables ...................................................... 128
9.8.3. Discussion ............................................................................................. 131
Conclusion générale ..................................................................................................132
Bibliographie ...........................................................................................................135
ANNEXE ...........................................................................................................152

5
Liste des figures
Figure 1 : Système des deltas au Viêt-Nam..........................................................................13
Figure 2 : Photo de trois sorties d'avions C-123 ...................................................................16
Figure 3 : Le delta du fleuve Rouge au Vietnam ...................................................................22
Figure 4 : Polarisations horizontale (noire) et verticale (rouge) .............................................41
Figure 5 : Les modes du système Sentinel 1 ........................................................................44
Figure 6 : Graphe de prétraitement des images Sentinel-1 ..................................................45
Figure 7 : Illustration des relations entre apprentissage automatique ...................................51
Figure 8 : Le processus général de l'algorithme d'apprentissage supervisé..........................53
Figure 9 : L'architecture globale du Convolutional neural network (CNN) .............................54
Figure 10 : Le courbe des clusters k de 1 à 9, le coude est trouvé par K = 3 ........................56
Figure 11 : Image optique Sentinel-2 sur TranDe au 20 février 2020 ....................................58
Figure 12 : Kmeans (A) K=5 , (B) K=10 , (C) K=15 ...............................................................58
Figure 13 : La courbe des clusters k de 1 à 25 .....................................................................58
Figure 14 : Segmentation de MeanShift avec la bande passante .........................................60
Figure 15 : Segmentation par multi résolution ......................................................................62
Figure 16 : Segmentations par SLIC.....................................................................................64
Figure 17 : Hyperplan de SVM (a) données séparables, (b) données non-séparables ........66
Figure 18 : Hyperplan de SVM (a) données non-linéaires, (b) données transformées .........67
Figure 19 : Exemple de forêt d’ arbres de décision ...............................................................70
Figure 20 : Un neurone dans le cerveau humain ..................................................................71
Figure 21: Un neurone artificiel.............................................................................................72
Figure 22 : Graphiques des fonctions d'activation ................................................................72
Figure 23 : Modèle d'un réseau de neurones........................................................................73
Figure 24 : Illustration de l'étape Feedforward ......................................................................74
Figure 25 : Illustration de l'étape backpropagation. ...............................................................75
Figure 26 : Modèle CNN avec 02 couches convolutives .......................................................77
Figure 27 : Exemple de l'opération convolutive. ....................................................................78
Figure 28 : Fonctions Max-Pool et Avg-Pool.........................................................................78
Figure 29 : Carte de l'occupation du sol de province An Giang et province Dong Thap ........83
Figure 30 : L'occupation du sol en 2019 à gauche et en 2020 à droite. ................................85
Figure 31 : Relation entre les objets et la résolution spatiale. ...............................................87
Figure 32 : Processus de GEOBIA .......................................................................................89
Figure 33 : Modèle Générale de CNN. .................................................................................90
Figure 34 : Delta du fleuve Rouge au Viêt-Nam....................................................................93
Figure 35 : Chaîne de prétraitement et de traitement. ..........................................................98
Figure 36 :Segmentation ESP2. ...........................................................................................99
Figure 37 : Modèle MLP .....................................................................................................101
Figure 38 : Occupation du sol en 2016, 2017, 2018 à TienHai, ThaiBinh au Viet-Nam. ......104

6
Figure 39 : Prétraitement et traitement d’image SAR Sentinel-1. ........................................107
Figure 40 : Représentation schématique des mécanismes de rétrodiffusion ......................108
Figure 41 : Zone d'etudes - Province AnGiang et Province DongThap ...............................110
Figure 42 : Classificateur CNN généralisé avec l'architecture 2D-CNN. .............................114
Figure 43 : Profil temporel VH et VV. ..................................................................................118
Figure 44 : a) Pluies quotidiennes et niveaux d'eau quotidiens du Mékong ........................119
Figure 45 : Cartographie des inondations par classification CNN par mois ........................126
Figure 46 : schéma synthétique a) Précipitations mensuelles moyennes ..........................127
Figure 47 : Cartographie des inondations. ..........................................................................130
Figure 48 : Points d’observation et de validation dans le delta du Mékong. ........................152
Figure 49 : Profils VH temporel des classes de l’occupation du sol en 2019. ......................153
Figure 50 : Profils VV temporel des classes de l’occupation du sol en 2019. ......................153
Figure 51 : Profils VH temporel des classes de l’occupation du sol en 2020. ......................154
Figure 52 : Profils VV temporel des classes de l’occupation du sol en 2020 .......................154

7
Liste des tableaux
Tableau 1 : Polarisations utilisées ........................................................................................42
Tableau 2 : Modes de système Sentinel-1 ............................................................................44
Tableau 3 : Récapitulatif des résolutions spectrale, spatiale et temporelle de Sentinel 2 ......47
Tableau 4 : Séries temporelles 2016, 2017,2018 au delta du fleuve Rouge. .......................48
Tableau 5 : Organisation des jeux de données SAR ............................................................49
Tableau 6 : Noyaux de SVM non linéaire..............................................................................67
Tableau 7 : Matrice de confusion de k classes. ....................................................................80
Tableau 8 : Etendue de la matrice de confusion ...................................................................80
Tableau 9 : Matrice de confusion estimée. ...........................................................................81
Tableau 10 : Matrice de confusion de la carte d'occupation du sol. ......................................83
Tableau 11 : Précisions des classifications de l'occupation du sol. .......................................83
Tableau 12 : Matrice de confusion estimée ..........................................................................84
Tableau 13 : Estimations des précisions de la carte de l'occupation du sol. .........................84
Tableau 14 : Matrice de changements de l'occupation du sol de 2019 à 2020. ....................85
Tableau 15 : Précisions estimées de la classification par CNN.............................................86
Tableau 16 : Ensemble de données satellitaires disponibles. ...............................................95
Tableau 17 : Résolutions spatiales et spectrales du satellite Sentinel-2. ..............................95
Tableau 18 : Résolutions spatiales et spectrales du satellite Landsat-8. ..............................96
Tableau 19 : Calendrier du riz dans la zone de la côtière du delta du fleuve Rouge .............97
Tableau 20 : Calendrier des cultures de riz et passages des Satellites ................................98
Tableau 21 : Précision globale et indice de kappa par classe .............................................103
Tableau 22 : Comparaison des précisions globales par le modèle CNN. ...........................120
Tableau 23 : Précisions de l'utilisateur par le modèle CNN ................................................121
Tableau 24 : Précisions du producteur par le modèle CNN ...............................................121
Tableau 25 : Comparaison des précisions globales par le modèle RF................................123
Tableau 26 : Précisions de l'utilisateur par le modèle RF....................................................123
Tableau 27 : Précisions du producteur par le modèle RF ...................................................124
Tableau 28 : Analyse spatiales des zones impactées par les inondations. .........................127
Tableau 29 : Superficie de LULC avant la saison des pluies en 2019 et 2020. ...................128
Tableau 30 : Superficie des LULC non inondés en 2019 et 2020 .......................................130
Tableau 31: Nombre de points d’observation. ....................................................................152
Tableau 32 : Code Python du modèle Multilayer Perceptron ..............................................155
Tableau 33 : Code Python du modèle Convolutional Neural Network .................................155

8
Introduction générale

Contexte général et Problématique

Les deltas sont parmi les zones les plus importantes au monde, fournissant une
gamme variée de services écosystémiques essentiels au bien-être socio-économique.
Ces deltas sont, en effet, les plus propices à l'habitation et l’occupation humaine sur la
Terre. Elles connaissent d’importants changements de l’occupation et de couverture
du sol en raison de la concentration de la population et des activités humaines (Bianchi
et Allison, 2009). Ces occupations peuvent aussi bien avoir un impact positif et
bénéfique pour le bien-être social et économique, comme elles peuvent avoir un
impact négatif sur l’écosystème naturel et les questions environnementales (Lambin
et Geist, 2006). Par ailleurs ces zones, qui sont le reflet des besoins humains, sont
sévèrement affectées par les changements environnementaux et les activités
anthropiques (Tilman, 2001). En effet, dans ce contexte de changements
environnementaux et socio-économiques, l'étude de l’occupation du sol au niveau des
zones deltaïques a dûment attiré l'attention des scientifiques (Minderhoud et al., 2018).

Le système deltaïque joue un rôle très important dans l'Histoire, l’économie, la

culture et l'environnement du Viêt-Nam. L'économie et la vie dans ce pays sont
associées à l'existence et au développement de grands deltas fluviaux, à savoir le
delta du Mékong et le delta du fleuve Rouge (Pruszak et al. 2002). Le type d’occupation
du sol au niveau de ces deltas est intrinsèquement lié à des tendances du
développement socio-économique du Viêt-Nam (Smajgl et al., 2015). Ceci dépend de
l'expansion de l'agriculture, principalement la riziculture ainsi que les activités
aquacoles. En outre, les facteurs environnementaux jouent un rôle important dans le
changement de l’occupation du sol dans ces deltas. Les épisodes de sécheresse se
produisent de plus en plus fréquemment, entraînant des intrusions salines dans les
zones côtières. Les changements compliqués des saisons d'inondation dans les deltas
modifient les activités agricoles, conduisant ainsi à un changement de l’utilisation du
sol afin de s'adapter au changement climatique (Bé et al., 2017; Đạt et al., 2012;
Phung et al., 2021).

Comparées aux investigations directes (sur le terrain), les données de

télédétection fournissent une couverture synoptique des zones côtières et sont utiles
pour des applications de surveillance détaillée (Mujabar et Chandrasekar, 2011). Les
propriétés spectrales des images pourraient être utilisées pour extraire plusieurs
caractéristiques du relief côtier (Hannv et al., 2013), permettant de ce fait de répondre
9
aux besoins des scientifiques en matière d’acquisition rapide des données. Par
ailleurs, aujourd’hui et avec la contribution des centres de recherche spatiale à l'échelle
mondiale (ESA, NASA), les données de télédétection sont largement accessibles avec
une bonne résolution spatiale et temporelle (Sentinel-1,2, Landsat-8). Ainsi, le
lancement de nouveaux capteurs spatiaux, le progrès des technologies de
télédétection, ont conduit à la création d’une énorme source d'informations. Un tel
ensemble global de données offre des opportunités entièrement nouvelles pour une
variété d'applications (Vali et al., 2020).

Bien que ces données présentent un grand potentiel pour la prise de décisions
dans des domaines critiques tels que la gestion des risques (inondation, sécheresse,
érosion, etc.), elles ne sont pas exploitées à leur plein potentiel en fonction des besoins
spécifiques (Kansakar et Hossain, 2016). En effet, le développement des techniques
de traitement automatique et reproductible des données de télédétection, est
nécessaire pour rendre le suivi des changements au niveau des zones deltaïques plus
pertinent.

Le développement technologique notamment dans l'intelligence artificielle, et

les algorithmes d'apprentissage automatique (Machine Learning et Deep Learning), a
apporté de nombreux bénéfices. Récemment, plusieurs algorithmes comme Support
Vector Machine, les réseaux neuronaux et Random Forest, ont été adoptés avec
succès pour les applications de télédétection (Niculescu et al., 2019) Ce processus
traduit la cognition humaine à l'intelligence de la machine d'une manière plus
sophistiquée ([Link] et al., 2017).

Le traitement des données de télédétection à l'aide de diverses méthodes

d'intelligence artificielle ou d'apprentissage automatique ont donné de bon résultats,
cependant la sélection et l'évaluation de l'efficacité de chaque méthode reste un travail
exigeant pour lesquels des efforts doivent être fournis.

Objectifs

Dans ce contexte, les objectifs de ce travail sont de :

 Proposer des méthodologies de traitement des données satellites pour

la détection et de cartographie de l’occupation du sol au niveau des deux
principaux deltas du Viêt-Nam, fleuve rouge et Mékong.

 Vérifier, valider et évaluer les résultats de traitement d’images

satellitaires multi capteurs par de nombreuses approches, notamment

10
 celles de la segmentation d’image et de l’apprentissage automatique peu
profond et profond.

 Évaluer l’apport des méthodes d’apprentissage automatique à la

cartographie des zones deltaïques dans un contexte de caractérisation
d’un aléa (l’inondation) et d’analyse des enjeux (culture du riz).

Structure de la thèse

Pour mener à terme notre travail et atteindre ces objectifs, cette thèse se
présente en trois parties.

 La première s’articule autour du système deltaïque au Viêt-Nam : nous

mettons en avant les caractéristiques de deux principaux deltas du Viêt-
Nam et les problématiques socio-économiques et environnementales
existantes avec un état de l’art sur les avancées et les progrès de la
télédétection et les données satellites.

 La deuxième partie concerne les méthodologies et les approches de

télédétection qui ont été utilisées dans nos applications. Nous proposons
un modèle général de traitement des données satellites, les principaux
développements des algorithmes et méthodes de traitements, de
segmentations, de classifications ainsi que les méthodes d'évaluation de
la pertinence de ces dernières.

 La dernière partie dresse en détail nos études de cas et applications sur

les deux Deltas du Viêt-Nam. Nous y présentons ainsi les méthodes, les
modèles et les algorithmes utilisés afin de détecter le type d’occupation
du sol. Nous posons un diagnostic, selon les interprétations des résultats,
sur le phénomène de l’inondation et la riziculture au Viêt-Nam.

11
Partie 1 : Le système deltaïque vietnamien

12
 Les deltas et les fleuves sont parmi les zones les plus attractives pour
l’occupation et la population humaine. Par conséquent, elles connaissent une forte
concentration des activités socio-économiques à fort potentiel, qui se développent et
évoluent en fonction des besoins humains et des changements environnementaux
globaux (Tilman, 2001). Ces occupations peuvent aussi bien avoir un impact positif et
bénéfique pour le bien-être social et économique comme elles peuvent avoir un impact
négatif sur l’écosystème naturel et les questions environnementales (Lambin et Geist,
2006)

Dans ce contexte d'augmentation des besoins humains, il est nécessaire de

suivre l’état de l’occupation et de l’utilisation du sol et d'étudier ses impacts de grande
portée sur l’environnement deltaïque. En effet, ceci a dû attirer l'attention des
scientifiques, en représentant un défi pour trouver un équilibre entre l'environnement
et les besoins socio-économiques (Foley et al., 2005). Dans un contexte de
développement durable et de gestion intégrée des zones sensibles.

Le système hydrographique au Viêt-Nam est structuré par le Mékong au sud et

le Fleuve Rouge au nord (Figure 1), en constituant un ensemble de 41 000 km
d’alluvions auxquels s’ajoutent 3 100 km de canaux.

Figure 1 : Système des deltas au Viêt-Nam

13
Chapitre 1. Le système du Delta du Mékong

Le fleuve Mékong est parmi les plus grands à l’échelle mondiale, et le troisième
fleuve le plus long d’Asie. Il prend sa source dans la chaîne de l’Himalaya et se jette
dans la mer de Chine au Viêt-Nam, en parcourant plus de 4 000 km et en irriguant 6
pays. En Chine, où il est appelé Lancang Jiang, il traverse la région du Kham entre le
Tibet et le Sichuan, puis il pénètre en Birmanie, et au Laos où il prend le nom de
Mékong (le fleuve mère), pour tracer enfin vers la Thaïlande.

Le delta du Mékong commence à Phnom Penh au Cambodge, où le fleuve se

divise en deux branches principales de cours d’eau, le Tien Giang (bras antérieur) et
le Hau Giang (bras postérieur) ; arrivant en mer de Chine au Viêt-Nam, les deux
branches se ramifient en neuf canaux principaux, d’où l’appellation Cuu Long « le
fleuve de neufs dragons ». Le delta s'étend sur environ 270 km depuis son sommet
jusqu'à la côte, formant une vaste plaine triangulaire d'environ 55 000 km², presque
entièrement située à moins de cinq mètres au-dessus du niveau de la mer.

Le delta s’est formé grâce au processus de sédimentation et d'érosion, ainsi

qu’aux énormes volumes d’alluvions que le fleuve de Mékong transporte. En effet, il
gagne plusieurs mètres sur la mer de façon périodique avec un taux d’accrétion de
150 m par an à certains endroits (Hashimoto, 2001). Une ceinture côtière d'environ
600 km et d'une altitude légèrement supérieure est créée par l'action combinée des
dépôts fluviaux et du forçage de la mer (vagues et courant côtier).

Avec son climat tropical humide, le delta du Mékong est caractérisé par des
températures mensuelles moyennes constamment élevées (25-29°C) et de fortes
précipitations saisonnières (1 200-2 300 mm) (Hung, 2017), par conséquent le débit
du fleuve Mékong présente de fortes variations saisonnières.

En raison de ses caractéristiques climatiques favorables, le delta du Mékong

connaît un régime de cultures tout au long de l'année. Actuellement il présente une
grande plaine qui héberge plus de 18 millions d'habitants. Ses principales villes sont
My Tho, Vinh Long, Can Tho et Chau Doc.

Par ailleurs, le Viêt-Nam est un pays agricole d’excellence, selon les données
de l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO) il est
classé cinquième producteur de riz et troisième exportateur mondial de produits
aquatiques (FAO, 2016). Le delta de Mékong est l’une des régions les plus fertiles, et
l'une des zones agricoles les plus productives au Viêt-Nam (Wilder et Phuong, 2002)

14
et du monde. Ses terres fertiles ainsi que le climat chaud et humide du sud-est
asiatique ont largement favorisé la riziculture, d’où le surnom de « Bol de riz du Viêt-
Nam ». Par ailleurs, le delta du Mékong contient les plus grandes zones aquacoles,
qui représentent 70 % de sa superficie, en fournissant plus de 52 % de la production
totale du delta (Truong et Do, 2018). Elle contribue à environ 55 % de la production
aquatique nationale et à environ 51 % des exportations vietnamiennes des produits
aquatiques (Quang, 2002).

1.1. Type d’occupation du sol du delta du Mékong

Le type d’occupation du sol est le résultat de l'interaction entre les facteurs

socio-économiques et les facteurs naturels. Ces facteurs déterminent les limites de
l’occupation du sol et les conditions pour provoquer des changements. Les facteurs
naturels comprennent principalement les facteurs biologiques et physiques, tels que
le changement climatique, le type du sol, l'hydrologie, la topographie, et la
géomorphologie (Dumanski et Pieri, 2000).

Le type d’occupation du sol dans le delta du Mékong dépend largement des

tendances du développement socio-économique du Viêt-Nam (Smajgl et al., 2015).
Ceci est intrinsèquement lié à l'expansion de l'agriculture, principalement la riziculture
ainsi qu’aux activités aquacoles.

En outre, au fil des années, d’importants changements ont eu comme forces

motrices des évènements nationaux tels que la guerre du Viêt-Nam ainsi que la
politique de gestion spéciale des terres agricoles, aquacoles et des mangroves.

1.1.1 La guerre du Viêt-Nam

Dans les années 1954 à 1975, pendant que le Viêt-Nam était en guerre, l’armée
américaine organisait des attaques chimiques et pulvérisait des défoliants sur de
grandes surfaces terrestres (Figure 2) au sud du pays, y compris les forêts, les
espaces boisés, les marécages et les mangroves (Dorian, 2015). Le but était
d'éradiquer les abris militaires et les sites de stockage de nourriture vietnamiens mais
ceci n’a pas été sans conséquence sur les écosystèmes et l’environnement. Le delta
du Mékong n’a pas échappé à ces attaques chimiques, car il y abritait de nombreuses
stations d'approvisionnement en nourriture ainsi que des bases militaires pour le
déploiement stratégique.

15
 En 1968, environ 600 000 ha de terres ont été pulvérisés avec des produits
chimiques et plus de 20 % des zones forestières du sud du Viêt-Nam ont été défoliées,
dont environ 104 939 ha (36 %) de mangroves (NAS, 1974).

Par conséquent, plus de 2 millions d'hectares de forêts et de mangroves côtières

au Viêt-Nam ont été détruits. Dorian Brunet, (2015) indique, d’après les archives
américaines, que près de 14 % de ces missions ont ciblé des rizières et d’autres
cultures, ainsi, les surfaces agricoles détruites sont estimées à plus de
236 000 hectares et 300 000 tonnes de récoltes ont été perdues (Liu et al., 2020).

1.1.2 Les activités aquacoles et les mangroves dans le delta du Mékong

L'industrie de l'aquaculture a joué un rôle important dans la dynamique de

l’occupation du sol. Étant le troisième exportateur mondial de crevettes, les activités
aquacoles occupent une place importante dans l'économie nationale du Viêt-Nam. En
conséquence, grâce aux encouragements du gouvernement, les agriculteurs locaux
ont investi dans l’aquaculture.

Figure 2 : Photo de trois sorties d'avions C-123 dispersant des herbicides lors d'une mission Ranch Hand
au-dessus du Sud-Vietnam

Le delta du Mékong possède un littoral de plus de 600 km, avec des conditions
naturelles favorables au développement de l'aquaculture. En effet, à partir de 1980
des bassins aquacoles sont apparus dans certaines zones côtières du delta du
Mékong, et l'aquaculture a commencé à se développer à un rythme important, en dépit
des mangroves.

16
 Pour encadrer cette expansion et restaurer les systèmes de mangrove, une
réglementation a été instaurée en 1991 (64/[Link] (28/3/1991), autorisant les
agriculteurs à consacrer 30 % des terres allouées à l'aquaculture ou à l'agriculture, et
à préserver ou restaurer plus de 70 % des forêts de mangrove. Cela a conduit à
l'émergence d'un nouveau type d’occupation du sol, qui est le système complexe
mangrove-aquaculture (Ha et al., 2014). Cependant, ce système de gestion n'a pas
permis de réduire la surface d'aquaculture, où il a été constaté un coût écologique
important dans le delta du Mékong. Le gouvernement vietnamien a augmenté les
contrôles.

En effet, dans les années 2000 et 2001, les résolutions 09/NQ-CP et 1116,
respectivement, ont encouragé les agriculteurs à convertir plutôt les terres salines
côtières en fermes aquatiques en développant les activités de pisciculture et l'élevage
de crevettes. Avec la demande croissante en produits aquacoles, les agriculteurs sont
passés de l’agriculture à l’aquaculture (Trung et al., 2007).

1.1.3 Activités agricoles dans le delta du Mékong

Les moyens de subsistance des populations dépendent du riz dès le début du

peuplement du delta, en tirant d'abord profit des conditions naturelles, puis en
modifiant le paysage au moyen d'infrastructures hydrauliques à grande échelle pour
permettre la culture du riz dans des zones où elle n'était pas possible auparavant
(Biggs, 2012; Taylor, 2014).

Dans la première moitié du XXème siècle, la politique de monoculture du riz, qui

reposait sur un système instable de crédit et de dette, a provoqué le ressentiment des
paysans et des troubles sociaux (Biggs, 2012). Ce qui a provoqué la forte ré-orientation
vers l’activité aquacole. Cette expansion de l'aquaculture est la principale raison du
déclin de la surface agricole. Cependant, jusqu’aux années 1998, malgré la croissance
rapide de l'aquaculture dans les zones côtières, la superficie des terres agricoles était
toujours supérieure à 3 millions d'hectares. Si 266 752 hectares de terres agricoles ont
été convertis en activité d’aquaculture, cette superficie avait été rapidement
compensée par la transformation des terres inutilisées et des forêts humides en terres
agricoles.

Les bénéfices tirés de la crevette étaient supérieurs à la valeur économique

issue de la culture du riz (Tran et al., 2015). En effet, les revenus élevés obtenus par
l'élevage de produits aquatiques ont encouragé les agriculteurs à étendre les zones
d'aquaculture en dépit des terres agricoles.

17
 Après 1998, une transformation massive des terres de culture dans le delta du
Mékong en aquaculture a été remarquée. En conséquence, les superficies agricoles
ont rapidement diminué.

Face à cette situation d’expansion de l'aquaculture, la tendance du

développement de l'utilisation des terres dans le delta du Mékong à partir de la fin du
XXème siècle a consisté principalement à développer un système intégré d’agriculture
et d’aquaculture.

1.1.4 Impact des conditions climatiques sur le delta du Mékong

Considérant les changements environnementaux globaux, les problèmes

écologiques dans le delta du Mékong ont été exacerbés. En effet, le delta du Mékong
est menacé par différentes sources de problèmes environnementaux à savoir, le
manque d'eau douce, l'intrusion d'eau salée, l'acidification des sols, et la pollution des
masses d'eaux estuariennes (Hoanh et al., 2002; Quang, 2002). En plus du
développement socio-économique et démographique, ces graves problèmes se sont
avérés difficiles à contrôler et ont entraîné une destruction importante des mangroves.

Aujourd’hui, toute la population subit les conséquences de ce déséquilibre

environnemental. Le mode de vie dans le delta du Mékong, fondé sur la pêche et
l’agriculture, est lourdement menacé. La population dans le delta a doublé en 50 ans
à la fin du siècle dernier, profitant de l’agriculture intensive du riz et de l’exploitation
des bassins à crevettes et du poisson.

Ces impacts et conséquences de l’ordre naturel et environnemental

conditionnent l’occupation du sol et le type de couverture terrestre. La mise en avant
de ces conditions permettra une compréhension holistique de la dynamique de
l’occupation du sol dans une optique d’une gestion spatiale efficace des enjeux socio-
économiques.

1.2. Risque d’inondation dans le delta du Mékong

En ce début du XXIème siècle, le risque d’inondation constitue encore le risque

majeur dans le monde (60 % des catastrophes naturelles) et il est susceptible de
devenir encore plus grave dans le futur en raison du changement climatique et de la
poursuite de l'urbanisation des zones côtières, rendues vulnérables par l'élévation du
niveau de la mer (Hanson et al., 2011). Les hypothèses sur le réchauffement
climatique et ses conséquences font état de craintes concernant l’augmentation des
phénomènes pluviométriques intenses, bien que de nombreuses incertitudes pèsent
18
encore sur la réponse pluviométrique au réchauffement (Vignet, 2010). Une aide très
précieuse susceptible d’améliorer l’efficacité de ces analyses et des secours, est
rendue par les actions de la Charte Espace et catastrophes majeures1.

Dans le delta du Mékong, les inondations sont causées par les débits élevés du
fleuve résultant de fortes pluies sur le bassin versant. Ces inondations sont aggravées
par l'élévation du niveau de la mer (Gupta, 2009). Le changement climatique entraîne
un déséquilibre du régime des précipitations, ce qui provoque des changements dans
le cycle hydrologique. Combiné au réchauffement qui a des impacts directs sur
l'évapotranspiration, la génération de ruissellement peut être modifiée (Vörösmarty et
al., 2000). D'autre part, les activités anthropiques telles que les barrages et l'irrigation
pourraient perturber le débit naturel des rivières et modifier les caractéristiques des
régimes hydrologiques (Hall et al., 2014).

Des études antérieures ont révélé, qu’au cours de la seconde moitié du

vingtième siècle, le Mékong a connu une augmentation de la fréquence des crues
extrêmes et une légère diminution de l'ampleur des crues, mais les changements sont
plus complexes en raison des différences de mécanismes d'inondation dans le bassin
(Delgado et al., 2010).

En soit, les périodes de crues saisonnières dans le delta du Mékong, jouent un

rôle essentiel en alimentant le delta en sédiments qui soutiennent la zone de
production agricole. Cependant, selon une étude de (Wang et al., 2017) le
changement climatique intensifiera le risque d'inondation avec une fréquence plus
élevée (10 %-140 %). Ainsi, les précipitations annuelles et l'intensité des précipitations
extrêmes devraient toutes les deux augmenter. En d’autres termes, les impacts
discernables du changement climatique provoquent des augmentations beaucoup
plus importantes de la variation interannuelle, et par conséquent, une augmentation
du pic et de la durée des inondations dans le Mékong (Västilä et al., 2010)
(Hirabayashi et al., 2013). En effet, malgré l'incertitude dans la projection des
précipitations, le réchauffement climatique déplace systématiquement plus tôt la date
du pic des crues (Thompson et al., 2014).

1 Accord intervenu entre les agences spatiales participantes visant à fournir de l'information et des données
obtenues de l'espace pour appuyer les efforts humanitaires lors de situations d'urgence causées par des
catastrophes majeures.

19
 1.2.1 La sécheresse

Les phénomènes climatiques sont également à l’origine de sécheresses de plus

en plus graves. Le delta du Mékong est situé au centre de la région asiatique de la
mousson tropicale qui apporte une chaleur et des précipitations abondantes. Les
variations saisonnières et les changements interannuels importants entraînent des
sécheresses fréquentes. Ceci est dû à l'évaporation élevée pendant la saison annuelle
sèche (décembre à mai) qui impose des contraintes aux activités humaines dans le
delta du Mékong. En effet, le manque de précipitations, la consommation excessive
en eau des canaux d’eau et la construction des barrages sont à l’origine de la situation
de sécheresse.

Même avec des périodes de sécheresse plus courtes, qui se produisent au

début ou à la fin de la saison des pluies, il est possible qu’il y ait également des impacts
extrêmement dommageables pour les cultures nouvellement plantées (Thuan, 2006).

En effet, la volonté gouvernementale s’est orientée vers le développement

d'infrastructures visant à contrôler les systèmes hydrologiques, pour la gestion des
ressources en eau dans le delta du Mékong. Cependant la régulation du débit des
rivières par l'exploitation des barrages, propice au développement agricole, dans le
bassin du Mékong a modifié les variations saisonnières extrêmes de
l'approvisionnement en eau (Frenken, 2012). Ces gestions des ressources en eau ont
créé de nouveaux problèmes environnementaux et ont conduit à des dépendances qui
remettent en cause la capacité du système socio-écologique local à s'adapter aux
changements climatiques (Brown et al., 2018).

En outre, la réduction de l'apport en sédiments induite par le changement

climatique et les barrages aurait probablement une influence significative sur
l'agriculture et la pêche dans le delta du Mékong (Kondolf et al., 2014). Par
conséquent, l'altération du régime hydrologique due au changement climatique, à
l'élévation du niveau de la mer et à l'exploitation des barrages existants et futurs
entraînera des changements dans l'utilisation des terres dans la région du delta
(Pokhrel et al., 2018).

Durant l’année 2020, plus de 362 000 ha de rizières auraient été détruits, selon
les estimations du gouvernement vietnamien, à cause du phénomène de la
sécheresse qui affecte le delta du Mékong.

Selon un rapport du ministère des ressources naturelles et de l’environnement

vietnamien, la température moyenne augmentera d'environ 1,5°C. Ainsi, les situations

20
de manque d'eau deviendront graves. Ce sont les conditions initiales de la sécheresse.
Et si la sécheresse dure, ses impacts sur les secteurs socio-économiques seront plus
grands et resteront plus longtemps (IMHEN, 2011).

1.2.2 L’intrusion des eaux salines

Les eaux salines pénètrent à l'intérieur des terres par les différents bras du
Mékong et les canaux sur 20 à 65 km de la côte (Trung, 2006). La mer de Chine
méridionale a une marée semi-diurne, c.à.d. deux pleines mers et deux basses mers
par jour avec un marnage quotidien moyen entre 3,5 m et 4,5 m dans la mer de l'Est
(NEDECO, 1993). Pendant la saison sèche, le débit principal du fleuve Mékong est
assez faible et son niveau d'eau est bas. En outre, durant la pleine mer, l'eau saline
s'infiltre profondément à l'intérieur des terres, sur une superficie de 500 000 ha sur
toute la zone du delta du Mékong ce qui a de graves conséquences sur les rizicultures
et les autres cultures (White, 2002).

Cependant, en raison de l'important apport d'eau douce par le Mékong, la

salinité le long de la côte orientale du delta est très faible, en particulier pendant la
saison des pluies. Vers la fin de la saison des pluies, la combinaison des eaux de crue
des rivières, des précipitations locales et de l’effet des marées peut entraîner
l'inondation de 3 400 000 hectares dans la partie du delta du Mékong (NIAPP, 2001)
(Trung, 2006).

21
Chapitre 2. Le système du fleuve Rouge

Le système du fleuve Rouge, situé en Asie du Sud-Est, a un bassin versant total

de 169 000 km² (Haruyama, 1995) avec une plaine deltaïque fertile et densément
peuplée (densité de population de 962 habitants/km²). L’origine de son nom revient
aux sols de latérite rouge qui sont abondants dans cette zone montagneuse (van
Maren, 2007). Il prend sa source en Chine dans la zone montagneuse de la province
du Yunnan, pour s'écouler sur 1 200 km en traversant sept provinces vietnamiennes
avant de se jeter dans le golfe du Tonkin dans la mer de Chine méridionale (Figure 3).

Figure 3 : Le delta du fleuve Rouge au Vietnam

Cette région est caractérisée par un climat tropical de mousson avec une saison
humide, de mai à octobre, et une saison sèche, de novembre à avril. La saison estivale
est chaude et très humide, avec des températures moyennes allant de 27°C à 29°C,
tandis que la saison hivernale est fraîche et sèche avec des températures mensuelles
moyennes allant de 16°C à 21°C (Li et al., 2006).

Dans le système du fleuve Rouge, 85 % à 95 % des précipitations sont

abondants durant la saison estivale (Le et al., 2007) de mai à octobre (saison des
crue), avec des précipitations annuelles moyennes de 1 600 mm. Sur la base des
enregistrements de 1960 à 2008, le régime hydrologique du fleuve Rouge est
caractérisé par un régime tropical avec un rapport de débit mensuel moyen
maximum/minimum de 7,9 (1 085 m³/s - 8 600 m³/s) et des débits journaliers extrêmes
qui diffèrent d'un facteur 210 (160 m³/s - 33 600 m³/s ) (Dang et al., 2010).

22
 La majorité de la population et de l'activité économique de la moitié nord du Viêt-
Nam est concentrée dans le delta du fleuve Rouge et près de la moitié de la production
de riz du pays y est cultivée. En effet, la production alimentaire dans le delta est
principalement basée sur la récolte de riz durant la seconde moitié de l'année
(Niculescu et Lam, 2019).

2.1. Type d’occupation du sol du delta du fleuve Rouge

La récente transition du pays vers une économie de marché a entraîné une

augmentation des rendements suite à l'intensification des activités agricoles, ce qui a
conduit à une plus grande vulnérabilité environnementale. Après une quarantaine
d'années de libéralisation économique et d'ouverture du pays aux marchés
internationaux, les modes d'utilisation des terres agricoles dans le delta du fleuve
Rouge, et en particulier dans les zones côtières, ont subi de nombreux changements.

2.1.1 Les activités aquacoles

La production et la commercialisation des produits de l'aquaculture dans les

zones côtières du Viêt-Nam sont des enjeux économiques très importants car elles ont
permis, et permettent encore, une amélioration rapide des niveaux de revenus de la
population locale. Cela inclut les paysans et les pêcheurs qui dépendent fortement des
ressources naturelles de la zone côtière pour augmenter leur production. En effet, les
mangroves et même les rizières sont remplacées par des champs d'aquaculture à un
rythme sans précédent (Bergeret, 2004). Une partie importante de la zone côtière est
actuellement couverte par des étangs d'aquaculture pour la culture de crevettes et de
crabes, utilisant des méthodes tant industrielles que traditionnelles.

Ces changements d'affectation des sols, qui se traduisent par l'occupation de

surfaces, de plus en plus grandes, par des bassins d'aquaculture, ont
malheureusement contribué au déclin des forêts de mangroves, ces dernières étant
un élément protecteur de la zone côtière. La pollution des eaux due aux effluents des
déchets rejetés par les parcelles d'élevage, a augmenté.

2.1.2 Les activités agricoles

L'utilisation actuelle des terres dans la région côtière est orientée vers
l'agriculture, avec le riz comme principale culture. Deux cultures de riz et une culture
sèche sont produites par an (Do et Egashira, 2002) (patates douces, arachides, tabac,
maïs, etc.). Dans certaines zones très basses, salées et récemment défrichées, on

23
cultive temporairement du scirpe pour améliorer la qualité du sol avant de le mettre en
culture.

Au contraire, les zones résidentielles sont situées sur des terrains plus élevés,
hors de portée des inondations. On y trouve des villages où ils alternent la culture des
arbres à fruits et arbres d'ombrage comme le bananier, l'eucalyptus et le filao. Dans
les zones côtières salines et les estuaires, la végétation se développe naturellement
pour former des forêts. Cependant, la formation végétale prédominante est la forêt de
palétuviers, principalement du type Sonneratia, avec une hauteur allant de 1 à 3,5 m.
Dans certaines zones de haute altitude, le filao est cultivé pour la production de bois
et pour la protection des villages de l'intérieur contre les tempêtes.

2.1.3 La législation et Gestion spatiale du delta du fleuve Rouge

Un changement dans la gestion des terres a eu lieu dans le cadre de la politique

du « Doi Moi ». Une économie de marché a remplacé l'économie socialiste. En 1988,
le décret n°10 dit « khoan 10 » a été adopté par le Bureau politique, marquant un net
changement d'orientation économique et une large libéralisation du commerce privé.
En effet, les agriculteurs ont obtenu des droits de propriété sur leurs terres. Même si
l'État reste propriétaire de la terre, son utilisation privée est autorisée. Les agriculteurs
ont donc obtenu des droits fonciers lorsque le système de planification de l'État a été
aboli. Les impôts payés par les agriculteurs à l'État ont été réduits à 10 % et ce taux
est resté inchangé pendant 5 ans, ce qui a rassuré les agriculteurs par rapport à la
pérennité de leurs exploitations.

Le principe de l'attribution égalitaire des terres agricoles a été abandonné,

celles-ci ont été attribuées en fonction de la capacité de production des agriculteurs et
de la disponibilité des terres de la coopérative. La durée du bail pour les rizières,
auparavant fixée entre 1 et 3 ans, a été portée à 20 ans. Le « paquet simplifié » a été
remplacé par le « paquet net », qui permet aux agriculteurs d'être responsables de huit
étapes de la culture du riz, au lieu des cinq étapes traditionnellement accordées. La
majorité des taxes agricoles ont été réduites (baisse des prix des engrais chimiques,
des insecticides et du carburant, suppression des impôts progressifs et d'autres taxes
perçues par les autorités locales comme l'impôt sur le revenu ou la taxe de solidarité),
ce qui a permis aux agriculteurs de réduire leurs coûts d'exploitation. Les agriculteurs
ont également été autorisés à vendre leurs produits récoltés sur un marché libre, sans
passer par une coopérative, car le ménage est depuis considéré comme une unité
économique indépendante, et chaque agriculteur a donc pu bénéficier de sa propre

24
récolte. Ce décret est appliqué dans le sud du Viêt-Nam depuis 1988. Il n'est entré en
vigueur que deux ans plus tard dans le nord du pays, où les dirigeants conservateurs,
cherchant à conserver leur pouvoir et leurs privilèges, se sont opposés à toute forme
de réforme de la gestion des terres.

Toutes ces législations ont conditionné les activités agricoles en termes

d’expansion et de répartitions spatiales.

2.2. Impact des conditions climatiques sur le delta du fleuve Rouge

2.2.1 Risque d’inondation dans le delta du fleuve rouge

La région du delta du fleuve rouge connaît des inondations périodiques qui

menacent les activités économiques en général et les activités agricoles en particulier,
et qui fragilisent l'environnement. Les dernières grandes crues historiques de 1945 et
1971 et celle de 2001 ont causé d’importants dégâts et ont marqué la mémoire
populaire. Ces événements ont causé d’importants dégâts matériels en provoquant
des brèches dans certaines digues et par conséquent de grandes inondations de
vastes zones réputées protégées.

En général, il y a eu moins de précipitations ces dernières années, mais elles

se sont produites avec une plus grande intensité, ce qui entraîne un déséquilibre dans
leur distribution tout au long de l'année. Par exemple, les précipitations annuelles en
1996 étaient de 1725 mm/an avec un pic mensuel de 360 mm/mois alors que celles
de 2006 étaient de 1345 mm/an et 450 mm/mois (Luu et al., 2010).

Ainsi la volonté des décideurs et des gestionnaires s’oriente vers une

minimisation des inondations perçues comme l’aléa naturel physique à gérer. La
solution se concrétise donc sous forme de mesures structurelles. En effet, des
ouvrages de protection et des digues ont été implantés depuis des années. Ce sont
d’ailleurs ces actions d’endiguement qui ont permis au delta d’accueillir une telle
densité de population (Gilard, 2006) ainsi que des activités agricoles et aquacoles que
la région connaît actuellement.

2.2.2 Intrusion des eaux salines

Les intrusions des eaux salines sont principalement dues aux marées hautes.
Dans le Golfe du Tonkin la marée est de type diurne, avec un seul cycle (une marée
descendante et une marée montante) par jour et une amplitude qui suit un cycle lunaire
de 14 jours et diminue progressivement de 4 à 2 m du nord au sud (Fang et al., 1999).

25
Le niveau de la marée à basse altitude, à l'embouchure de la branche principale du
fleuve Rouge, varie de 0,5 m pendant les marées de mortes eaux à 2,5 m pendant les
marées de vives eaux.

Pendant la saison des pluies, en raison de l'important débit d'eau douce

provenant de l'amont, le problème de l'intrusion de la salinité ne se pose pas.
Cependant, pendant la saison sèche, en raison du faible débit d'eau douce, l'intrusion
de la salinité dans les estuaires des rivières est présente. L'intrusion des eaux salines
est observée dans le delta jusqu'à 40 km vers l'intérieur des terres depuis les
embouchures (Pham, 2004). Plus loin de la côte, l'influence de la marée sur le niveau
d'eau et le débit est constatée, avec des variations quotidiennes du niveau d'eau
pouvant atteindre 1 m pendant la saison sèche et 0,6 m pendant la saison des crues
(Luu et al., 2010).

En comparaison du delta du Mékong, l'intrusion de la salinité n'est pas aussi

grave en raison de la pente relativement importante du lit du fleuve Rouge. Cependant,
c’est une des zones le plus densément peuplée du Viêt-Nam et, par conséquent, le
problème de la salinité n'est pas sans effets considérables sur l'environnement socio-
économique (Ca et al., 1994).

26
Chapitre 3. L’occupation du sol dans les deltas du Viêt-Nam

Les zones deltaïques sont des écosystèmes très productifs qui fournissent un
moyen de subsistance aux populations locales, néanmoins elles sont considérées
comme étant biologiquement et écologiquement complexes (Cosslett et Cosslett,
2014). Au Viêt-Nam, les évolutions actuelles du contexte, à la fois climatique,
économique et sociétal, font de la gouvernance des changements de l’occupation des
sols au niveau des systèmes deltaïques une question fondamentale. Le modèle de
couverture des sols dans ces zones côtières/deltaïques, a changé de manière
significative au cours des décennies (Sakamoto et al., 2009) (voir titres 2.1 et 3.1).

Ce qui a affecté à la fois la croissance économique et la durabilité

environnementale de la région. Dans ce contexte, le suivi et la détection du
changement de l'occupation et de la couverture des sols (Land Use/Land Change)
sont essentiels pour la planification et la gestion spatiale du territoire, notamment pour
la conservation de l'éco-environnement et la planification spatiale dans les zones
côtières.

3.1. L’étude de changement de l’occupation/couverture du sol

L’analyse du changement du type d’occupation du sol consiste à effectuer une

extraction d'informations thématiques selon diverses classes à partir des données
spatiales. En effet, les informations extraites à partir des données satellitaires peuvent
jouer un rôle important en fournissant des éléments fondés sur des preuves
concernant les changements dans ces zones.

L’analyse se base sur des données multi-date qui sont des sources
d'information précieuses pour connaître la trajectoire du changement du type
d'utilisation et de couverture des sols, tout en décelant les facteurs entraînant la
destruction des écosystèmes, tels que l’expansion de l’aquaculture et l’agriculture en
dépit du système naturel des deltas du Viêt-Nam.

Aujourd'hui, l'utilisation de données satellitaires et de méthodes de télédétection

pour produire des cartes d’occupation du sol est en plein essor car elle offre des
avantages en termes de rentabilité et de précision. En effet, de nombreuses études
ont indiqué que la télédétection présente des avantages par rapport aux enquêtes
traditionnelles sur le terrain pour l’étude de l’occupation du sol notamment des zones
fragiles (mangrove, delta et zones côtières) en raison de la vue synoptique et de
l’emprise de la couverture de ce type de données (Singh et al. 2010 ; Kuenzer et al.
2011 ; Avtar et al. 2017 ; Pham et al. 2019).
27
 On note que dans le but de surveiller la distribution des écosystèmes naturels
(mangroves, zone humide, forêts) et des zones urbaines (exemple : Singh et al. 2010
; Vo et al. 2013 ; Avtar et al. 2017), plusieurs études ont été effectuées afin de suivre
les changements de l’occupation du sol en se basant sur la télédétection dans le delta
du Mékong, (Nguyen et al. 2016a, b ; Minh et al. 2019). En outre, dans le but de
surveiller le mode de culture agricole, la majorité des études se sont concentrées sur
la délimitation de la distribution des cultures de riz en utilisant des images satellites
optiques (par exemple Sakamoto et al., 2006 ; Son et al., 2013 ; Kontgis et al., 2015)
et des images satellites radar (par exemple Liew et al., 1998 ; Karila et al., 2014 ;
Nguyen et al., 2016 ; Kontgis et al., 2017, Minh et al. (2019).

Par ailleurs, plusieurs études ont été menées pour détecter l'expansion de
l'élevage de crevettes à l'aide de la télédétection optique (Tong et al., 2004 ;
Sakamoto et al., 2009 ; Vo et al., 2013). Dans ce double sens agriculture-aquaculture,
des études concernant les changements spatio-temporels des systèmes d'aquaculture
intensive à l'aide de techniques de télédétection, telle que celle de Sakamoto et al.
(2009), ont montré que l'aquaculture s'est rapidement développée, et que la proportion
de riz à triple culture a diminué. Ce constat a été révélé grâce aux données satellitaires
disponibles depuis 1972.

3.2. Les données satellitaires et la détection de l’occupation du sol

Dans les différentes études qui concernent la cartographie de l’occupation des

deltas au Viêt-Nam, un assortiment de données satellitaires a été utilisé, notamment
des données multi spectrales, du radar à synthèse d'ouverture (SAR), ainsi que des
données hyperspectrales (exp. Pham et al. 2019). En effet, ces données issues de
différents types de capteurs, Landsat (Tran et al., 2015) SPOT (Stibig et al., 2004)
MODIS (Spruce et al., 2020) et Sentinel (Pham et al., 2021), ont prouvé leur utilité et
efficacité dans le suivi du changement de l’occupation du sol.

Nous détaillons les propriétés de ces capteurs satellites, dont les données sont
largement utilisées pour les études de l’occupation du sol dans les deltas du Viêt-Nam,
dans le chapitre qui suit.

3.3. L’étude du risque d’inondation

Les inondations à travers le monde, sont parmi les catastrophes naturelles les
plus destructives affectant, plus particulièrement, les terres basses, à l’instar des
zones côtières. Les pays d'Asie du Sud-Est sont vulnérables aux inondations,
notamment pendant la saison des pluies. Ainsi, ce risque constitue une des plus
28
grandes menaces du changement climatique dans les deltas du Viêt-Nam (Voir titres
2.2 et 3.2). Les impacts et la fréquence des inondations devraient augmenter à l'avenir
en raison du développement urbain et du changement climatique (Kundzewicz et al.,
2014). En effet, des organisations telles que la Commission du Mékong et le Centre
asiatique de préparation aux catastrophes mettent en œuvre des systèmes régionaux
de prévision des inondations en combinant de manière synergique des données et des
modèles hydrologiques (Ahmed et al., 2017).

Les nouvelles avancées scientifiques et technologiques en matière de

puissance de calcul, les modèles numériques de terrain, les algorithmes
d'apprentissage automatique ou les données issues des satellites ont facilité et rendu
possibles les études de ce risque à différentes échelles en faisant la différence entre
l'échelle de l'inondation et celle du phénomène.

Les modèles hydrologiques et hydrauliques sont des outils précieux pour la

gestion et la planification des risques d'inondation. Les sorties de ces modèles peuvent
être couplées avec des extractions d'étendues d'eau basées sur la télédétection (Hong
Quang et al., 2020) pour améliorer la précision du modèle hydrologique, atténuer la
pénurie de données et augmenter la rentabilité (Cian et al., 2018).

3.3.1 Étude de l’occupation du sol pour l’évaluation du risque d’inondation

La production de cartes de couverture du sol est devenue un moyen fréquent et

répandu et apparaît comme un indicateur clé pour le suivi des risques d'inondation (An
Thi Ngoc Dang et Lalit Kumar, 2017 ; Mojaddadi et al., 2017). En pratique, l'étendue
de l’extension des eaux peut être estimée grâce à la détection du type de la couverture
du sol, en faisant une extraction des informations via les images satellitaires. De fait,
ces cartes peuvent être intégrées dans les bases de données sur les inondations pour
réaliser un zonage des endroits à risque et déterminer la vulnérabilité au phénomène
d'inondation.

Dans ce contexte, la cartographie de l’occupation du sol est un des éléments

d’analyse du risque de l’inondation. Elle permet d’identifier les zones affectées par le
phénomène en mettant en évidence les enjeux, les modifications de la couverture
terrestre, ses causes et ses conséquences.

En effet, l’extraction du type d’occupation du sol permet d’identifier les enjeux

qui peuvent être exposés aux risques d’inondation. Ainsi, en projetant les résultats du
zonage des endroits à risque (les zones inondables) sur la carte d’occupation du sol,
il serait possible d’estimer les dégâts et ainsi analyser la vulnérabilité face au risque

29
d’inondation. Dans le delta du Mékong, l’estimation des étendues d’eau (zonage) peut
affecter les rizières qui constituent un enjeu économique incontournable pour le pays,
touchées par les inondations, ces enjeux socio-économiques sont devenus
vulnérables.

La cartographie de l'occupation du sol est une tâche essentielle pour la

planification du développement, et pour la gestion des terres dans le monde entier,
elle permet aux autorités et aux décideurs de mieux comprendre et de contrôler les
impacts du risque d'inondation.

3.3.2 Les données satellitaires et l’évaluation du risque d’inondation

Les satellites sont maintenant devenus une composante essentielle de la

gestion de l’environnement et des risques. Les capteurs actifs ou passifs utilisés pour
des applications en matière de risque inondation couvrent un domaine très large du
spectre électromagnétique et les informations issues de ces gammes spectrales ou de
leur combinaison ont permis, au cours de ces dernières années, de contribuer de
manière significative à la prévision et à la gestion du risque.

L’intégration de paramètres provenant des données d’observation de la Terre

dans les modèles hydrologiques occupe une vaste place dans de nombreuses
recherches. Les interactions entre certaines gammes de longueurs d’onde et divers
paramètres biophysiques tels que l’humidité du sol (Jackson et al., 2006 ; Neusch,
2000 ; Wagner et al., 2007 ; Owe et al., 2008), leur rugosité (Neusch, 2000 ;
Straatsma, 2005 ; Rahman, 2007), la nature des couverts végétaux (Luquet et al.,
2001 ; Stiles et al., 2000 ; Mertes et al., 2004 ; Straatsma, 2005 ; Martin et al., 2008)
ont multiplié les recherches dans ce sens. Par exemple, la présence de l’eau, des lacs,
des fleuves, des estuaires ou de la végétation inondée est bien détectée par le biais
de micro-ondes actives, via le mécanisme de rétrodiffusion, avec des réponses très
faibles pour la rétrodiffusion simple et des valeurs importantes dans le cas de double
rebond (végétation inondée, Lewis, 1998; Hess et al., 2003). Les radars
multipolarisations et multifréquences sont également des outils pour la classification
de la végétation des zones inondables en fonction des longueurs d’onde, de la
polarisation et du mécanisme de rétrodiffusion associés à l’ampleur de l’inondation et
de la taille de la végétation (Costa et al., 2002 ; Ting et al., 2015).

Le but est de développer des prévisions fiables des inondations. Pendant les
dernières décennies, il y a eu des avancées majeures dans le domaine de la

30
télédétection, en particulier de la télédétection de micro-ondes, et de la modélisation
des inondations.

La recherche récente sur l’intégration de la télédétection avec la modélisation

des inondations étudie la modélisation de l’information hydrologique à partir de
l’observation satellite (écoulement, extension des inondations et le niveau de l’eau),
l’utilisation des données (informations) pour la calibration et la validation des modèles
hydrodynamiques, le potentiel de la télédétection d’améliorer la structuration des
modèles et la possibilité d’assimiler les observations satellites dans différents modèles.
En général, les paramètres issus des traitements d’image qui sont assimilés dans des
modèles hydrologiques sont : la lame d’eau précipitée, l’humidité et l’occupation du
sol, le modèle et les caractéristiques du terrain.

Les images radar (SAR) représentent une source intéressante d’informations

pour la surveillance des inondations et l’étude de l’humidité du sol. Après le lancement
du satellite SAR, ENVISAT, les années 2006, 2007 représentent la deuxième période
de lancement des satellites SAR avec le lancement de 5 missions pour l’observation
de la terre par satellite radar sur trois bandes différentes : ALOS (bande L, Japon,
2006), TerraSAR-X (bande X, Allemagne, 2007), TanDem-X (bande X, Allemagne,
2010), RadarSAT-2 (bande C, Canada, 2007) et la constellation COSMO-SkyMed
(bande X, Italie, 2007 jusqu’à 2010). Ces nouveaux capteurs offrent de nouvelles
pistes de recherche, y compris des données de haute résolution spatiale (résolution
métrique) ou de polarimétrie cohérente (intégralement) en matière de gestion des
inondations et de développement durable.

Le système SAR mesure l’amplitude et la phase du signal rétrodiffusé en

obtenant comme résultat une image complexe pour chaque enregistrement. En tenant
compte de la répétitivité des enregistrements du satellite (orbite héliosynchrone), le
traitement SAR multitemporel incohérent a ouvert la possibilité d’exploiter la dimension
temporelle de la détection des changements incohérents (Rignot et van Zyl, 1993;
Quegan et al., 2000). Les méthodes semi-automatiques d’extraction du périmètre
inondé en partant de la détection des changements incohérents ont été introduites
pour la surveillance des zones inondables et leur cartographie (Takeuchi et al., 1999;
Andreoli et Yésou, 2008).

Une deuxième catégorie de données radar est représentée par les données
InSAR interférométrie qui part de deux acquisitions d’images complexes (SLC) avec
des angles d’enregistrement légèrement différents. Après l’enregistrement des deux
images initiales, on calcule la corrélation croisée complexe normalisée. Sa magnitude,
31
appelée cohérence et sa phase sont les critères les plus connus en interféromètrie
SAR (Maître, 2001). La cohérence est utilisée dans la plupart des cas pour la
description de la stabilité temporelle du signal acquis. Alors que la phase inclut une
composante géométrique liée à la distance entre la cible et le capteur en donnant des
informations sur l’altitude et le déplacement (éventuel) de la cible (Massonet et
Rabaute, 1993, Massonet et Feigle, 1998). Afin d’éviter la phase de l’atmosphère,
Ferreti et al. (2001) propose l’analyse de toute une série d’interférogrammes et la
phase des pixels stables. Cette technique porte le nom de Permanent Scatterer
Technique. A la base de cette analyse, c’est le choix des pixels en fonction de leur
amplitude pour la mesure des déplacements. Dans le domaine de surveillance des
inondations, le potentiel de l’interférométrie SAR a été démontré depuis les années 90
(Geutner et al., 1996). Les cartes de cohérence interférométrique InSAR ont donné
des informations utiles sur l’ampleur des inondations du fleuve Rhin.

Cependant, le traitement et l’analyse des données SAR multivariées est assez

difficile. En comparaison avec les données optiques, les images complexes fournies
par les Radar à ouverture synthétique (composées de pixels avec leurs amplitudes et
leurs phases) se présentent sous différentes formes : interférométriques,
polarimétriques, multitemporelles, à bandes multiples, etc. Les algorithmes de
traitement des données multivariées considèrent l’image comme un processus
aléatoire Gaussien homogène. Les systèmes SAR lancés actuellement (TerraSar-X,
TanDem-X, COSMO-SkyMed, Sentinel-1) sont capables de fournir des images SAR
de haute qualité en résolution spatiale métrique. La résolution spatiale plus fine est
une réalisation importante par rapport aux images radar antérieures à résolution
spatiale décamétriques, mais conduit en même temps à des effets plus compliqués
tout comme l’hétérogénéité spatiale et le non-gaussienisme. Les techniques
d’estimation, de classification, de détection des paramètres physiques, les filtres
utilisés sur les images décamétriques doivent être adaptés au nouveau contexte de
résolution spatiale métrique. Ainsi, certaines techniques ont été récemment proposées
pour trouver des solutions à la segmentation hiérarchique (Bombrun et al., 2011), à la
classification polarimétrique (Froment et al., 2011), au suivi et à l’analyse de la texture
(Harant et al., 2011).

Selon certains chercheurs (Vidal, 2005), pour être fiables, les modèles
hydrauliques doivent être contraints, par le biais d’un calage, grâce à des
connaissances concernant la crue (niveaux d’eau, volume transitant de la plaine au
moment du passage de la crue, etc.). Selon d’autres auteurs (Aronica et al., 1998 ;

32
Pappenberger et al., 2005 ; Hostache et al., 2006 ; 2010) ces données sont la plupart
du temps difficiles à acquérir sur le terrain. Une solution peut être envisagée :
l’exploitation des niveaux d’eau en période d’inondation estimés à partir d’images
satellites radar. Des méthodes basées sur la mesure du coefficient de rétrodiffusion
radar sur des données à haute résolution ont fait l’objet de développement en bande
L (Ulaby et al., 1983 ; Kim et al., 2014 ; Chapman et al., 2015) et en bande C (Fellah
et al., 1994, 2003 ; Brown et al., 1997 ; Matgen et al., 2007 ; Ramsey et al., 2013) ;
des niveaux d’eau ont été estimés par croisement entre des limites de zones inondées
extraites d’images satellitaires radar toujours en bande C et des cartes topographiques
(Brakenridge et al., 1998 ; Hostache, 2009 ; Mason et al., 2009, 2012). Les incertitudes
obtenues (entre 1 à 3 m) ont été considérées comme incompatibles avec la précision
requise par les modélisations hydrauliques. Pour améliorer l’extraction du rivage dans
des secteurs où la végétation est inondée, Horrit et al. (2002) utilisent la taille de la
végétation dérivée des données du LiDAR. Une approche similaire est développée par
Puech et Raclot (2002) à partir de photographies aériennes, Hostache et al. (2006,
2009, 2010) appliquent une méthode de cartographie sur une image SAR en utilisant
des données photogrammétriques de haute précision (incertitude de 30 cm en
moyenne).

En utilisant les variations du coefficient de rétrodiffusion radar en fonction de la

teneur en eau surfacique des sols, des suivis d’évolutions spatio-temporelles des
zones saturées dans des bassins versants sont réalisés (Pauwels, 2001 ; Summerell,
2009). Ces variations spatio-temporelles de l’humidité du sol sont introduites dans
différents modèles qui utilisent le couplage entre un indice topographique et un indice
de saturation potentielle (Gineste et al., 1998) ; des valeurs d’humidité globale utilisées
à l’échelle du bassin versant (Integrated Flood Forecast System, Bach et al., 1999).
L’intégration des données de télédétection comme l’humidité du sol en modèles
hydrologiques, bien que ces modèles ne soient pas encore opérationnels, a également
fourni des résultats prometteurs dans plusieurs études (François et al., 2003 ; Matgen
et al., 2006).

La phase de gestion de crise nécessite la production de documents

cartographiques localisant l’événement et son étendue. Diverses méthodes existent
pour obtenir le plan d’information des données spatiales : photo-interprétation,
seuillage, segmentation d’image qui utilisent des principes mathématiques élaborés
tels que la détection de contours, la logique floue avec le data mining ou les réseaux
de neurones artificiels. Plusieurs techniques de traitements d’images SAR existent.

33
Ces techniques incluent : simple interprétation visuelle (Oberstadler et al., 1997),
seuillage d’histogrammes d’images (Brivio et al., 2002 ; Matgen et al., 2004),
algorithme de classification automatique (Bonn et Dixon, 2005 ; Pulvirenti et al., 2011 ;
Kuenzer et al., 2013 ; Niculescu et al., 2009, 2015), algorithme de texture d’image
(Schumann et al., 2009), méthodes de détection multitemporelle de changements
(Laugier et al., 1997 ; Niculescu et al., 2009, 2010 ; 2015 ; Martinis et Rieke, 2015).
De nombreuses études (Marinelli et al., 1997; Nico et al., 2000 ; Yésou et al., 2000 ;
Alsdorf et al., 2001) montrent l’apport important de la variation de cohérence de phase,
obtenue à partir d’une paire interférométrique d’images radar, en complétant l’étude
de l’amplitude du signal.

En revanche, la télédétection passive dépend de l’ensoleillement et elle est

sensible aux conditions atmosphériques et aux couverts nuageux. Dans le contexte
des études des inondations, la télédétection passive peut présenter une limite quand
la couverture nuageuse est importante, ce qui est le cas en période de forte pluie et
de crue. Cette limite constitue un réel obstacle pour l'étude des problèmes
environnementaux, notamment dans les zones tropicales et équatoriales où la
couverture nuageuse reste assez importante.

Les images optiques disponibles gratuitement, telles que Landsat (TM) peuvent
être utiles pour l’analyse du risque grâce à leur résolution spatiale et leur intervalle
d’acquisition, mais aussi grâce à l’archive et la capture continue sur les mêmes zones
qui rendent ces données très pratiques pour la cartographie des masses d'eau. En
effet, les données de la bande 7 de Landsat sont utiles pour distinguer les plans d'eau
de la masse terrestre environnante, avec un taux d'erreur d'environ 5 % (Dhara et al.,
2020). Bien que les données Landsat aient une résolution spatiale relativement plus
élevée que les données MODIS, leur temps de revisite est plus long que celui du
MODIS. Ces derniers comprennent deux instruments clés, les satellites Terra et Aqua.
Terra MODIS capture des images de la surface de la terre tous les jours ou tous les
deux jours, et acquiert des données dans 36 bandes spectrales (Ticehurst et al., 2014;
Revilla-Romero et al., 2015) ce qui reste très pratique pour la cartographie des zones
inondables. Par ailleurs, des images optiques Sentinel-2 A et B, ont également été
utilisées dans plusieurs études des risques d’inondation.

34
Chapitre 4. Satellites Landsat et Sentinel

4.1. Le satellite Landsat

Parmi les divers programmes d'observation de la terre, les missions Landsat

(connue au début sous l'acronyme ERTS-1 (Earth Resources Technology Satellite)),
de l’agence spatiale américaine (NASA) (plus tard sous la responsabilité de National
Oceanic et Atmospheric Administration-NOAA) sont les plus réputées. En effet, grâce
à la couverture mondiale continue depuis 1972 à une moyenne résolution (le plus long
enregistrement continu) ainsi qu’à leur diffusion gratuite, les données Landsat ont été
couramment utilisées pour la détection des changements de l'occupation du sol (Liu et
al., 2020).

Il faut noter aussi que parmi les facteurs qui ont contribué au succès technique
des données Landsat c’est la combinaison de capteurs avec des domaines spectraux
façonnés pour l'observation de la Terre, ce qui est efficace dans une grande variété
de contextes d'application. Par ailleurs, le programme a permis d'accumuler des
archives de données volumineuses et de maintenir des données historiques. Ces
données historiques sont une exigence fondamentale pour la surveillance de
l'environnement afin de prévenir les impacts environnementaux néfastes avant qu'ils
ne deviennent irréparables (Manandhar et al., 2009). Entre 1972 et 2013, huit satellites
Landsat sont lancés, permettant de capturer plusieurs millions d'images. L’archive de
ces données est fournie par le Centre national d'observation et de science des
ressources terrestres (USGS EROS) du Service géologique des États-Unis.

Les satellites Landsat portent des capteurs de type systèmes de

caméras Return Beam Vidicon (RBV), le système Multi Spectral Scanner (MSS), et
dernièrement le Thematic Mapper (TM). Avec un balayeur qui utilise un miroir oscillant,
le MSS capte le rayonnement électromagnétique de la surface de la Terre provenant
de quatre bandes spectrales. Chacune de ces bandes a une résolution radiométrique
de 6 octets et une résolution spatiale de 60 sur 80 mètres. Depuis le lancement du
Landsat-4, le capteur TM a remplacé le MSS, en apportant plusieurs améliorations
(une meilleure résolution spatiale et radiométrique, sept bandes spectrales plus
étroites par rapport aux quatre bandes du MSS). Chacune des bandes a une résolution
radiométrique de 8 octets, ainsi, sauf pour l'infrarouge thermique qui est de 120 m,
toutes les autres bandes ont une résolution spatiale de 30 m. Certes leurs archives les
plus riches leur procurent un grand avantage, mais la résolution spatiale des images
limite leur exploitation dans tous les domaines.

35
 Le satellite Landsat-8, une collaboration entre la NASA et l’United States
Geological Survey (USGS), a été lancé en février 2013. Il couvre la Terre tous les
16 jours avec des images de 185 km x 185 km, en 16 bits, comptant 11 bandes
spectrales : 9 dans le visible (8 multispectrales de résolution 30 m ; 1 panchromatique
à 15 m) et 2 thermiques (60 m). L'équipement de télédétection installé sur le LCDM
(Landsat Data Continuity Mission) comprend un radiomètre à balayage multicanaux
OLI (Operational Land Imager) et un radiomètre IR à deux canaux TIRS (Thermal
Infrared Sensor). L'imageur terrestre opérationnel (OLI) offre deux nouvelles bandes
spectrales par rapport à l'instrument Landsat-7 ETM+, l'une spécialement conçue pour
la détection des cirrus (bande 9, nouvelle bande proche infrarouge (NIR)) et l'autre
pour l'observation des zones côtières (bande 1, nouveau canal bleu dans le visible). Il
mesure dans les parties visibles, NIR et infrarouge à ondes courtes (SWIR) du spectre
électromagnétique et offre une résolution spatiale panchromatique de 15 mètres et
multi spectrale de 30 mètres. Le capteur infrarouge thermique (TIRS) a été ajouté à la
charge utile de Landsat 8 afin de poursuivre l'imagerie thermique et de prendre en
charge des applications émergentes telles que les mesures du taux
d'évapotranspiration pour la gestion de l'eau. Le TIRS a été construit par le Goddard
Space Flight Center de la NASA, et sa durée de vie est de trois ans. Les données
TIRS de 100 m sont enregistrées avec les données OLI pour créer des produits de
données Landsat-8 de 12 bits corrigés sur le plan radiométrique, géométrique et du
terrain. Les images des satellites LANDSAT sont libres de droit et diffusées par le US
Geological Survey (USGS). Dans nos applications les images Lansat 8 (OLI) sont
utilisées pour l’analyse et la cartographie des changements de l’occupation du sol dans
le delta du fleuve Rouge.

4.2. La constellation Sentinel

L'ESA (l’Agence spatiale européenne) développe une nouvelle famille de

missions appelée « Sentinel » spécifiquement pour les besoins opérationnels du
programme Copernicus. Chaque mission Sentinel s'appuie sur une constellation de
deux satellites pour répondre aux exigences de revisite et de couverture, fournissant
des ensembles de données robustes pour les services Copernicus.

L'objectif du programme Sentinel est de remplacer les anciennes missions

d'observation de la Terre qui sont en fin de leur durée de vie opérationnelle, comme
les missions ERS et Envisat. Cela permettra d'assurer une continuité des données afin
qu'il n'y ait pas de lacunes dans les études en cours. Chaque mission se concentre
sur un aspect différent de l'observation de la Terre, à savoir la surveillance de

36
l'atmosphère, des océans et des terres, et les données recueillies sont utiles dans de
nombreuses applications. Les missions Sentinel embarquent une gamme de
technologies telles que des instruments radar et d'imagerie multi-spectrale. En effet,
la mission Sentinel-1 (Sentinel-1A et Sentinel-1B) embarque une technologie radar en
orbite polaire, jour et nuit, destinée aux services terrestres et océaniques. Sentinel-1A
a été lancé le 3 avril 2014 et Sentinel-1B le 25 avril 2016. Sentinel-2 (Sentinel-2A et
Sentinel-2B) est une mission d'imagerie multi-spectrale haute résolution en orbite
polaire pour la surveillance des terres. Elle fournit, par exemple, des images de la
végétation, de la couverture du sol et de l'eau, des voies navigables intérieures et des
zones côtières. Sentinel-2 peut également fournir des informations aux services
d'urgence. Sentinel-2A a été lancé le 23 juin 2015 et Sentinel-2B a suivi le 7 mars
2017. Sentinel-3 (Sentinel-3A et Sentinel-3B) est une mission multi-instruments qui
soutient les systèmes de prévision océanique, ainsi que la surveillance de
l'environnement et du climat. Elle vise à mesurer la topographie de la surface de la
mer, la température de la surface de la mer et de la terre, la couleur de l'océan et de
la terre avec une précision et une fiabilité de haut niveau. Il existe d’autres missions à
divers objectifs opérationnels comme le Sentinel-4 et le Sentinel-5 qui sont une charge
consacrée à la surveillance de l'atmosphère, ainsi que le Sentinel-6 qui a été mis en
orbite le 21 novembre 2020, il transporte un altimètre radar pour mesurer la hauteur
de la surface de la mer à l'échelle mondiale, principalement pour l'océanographie
opérationnelle et les études climatiques.

Dans notre contexte d’étude, les images du capteur Sentinel-1 (SAR) et

Sentinel-2 (équipé d'un instrument multi-spectral, MSI) sont les plus utilisées. Sentinel-
1 offre une amélioration significative de la couverture spectrale, de la résolution
spatiale et de la fréquence temporelle par rapport à la génération actuelle de capteurs
Landsat. Pour la cartographie de l'occupation/utilisation des sols, Sentinel-2 est
particulièrement pertinent en raison de la présence de deux nouvelles bandes dans le
spectre de la bordure rouge, à 705 et 740 nm.

Par ailleurs, des études ont testé la capacité du Sentinel-1 (SAR) dans le delta
du Mékong ce qui a été particulièrement pertinent pour cette région tropicale, car les
capacités tout temps du SAR permettent de faire face à la fréquente couverture
nuageuse qui rend la télédétection optique difficile. En effet, le SAR joue un rôle crucial
dans la télédétection en raison de sa capacité de pénétration des nuages et de
détection (Bouvet et Le Toan, 2011).

37
 En outre, Sentinel-1 est le seul satellite SAR disponible gratuitement et constitue
donc une ressource précieuse pour les pays équatoriaux à revenus faibles et moyens
dont les budgets pour l'achat de données satellitaires sont limités.

38
Partie 2 : Démarches Méthodologiques

39
Chapitre 5. Structuration des données et Prétraitement

5.1. Les images SAR : Sentinel-1

Dans ce travail, nous avons utilisé des données SAR de Sentinel-1. Avant la
présentation de ces données, une explication du système radar s’avère nécessaire.

5.1.1 Les équations de radar

RADAR (RAdio Detection And Ranging) est un système d'observation actif. Un

système radar se compose essentiellement d'un émetteur, d'un récepteur, d'une
antenne et d'un système électronique pour traiter et enregistrer les données. L'énergie
électromagnétique se propage à la vitesse de la lumière, vers un objet ou une surface.
Le radar mesure l'énergie de l'impulsion radar qui est réfléchie vers le radar et est
exprimée en rétrodiffusion radar (𝜎 0 ). Les objets peuvent être détectés en mesurant le
délai entre l'émission d'une impulsion et la réception de « l’écho » rétrodiffusé de
différentes cibles, ce qui fournit les informations sur l'amplitude, la phase, l'intervalle
de temps entre l'émission de l'impulsion et le retour de l'objet, la polarisation et la
fréquence Doppler.

La mesure de rétrodiffusion radar est exprimée par l'équation radar. Cette

équation décrit la relation entre la puissance reçue (𝑃𝑟 ) de l'onde électromagnétique
reçue (𝐸⃗ 𝑟 ) et la puissance émise (𝑃𝑒 ) pour une seule cible sous la forme de l'onde
émise (𝐸⃗ 𝑒 ) et peut s’écrire :

𝐺 2 𝜆2 𝜎
𝑃𝑟 = 𝑃𝑒 (1)
(4𝜋)3 𝑅 4

Avec :

 G : le gain de l’antenne reçue

 𝜆 : la Longueur d’onde

 𝑅 : la distance entre le cible et radar

 𝜎 : la Surface Equivalente Radar, qui représente le rapport moyen entre

l'énergie réémise par la cible dans la direction du radar et la densité
d'énergie qu'elle reçoit. Elle est donnée par la formule :
2
2
|𝐸⃗ 𝑟 |
𝜎 = 4𝜋𝑅 2 = 4𝜋|𝑆|2 (2)
|𝐸⃗ 𝑒 |

40
 𝑟 2 𝑒 2
⃗⃗⃗ | et |𝐸
|𝐸 ⃗⃗⃗ | représentent de l’intensité de l’onde reçue et de l’onde émise.

|𝑆|2 : l'amplitude de diffusion complexe de l'objet.

De nombreux radars sont conçus pour transmettre un rayonnement micro-

ondes polarisé horizontalement (H) ou verticalement (V) (Figure 4). Une onde émise
dans l'une ou l'autre de ces polarisations peut générer une onde rétrodiffusée avec
une variété de polarisations. C'est l'analyse de ces combinaisons de polarisation à
l'émission et à la réception qui constitue la science de la polarimétrie radar.

Figure 4 : Polarisations horizontale (noire) et verticale (rouge) d'une onde électromagnétique plane

L'onde électromagnétique (𝐸⃗ 𝑒 ) est émise par une source en deux polarisations
V et H puis l’onde reçue (𝐸⃗ 𝑟 ) est diffusée par une cible. Les deux ondes sont
décomposées comme suit :

𝐸⃗ 𝑒 = [𝐸𝐻𝑒 𝐸𝑉𝑒 ] 𝐸⃗ 𝑟 = [𝐸𝐻𝑟 𝐸𝑉𝑟 ] (3)

Grâce à la formule (2), une relation entre l’onde émise ⃗⃗⃗⃗

𝐸 𝑒 et l’onde reçue ⃗⃗⃗⃗
𝐸 𝑟 est
donnée par :

𝑖2𝜋𝑟
𝑒𝑥𝑝(− ) (4)
𝐸⃗ 𝑟 = 𝜆 . |𝑆|.⃗⃗⃗⃗𝐸 𝑒
𝑟

41
 En remplaçant des vecteurs de formule (3) par la formule (4) et une
décomposition|𝑆|, la matrice de rétrodiffusion est donnée pour définir le processus de
transformation de l’onde (𝐸⃗ 𝑒 ) en une onde réfléchie (𝐸⃗ 𝑟 ). Elle est définie comme suit :
(Cloude et Zebker, 2010 ; Lee et Pottier, 2009).

𝑖2𝜋𝑟
𝑒𝑥𝑝(− ) (5)
[𝐸𝐻𝑟 𝐸𝑉𝑟 ] = 𝜆 . [𝑆 𝑆𝐻𝑉 𝑆𝑉𝐻 𝑆𝑉𝑉 ][𝐸𝐻𝑒 𝐸𝑉𝑒 ]
𝐻𝐻
𝑟
Les ondes radars sont caractérisées par deux paramètres : la fréquence de
fonctionnement, souvent exprimée en GigaHertz (GHz), et l’état de polarisation. Par
convention, le champ électrique est pris comme référence pour déterminer l’état de
polarisation défini par la forme de la courbe décrite, en fonction du temps, par la
projection de l’extrémité du champ électrique dans le plan transverse de propagation
(Frédéric Baup, 2007).

Toute polarisation à l'émission ou à la réception peut être synthétisée en utilisant

les composantes H et V avec une relation bien définie entre elles. C'est pourquoi on
utilise couramment des systèmes qui émettent et reçoivent ces deux polarisations
linéaires. Avec ces radars, il peut y avoir quatre polarisations combinées en émission
et en réception :

 HH - pour horizontale émise et horizontale reçue.

 VV - pour verticale émise et verticale reçue.

 HV - pour horizontale émise et verticale reçue.

 VH - pour verticale émise et horizontale reçue.

Les systèmes Radars peuvent avoir deux ou quatre polarisations combinées. Il

y a plusieurs types de système radar (Tableau 1)

Tableau 1 : Polarisations utilisées

Nom Des polarisations combinées

Polarisation simple HH ou VV ou HV ou VH

Polarisation double HH et HV, VV et VH, ou HH et VV

Polarisation alternée HH et HV, alternant avec VV et VH

Polarimétries HH, VV, HV, et VH

42
 a) Rétrodiffusion directe de surface provenant du sol ; b) rétrodiffusion
volumique provenant du feuillage des arbres, arbustes et de la litière végétale si
présente ; c) rétrodiffusion directe de surface provenant de tiges, de branches
principales, de troncs ; d) rétrodiffusion double-bond provenant de l’interaction entre
les troncs et les autres composantes ; e) rétrodiffusion multiple provenant de
l’interaction du signal incident avec plusieurs composantes.

5.1.2 Les images SAR

Un radar à synthèse d'ouverture (SAR / Synthetic aperture radar) est un radar

d'imagerie monté sur une plate-forme mobile : un avion, un drone ou un satellite.
Comme dans le cas d'un radar conventionnel, des ondes électromagnétiques sont
émises séquentiellement et les échos rétrodiffusés sont recueillis par l'antenne radar.
Dans le cas du SAR, le temps consécutif de transmission/réception se traduit par des
positions différentes en raison du mouvement de la plate-forme. Une combinaison
cohérente appropriée des signaux reçus permet la construction d'une ouverture
virtuelle qui est beaucoup plus longue que la longueur physique de l'antenne. Cet
attribut fondamental du SAR est à l'origine de son nom « ouverture synthétique », qui
lui confère la propriété d'être une image radar.

5.1.3 Les images Sentinel-1

Dans ce travail, les données Sentinel-1 GDR sont utilisées pour l’étude et la
détection du type de l’occupation du sol. La série temporelle de Sentinel-1 offre une
opportunité unique de surveiller systématiquement les occupations du sol à un cycle
de répétition hebdomadaire. En outre, la continuité des données Sentinel-1 est
garantie jusqu'en 2030. Plusieurs études (ex. Abdikan et al., 2016; Balzter et al., 2015;
Lee et Pottier, 2009; Longepe et al., 2011) ont pu démontrer les différents avantages
des données SAR.

Les données Sentinel-1 sont distribuées par le Copernicus Open Access Hub
et comprennent :

 Niveau-0 ou Level-0 : les données brutes.

 Niveau-1 ou Level-1 : deux types de données de niveau 1.

o Single Look Complex (SLC) : ce sont des données comprenant

une imagerie complexe avec amplitude et phase.

o Ground Range Detected (GRD) avec l'intensité multi-look.

43
  Niveau-2 ou Level-2 : Ocean (OCN) : ce sont des données pour la
détection des paramètres géophysiques de l'océan.

L'instrument radar à ouverture synthétique (SAR) Sentinel-1 peut acquérir des

données dans quatre modes qui sont illustrés dans la Figure 5 et Tableau 2.

Figure 5 : Les modes du système Sentinel 1

Tableau 2 : Modes de système Sentinel-1

Mode Swath (km) Résolution (m×m) Polarization

Stripmap 80 5×5 Dual

Extra WS 20 5×5 Dual

Interferometric IWS 250 5×20 Dual

Wave 400 20×40 Single

Un processus générique standard pour prétraiter les images SAR-level01-GRD

de Copernicus Sentinel-1 est présenté dans les travaux de Filipponi et al (2019)
(Filipponi, 2019). Le processus de prétraitement des images Sentinel-1 (Figure 6) est
effectué par une plateforme SNAP (Sentinel application Platform) qui est
développée pour servir les traitements des données de ESA (des images sentinel-1,
sentinel-2). Dans ces études, les graphes de prétraitement des données sentinel-1
GDR permettent de traiter des images à l'aide du cadre de traitement et de graphe de
commande, qui donnent la capacité de traitement de grands jeux de données.

44
 Dans un graphe, le début du processus consiste à utiliser des fonctions qui
permettent de lire les images et d’enregistrer des résultats. Ainsi, les fonctions qui
permettent de traiter les signaux sont mis en ordre sériel ou parallèle. Dans nos études,
les fonctions utilisées sont :

Calibration : les corrections radiométriques.

Figure 6 : Graphe de prétraitement des images Sentinel-1 à servir de détecter des occupations du sol
dans le delta du Mékong

L'étalonnage (Calibration) est la procédure consistant à convertir les valeurs

numériques des pixels en rétrodiffusion SAR étalonnée radio métriquement. Les
informations nécessaires à l'application de l'équation d'étalonnage sont incluses dans
le produit Sentinel-1 GRD ; en particulier, un vecteur d'étalonnage inclus comme
annotation dans le produit permet une conversion simple des valeurs d'intensité de
l'image en valeurs sigma zéro. L'étalonnage inverse le facteur d'échelle appliqué
pendant la génération du produit de niveau 1, et applique un décalage constant et un
gain dépendant de la plage, y compris la constante d'étalonnage absolue.

Le sigma spécifie l'intensité de la réflexion en termes de section géométrique

traversée d'une sphère conductrice, et représente la section transversale radar d'une
cible distribuée par rapport à celle attendue d'une surface d'un mètre carré. Le sigma
zéro a une variation significative avec l'angle d'incidence, la longueur d'onde et la
polarisation, ainsi qu'avec les propriétés de la surface de diffusion.

45
 Correction de terrain: les corrections géométriques.

Les données SAR sont généralement captées avec un angle de vue variable
supérieur à 0 degré, ce qui donne des images présentant une certaine distorsion liée
à la géométrie de l'orientation latérale. Les corrections de terrain visent à compenser
ces distorsions afin que la représentation géométrique de l'image soit aussi proche
que possible du monde réel. La correction de terrain Doppler à distance est une
correction des distorsions géométriques causées par la topographie, telles que le
raccourcissement et les ombres, en utilisant un modèle numérique d'élévation pour
corriger l'emplacement de chaque pixel. L'opérateur de correction de terrain par effet
Range Doppler met en œuvre la méthode d'ortho rectification (Schubert et al., 2015)
pour le géocodage de scènes SAR à partir d'images en géométrie radar.

Le système de références des coordonnées (CRS) peut être sélectionné et, en

option, réglé pour correspondre à la zone UTM des granules Sentinel-2. L'opérateur
permet de sélectionner la méthode de rééchantillonnage de l'image et l'espacement
des pixels dans le CRS cible. Cette étape de traitement permet l'accrochage spatial
des produits Sentinel-1 GRD aux grilles de données MSI de Sentinel-2, afin de
géolocaliser les données sur une grille spatiale commune et de de promouvoir
l'utilisation de constellations de satellites sentinel-1A et Sentinel-1B.

Speckle filter : Les corrections des bruits.

Le Speckle, qui apparaît dans les images SAR comme un bruit granulaire, est
dû à l'interférence des ondes réfléchies par de nombreux diffuseurs élémentaires
(Lee et al., 1994a). Le Speckle filter est une procédure qui permet d'améliorer la
qualité de l'image en réduisant le Speckle (bruit). Lorsqu'une telle procédure est
effectuée à un stade précoce du traitement des données SAR, le Speckle n'est pas
propagé dans les processus en cours (c'est-à-dire, Correction de terrain ou
conversion en dB). Le Speckle filter n'est pas conseillé lorsqu'il s'agit d'identifier de
petites structures spatiales ou la texture de l'image, car il risque de supprimer ces
informations. Le filtre de Lee raffiné s'est avéré plus efficace, comparant aux autres
Speckle filter à produit unique, pour l'interprétation visuelle, en raison de sa capacité
à préserver les bords, les caractéristiques linéaires, les cibles ponctuelles et les
informations de texture (Lee et al., 1994b). Plus récemment, des Speckle filter de
séries temporelles ont été développés pour réduire le bruit (Speckle), en tirant parti
des multi-observations SAR dans le temps. L'outil SNAP met à disposition plusieurs
filtres de Speckle : 'Boxcar', 'Median', 'Frost', 'Gamma Map', 'Lee', 'Refined Lee', 'Lee
Sigma', 'IDAN'.

46
 Conversion to décibel (dB) : les transformations logarithmiques dB.

En général, le processus de prétraitement effectue une série de corrections

standard. Pour les corrections radiométriques, les corrections géométriques, les
corrections des bruits, et comme dernière étape du processus de prétraitement, le
coefficient de rétrodiffusion sans unité une conversion en dB est utilisée par une
transformation logarithmique.

De plus, les produits Sentinel-1 GRD peuvent être de données MSI de Sentinel-
2, afin de promouvoir l'utilisation de constellations virtuelles de satellites par le biais de
la fusion de données. Dans le processus de prétraitement on peut inclure la fusion des
données SAR avec des données optiques.

5.2. Les images optiques : Sentinel-2

Les données multispectrales de Sentinel-2 sont de haute résolution. Elles ont

été utilisées dans les applications de ce travail. Les instruments d'imagerie multi-
spectrale (MSI) de Sentinel-2 possèdent 13 bandes dont quatre bandes à 10 m, six
bandes à 20 m et trois bandes à 60 m de résolution spatiale (Tableau 3) et une fauchée
de 290 km.

Tableau 3 : Récapitulatif des résolutions spectrale, spatiale et temporelle de Sentinel 2

Sentinel-2

Bandes B1 B2 B3 B4 B5 B6 B7 B8 B8a B9 B10 B11 B12

Centre λ 137 161 219

443 490 560 665 705 740 783 842 865 945
(nm) 5 0 0

Largeur λ
20 65 35 30 15 15 20 115 20 20 30 90 180
(nm)

Résolution
spatiale 60 10 10 10 20 20 20 10 20 60 60 20 20
(m)

Résolution
5 jours
spatiale

Les images Sentinel-2 sont mises à disposition « prêtes à l'emploi ». Plusieurs

niveaux de correction sont disponibles lors des téléchargements des images. Les

47
principaux niveaux disponibles pour notre zone d'étude sont de niveau 1C (le niveau
1C fournit des images ortho rectifiées) et 2A.

5.3. Les données de série temporelle

5.3.1 Les données optiques de série temporelle

La cartographie de l’occupation du sol est essentielle pour la gestion des forêts,

la déforestation, l'agriculture et la planification. L'imagerie optique est un outil courant
pour la classification simple de la couverture terrestre et la surveillance de la
végétation. (Gong et al., 2013; Kavitha et al., 2021). Cependant, dans les zones à
couverture terrestre complexe, il est difficile de cartographier plusieurs classes qui
possèdent des similarités spectrales. C'est pourquoi les séries temporelles d'images
optiques par satellite à basse et moyenne résolution (par exemple Landsat, Sentinel)
ont été largement utilisées pour la surveillance de la végétation depuis les années
1970 (Zhang et al., 2003). Dans notre travail, une application des modèles de données
optiques de série temporelle est utilisée pour cartographier la végétation au delta du
Fleuve Rouge de 2016 à 2018 (Niculescu et Lam, 2019). Les données de ce travail
sont organisées en trois jeux de données : Data 2016, Data 2017, Data 2018 (Tableau
4). Pour obtenir plus d'informations, les capteurs Landsat-8 et Sentinel-2 sont
combinés et mis en ordre dans un jeu de données.

5.3.2 Les données radars de série temporelle

Les images de séries temporelles fournies par les satellites Sentinel-2 offrent
une opportunité unique pour la cartographie de la végétation (Mercier et al., 2019). Le
satellite Sentinel-2, a un temps de revisite de trois jours et une résolution spatiale de
10 mètres. Cependant, l'acquisition d'images optiques au cours des périodes clés de
surveillance peut être limitée en raison de leur vulnérabilité au temps pluvieux ou
nuageux. Dans ce contexte, le radar à synthèse d'ouverture, indépendant de
l'illumination solaire et de la couverture nuageuse, est une forme de télédétection
active. Le radar à synthèse d'ouverture (SAR) peut être utilisé comme une importante
source de données alternative ou complémentaire (Bovenga, 2020; Moreira et al.,
2013; Schmullius et Evans, 1997; Tomiyasu, 1978). Les systèmes SAR enregistrent
l'amplitude et la phase du signal rétrodiffusé, qui dépend des propriétés physiques et
électriques de l'objet imagé (par exemple, la rugosité du terrain, la permittivité).
Récemment, l'imagerie SAR série temporelle en bande C a été étudiée pour la
surveillance de la végétation (Dobrinić et al., 2020; Phan, 2018). Dans cette thèse, on

48
a étudié les inondations en 2019, 2020 dans le delta du Mékong à l'aide des données
Sentinel-1 - SAR de série temporelle. Des jeux de données sont construits pour deux
saisons (inondation et non-inondation) chaque année. Une carte de l’occupation du
sol va être construite avec le jeu de données Non-inondation (de décembre à mai). Et
les cartes de l’inondation vont être extraites des jeux de données de chaque mois qui
sont dans la période d’inondation de juin à novembre (Tableau 5).
Tableau 4 : Séries temporelles 2016, 2017,2018 au delta du fleuve Rouge.

Jeux de données Les capteurs Date Les bandes

Landsat-8 23/04/2016 B2,B3,B4,B5,NDVI

Sentinel-2 15/06/2016 B2,B3,B4,B8, NDVI

Data 2016
Landsat-8 26/06/2016 B2,B3,B4,B5,NDVI

Landsat-8 30/09/2016 B2,B3,B4,B5,NDVI

Sentinel-2 04/21/2017 B2,B3,B4,B8, NDVI

Sentinel-2 07/30/2017 B2,B3,B4,B8, NDVI

Data 2017
Landsat-8 09/17/2017 B2,B3,B4,B5, NDVI

Sentinel-2 12/17/2017 B2,B3,B4,B8, NDVI

Sentinel-2 11/02/2018 B2,B3,B4,B8, NDVI

Sentinel-2 07/05/2018 B2,B3,B4,B8, NDVI

Data 2018
Sentinel-2 06/20/2018 B2,B3,B4,B8, NDVI

Sentinel-2 05/26/2018 B2,B3,B4,B8, NDVI

5.3.1 Synergie des données Optiques et RADARS

Récemment, l'intégration des données SAR et optiques (c.-à-d. Sentinel-1 et

Sentinel-2) a été principalement utilisée pour la surveillance des inondations et des
zones humides, la cartographie des perturbations forestières ou la cartographie de
végétation (Dobrinić et al., 2021; Ienco et al., 2019; Niculescu et al., 2018). Les séries
temporelles d'images S1 et S2 offrent un grand potentiel pour la surveillance de la
végétation, et cette recherche a étudié le potentiel des données S1, S2 et combinées
S1 et S2 pour la cartographie de la végétation (Dobrinić et al., 2020; Mercier et al.,
2019). Les séries temporelles SAR de Sentinel-1 ont été combinées avec l'imagerie
de Sentinel-2, montrant qu'une amélioration de la précision de la classification peut
être obtenue par rapport aux résultats obtenus avec chaque capteur indépendamment
(Dobrinić et al., 2021).

49
 Tableau 5 : Organisation des jeux de données SAR de série temporelle au delta du Mékong en 2019-2020.

Saison Sous-jeux de données Les images

30 images – 60 bandes de double

Non-inondation Décembre à mai
polarisation VV-VH

Juin

Juillet
Chaque mois 5 images – 20
Août
inondation bandes de double polarisation VV-
Novembre
VH
Octobre

Novembre

50
Chapitre 6. Machine Learning (Apprentissage automatique)

L'intelligence artificielle (IA) consiste à rendre les machines aussi intelligentes

que le cerveau humain. En informatique, l'IA désigne l'étude des « agents intelligents »
: tout dispositif qui perçoit son environnement et entreprend des actions qui maximisent
les chances de réussite pour atteindre ses objectifs. De manière informelle, le terme
« intelligence artificielle » est appliqué lorsqu'une machine est capable d'exécuter des
fonctions que les humains associent à d'esprits humains, comme « l'apprentissage »
et « la résolution de problèmes ». L'apprentissage est un aspect essentiel des
machines. Par conséquent, l'apprentissage automatique (machine learning) est un
sous-domaine de l'IA Figure 7. Les informaticiens ont déployé des efforts depuis les
années 1950 dans le domaine de l'apprentissage automatique. Depuis quelques
décennies, des efforts considérables sont réalisés pour faire progresser
l'apprentissage automatique. Cela conduit à des attentes plus élevées de la part des
machines. L'apprentissage profond est une tentative dans cette direction.
L'apprentissage profond (Deep learning) est un sous-domaine de l'apprentissage
automatique (Figure 7) qui structure les algorithmes en couches pour créer un réseau
neuronal artificiel capable d'apprendre et de prendre des décisions intelligentes par
lui-même. Comme le travail dans l'apprentissage est mis en avant dans de nombreux
nouveaux domaines et l'applicabilité des nouveaux domaines est toujours une tâche
en cours dans la communauté de recherche.

Domaine d’Intelligence Artificielle

Domaine d’Apprentissage Automatique

Domaine d’Apprentissage Profond

Figure 7 : Illustration des relations entre apprentissage automatique et apprentissage profond

51
 6.1. Définition Apprentissage Automatique

Selon Tom M. Mitchell (1997) la définition de l'apprentissage automatique est:

« A computer program is said to learn from experience E with respect to some
class of tasks T et performance measure P, if its performance at tasks in T, as
measured by P, improves with experience E. » (Mitchell, 1997)

Sur la base des mappages sous-jacents entre les données d'entrée et les
résultats attendus présentés pendant la phase d'apprentissage de l'apprentissage
automatique, les algorithmes d'apprentissage automatique peuvent être classés dans
six catégories (Awad et Khanna, 2015) : l’apprentissage supervisé, l’apprentissage
non-supervisé, l’apprentissage semi-supervisé, la méthodologie d'apprentissage par
renforcement, l’apprentissage traductif, l’inférence inductive. Les algorithmes
d'apprentissage automatique fréquemment appliqués dans les recherches de
télédétection appartiennent à deux catégories d'algorithmes : l'apprentissage
supervisé et l'apprentissage non-supervisé. L'efficacité de l'application de ces
algorithmes a été largement prouvée dans les recherches (Blaschke et al., 2014; Hay
et Castilla, 2008; Lary et al., 2016).

L’algorithme d’apprentissage supervisé (Figure 8) est une méthode

d'apprentissage qui déduit la relation sous-jacente entre les données observées
(également appelées données d'entrée) et une variable cible (une variable dépendante
ou étiquette) qui est soumise à la prédiction. La tâche d'apprentissage utilise les
données de formation étiquetées (exemples de formation) pour synthétiser la fonction
du modèle qui tente de généraliser la relation sous-jacente entre les vecteurs de
caractéristiques (entrée) et les signaux de supervision (sortie). Depuis 1970, les
algorithmes d’apprentissage supervisé se sont appliqués à servir des travaux
d’analyse des images satellites et ils jouent un rôle important dans la télédétection
jusqu’à maintenant (Kettig et Landgrebe, 1976; MacQueen, 1967). Les algorithmes
d'apprentissage supervisé sont souvent utilisés pour faire des classifications des
composants géographiques dans les données d'images de télédétection (par pixel ou
par objet).

52
 Figure 8 : Le processus général de l'algorithme d'apprentissage supervisé

Les algorithmes d'apprentissage non supervisé sont conçus pour découvrir

des structures cachées dans des ensembles de données non étiquetés, dans lesquels
la sortie souhaitée est inconnue. Deux exemples populaires d'apprentissage non
supervisé sont le regroupement (cluster) et la réduction de la dimensionnalité. Dans
le domaine de la télédétection, les apprentissages non-supervisés sont utilisés pour
réaliser des Segmentations afin d’extraire des objets géographiques (Blaschke, 2010;
Gu et al., 2015; Schiewe, 2012)

6.2. Définition Apprentissage Profond

Les performances des méthodes d'apprentissage automatique dépendent de la

représentation des données (ou des caractéristiques des données) sur laquelle elles
sont appliquées. C'est pourquoi une grande partie de l'effort réel de déploiement des
algorithmes d'apprentissage automatique est consacrée à la conception de
prétraitement et de transformations de données qui aboutissent à une représentation
des données capable de supporter un apprentissage automatique efficace (Bengio et
al., 2014). Les méthodes d'apprentissage profond sont des méthodes d'apprentissage
par représentation avec plusieurs niveaux de représentation, obtenus en composant
des modules simples mais non linéaires qui transforment chacun la représentation à
un niveau (en commençant par l'entrée brute) en une représentation à un niveau
supérieur, légèrement plus abstrait. La composition d'un nombre suffisant de
transformations de ce type permet d'apprendre des fonctions très complexes
(LeCun et al., 2015). L'apprentissage profond s’est caractérisé par des réseaux
neuronaux (NN) comportant généralement plus de deux couches cachées (c'est pour
cette raison qu'ils sont appelés profonds). Comme les réseaux neuronaux peu
profonds, les réseaux profonds exploitent des représentations de caractéristiques
apprises exclusivement à partir de données. Il existe des modèles d'apprentissage
automatique qui peuvent être appliqués sur le domaine de la télédétection comme :

53
Multilayer perceptron, Convolution Neural Network, Auto-Encoder (Zhu et al., 2017).
Dans cette thèse, le Convolutional neural network est appliqué pour détecter de
l’occupation du sol au delta du Mékong au Viêt-Nam. On a utilisé le modèle AlexNet –
Réseau de neurones convolutifs entièrement connecté (FCN - Figure 9)

Figure 9 : L'architecture globale du Convolutional neural network (CNN) comprend une couche d'entrée,
plusieurs couches de convolution et de max-pooling alternées, une couche entièrement connectée et une couche
de classification.

6.3. La segmentation des images satellites

En 1976, Kettig et Landgrebe ont appliqué des segmentations sur des images
satellites par des extractions et des classifications des objets homogènes (Kettig et
Landgrebe, 1976). Par la suite, des techniques de traitement des images satellites ont
été développées. Il y a plusieurs travaux qui ont tenté d’appliquer des techniques de
segmentation d’images pour des applications en télédétection. Après l’arrivée des
images de haute résolution, des algorithmes de segmentation ont été développés de
manière significative (Blaschke, 2010; Schiewe, 2012). La plupart des travaux
antérieurs ont catégorisé la segmentation d'image en 3 approches : basée contour,
basée région, basée clustering.

6.3.1 L’algorithme K-means

L’algorithme K-means a été proposé la première fois en 1967 par (MacQueen,

1967). C’est une méthode non–supervisée dans le domaine d’apprentissage
automatique. K-means aide à détecter des objets homogènes par les groupes de
pixels voisins. Des éléments sont regroupés en K – partitions par des fonctions de
similarité comme la distance euclidienne, la distance de Manhattan, etc. Avec le
développement de GEOBIA, K-means est appliqué pour l'extraction d'objets afin
d’aboutir à une analyse efficace des images satellitaires (Hamada et al., 2019 ;
Rekik et al., 2006).

54
 La fonction de similarité, c’est un facteur important dans le processus de
l’algorithme K-means. Elle est représentée par le calcul de distance entre les objets
avec N-dimension. La distance euclidienne est souvent utilisée dans ces calculs.

La distance de Minkowski :

𝑛
𝑝
𝐷𝑖𝑠𝑡(𝑥, 𝑦) = √∑ (𝑥𝑖 − 𝑦𝑖 )𝑝 (6)
𝑖=1

La distance Euclidienne :

𝐷𝑖𝑠𝑡(𝑥, 𝑦) = √∑ (𝑥𝑖 − 𝑦𝑖 )2 (7)

𝑖=1

La distance Manhattan :
𝑛

𝐷𝑖𝑠𝑡(𝑥, 𝑦) = ∑ ‖𝑥𝑖 − 𝑦𝑖 ‖ (8)

𝑖=1

L’Algorithme K-means est composé de deux phases de calcul distinctes. La

première phase concerne le calcul des centroïdes pour K-groupe et la seconde phase
concerne la mise à jour des pixels dans le groupe qui a le plus proche centroïde par
rapport à la distance euclidienne. Par la réitération de la 1ère phase, le processus
continue jusqu’à l’étape de stabilité.

Avec un ensemble des groupes = {𝐶1 , 𝐶2 , … , 𝐶𝑘 } , chaque 𝐶𝑖 à un centroïde 𝜇𝑖 ,

le calcul de l’optimisation est donné par :

∑ ∑ 𝐷𝑖𝑠𝑡(𝑥𝑖 , 𝜇𝑖 )2 (9)
𝑥𝑖 ∈ 𝐶𝑖

Les résultats ne sont pas uniques après chaque exécution. Cela dépend des
centroïdes initiaux. Il existe plusieurs approches pour collecter les centroïdes, à savoir
des approches de points aléatoires, des points stratifiés, des points d’incertitude, la
densité de probabilité (Catlett, 1991 ; Khan et Ahmad, 2004 ; Lewis et Catlett, 1994).

Une question importante dans le cas de l’application de l’algorithme Kmeans sur

un échantillon est le nombre de clusters K. Par principe, la méthode du « coude » est
une heuristique utilisée pour déterminer le nombre de clusters K dans un échantillon.

55
La méthode consiste à tracer la variation expliquée en fonction du nombre de clusters,
et à choisir « le coude » de la courbe comme le nombre de clusters à utiliser.

Initialiser le nombre de groupes et ses centroïdes

Calculer des distances entre les centroïdes et les pixels.

Attribuer tous les pixels au groupe qui a le centroïde le plus proche

Recalculer les centroïdes pour chaque groupe.

Calculer taux erreur E:

Répéter 2e étape jusqu’à un résultat stable.

Extraire des objets géographiques par des pixels voisins

La variance des clusters se calcule comme suit :

𝐾

𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒 = ∑ ∑ 𝐷𝑖𝑠𝑡(𝑥𝑗 , 𝑐𝑖 )2 (10)

𝑖=1 𝑥𝑗

Avec :

𝑐𝑖 : Le centre du cluster (le centroïde)

𝑥𝑗 : la ième observation dans le cluster ayant pour centroïde 𝑐𝑖

𝐷𝑖𝑠𝑡(𝑥𝑗 , 𝑐𝑖 ): La distance (euclidienne ou autre) entre le centre du cluster et le

point 𝑥𝑗

On obtient une courbe :

Figure 10 : Le courbe des clusters k de 1 à 9, le coude est trouvé par K = 3

56
 Les avantages de K-means :

La complexité de K-Means est présentée en : O (K * n * d). Il est facile

d’implémenter K-means et d’identifier des groupes de données inconnus à partir
d’ensembles de données complexes. Les K-Means produisent des segmentations plus
serrées.

K-means convient à un grand nombre d’ensembles de données et le calcul est

beaucoup plus rapide par rapport à celui des autres algorithmes. Il peut également
produire un nombre de clusters plus élevés. Cet algorithme permet de partitionner de
grandes séries de données. Cependant, son efficacité dépend de la forme des
clusters.

Les inconvénients de K-means :

Le clustering K-means donne des résultats variables sur différentes exécutions.

En effet, un choix aléatoire de modèles de clusters produit différents résultats, ce qui
entraîne une incohérence.

Pour que la classification par K-means soit efficace, il est nécessaire de spécifier
le nombre de clusters (au début de l’exécution de l’algorithme). Il est également difficile
de comparer la qualité des clusters produits.

Dans le cas d’étude et afin de fixer la bonne valeur du K, une expérimentation a

été effectuée. Nous remarquons que les segmentations génèrent de temps en temps
des zones homogènes. Le point de coude est trouvé par un k=5 et les résultats sont
stables après ce point (Figure 10). La figure 11 présente un extrait d’une image
Sentinel-2, nous présentons dans la Figure 12 les résultats de la segmentation avec
différente valeur de K, nous notons qu’avec un k=10 la segmentation donne un meilleur
aperçu, préférable pour cette étape.

6.3.2 Meanshift

L'algorithme Meanshift de (Fukunaga et Hostetler, 1975) est un algorithme de

regroupement robuste et adaptatif avec une estimation de densité de la probabilité non
paramétrique. Cet algorithme ne nécessite pas de connaissance a priori du nombre
de clusters. Il peut décaler les pixels vers les maxima locaux de la fonction de densité
par des itérations efficaces en réalisant une convergence rapide. Ainsi, il a été utilisé
avec succès dans la segmentation d'images par (Comaniciu et al., 2001; Yang et al.,
2013; Zhou et al., 2013).

57
 Figure 11 : Image optique Sentinel-2 sur TranDe au 20 février 2020

(A) (B) (C)

Figure 12 : Kmeans (A) K=5 , (B) K=10 , (C) K=15

Figure 13 : La courbe des clusters k de 1 à 25

L’algorithme MeanShift présente deux étapes :

La recherche d’un ensemble des noyaux multi-variés par des fonctions des
densités de probabilité Gaussien sur des informations spatiales et des signaux
(Demirović, 2019; Michel et al., 2015).
58
 𝐶 𝑥𝑠 2 𝑥𝑟
𝐾(𝑥) = 𝑝 𝑘 (‖ ‖ ) 𝑘 (‖ ‖2 ) (11)
ℎ𝑠 2 ℎ𝑟 ℎ𝑠 ℎ𝑟

Avec :

Multi variables (𝑥 𝑠 , 𝑥 𝑟 ) et multi-bande de passante (ℎ𝑠 , ℎ𝑟 )

Informations spatiales :

 Bande passante (bandwidth): ℎ𝑠

 Des coordonnées spatiales : 𝑥𝑠

Informations signaux (des bandes) :

 Bande passante (bandwidth): ℎ𝑟

 Des bandes d’image satellite: 𝑥 𝑟

Le regroupement des pixels autour des noyaux les plus proches (maximum
probabilité).

Les avantages de MeanShift

Cet algorithme ne fait aucune hypothèse de modèle et il est capable de

modéliser des clusters complexes ayant une forme non convexe. Bien que cela
n'implique pas toutes les formes, ces dernières peuvent être bien modélisées.
L’utilisation d’un seul paramètre, la bande passante, détermine automatiquement le
nombre de clusters qui a une signification d'échelle locale. Par ailleurs, cet algorithme
n’a pas de minima local, donc le nombre de cluster est déterminé uniquement par la
bande passante. Il ne nécessite pas une exécution des algorithmes d’initialisation du
nombre ou des centroïdes de clusters (Carreira-Perpiñán, 2015).

Les inconvénients de MeanShift

La qualité des résultats dépend de la bande passante. Cependant, dans les

travaux de (Comaniciu et al., 2001; Dai et al., 2014; Singh et Ahuja, 2002), on trouve
des solutions représentatives au problème de la sélection de la bande passante. Ainsi,
dans quelques cas (zones non homogènes), l’algorithme MeanShift génère des sous-
clusters dans un grand cluster. Par ailleurs, les calculs sont lents et complexes.

La complexité de Meanshift est calculée par la formule 𝑂(𝑇𝑛2 ), où T est le

nombre d’itérations et n est le nombre total de pixels d’une image.

Une application de l’algorithme Meanshift a été effectuée pour segmenter des

images Sentinel-2, avec différentes valeurs de K (Figure 13). Dans la Figure 14, nous

59
constatons qu’il y a des objets qui ne changent pas, c’est-à-dire qu’ils sont
convergents. En outre, une segmentation sous forme de grands objets a été constatée
dans la Figure 14(C) et en revanche, des objets de taille plus fine sont révélés dans
les figures Figure 14(A) et Figure 14(B). A ce niveau on se pose la question : « quelle
est la meilleure bande pour la segmentation pour chaque image satellite ? »

(A) (B) (C)

Figure 14 : Segmentation de MeanShift avec la bande passante (A) K = (16,32), (B) K = (05,15), (C) K =
(03,05)

6.3.3 Multi-résolution Segmentation (MRS)

La segmentation multi-résolution (MRS) (Baatz et Schape, 2000) est

probablement l'algorithme le plus populaire dans le domaine de segmentation.
Implémenté dans le logiciel eCognition® (Trimble Geospatial Imaging), cet algorithme
est rapidement devenu l'un des algorithmes de segmentation les plus importants de la
discipline GEOBIA. MRS s'appuie sur un contrôle clé, appelé paramètre d'échelle (SP)
pour partitionner une image en objets image. Le paramètre d'échelle contrôle
l'hétérogénéité interne (spectrale) des objets d’image (Figure 15), il est corrélé à leur
taille moyenne. Une valeur plus grande du SP permet une hétérogénéité interne plus
élevée, ce qui augmente le nombre de pixels par objet (Baatz et Schape, 2000; Benz et
al., 2004).

L’objectif de l’algorithme MRS est de fusionner des objets d’une image, de sorte
que l’objet soit précédé d'un pixel. À chaque étape, une paire d’objets est fusionnée
en un plus grand objet. La décision de la fusion dépend de la condition d’homogénéité
qui représente la similarité des objets adjacents. A son tour, la possibilité d’une fusion
des paires d’objets adjacents dépend du coût de la fusion qui doit être minimum. La
procédure est arrêtée quand il n’y a plus de possibilité de fusion dans une itération.

Le coût de fusion est composé par des valeurs homogénéités de couleur 𝐻𝑐𝑜𝑙𝑜𝑟
et de forme 𝐻𝑠ℎ𝑎𝑝𝑒 .

60
 𝐻𝑑𝑖𝑓𝑓 = 𝑤𝑐𝑜𝑙𝑜𝑟 ∗ 𝐻𝐶𝑜𝑙𝑜𝑟 + (1 − 𝑤𝐶𝑜𝑙𝑜𝑟 )𝐻𝑠ℎ𝑎𝑝𝑒 (12)

L'hétérogénéité spectrale (ℎ𝑜𝑏𝑗 ) d'un objet est donnée par la somme des
écarts-types (𝜎𝑖 ) des valeurs spectrales de chaque bande i multipliée par leur poids
(𝑤𝑖 ):

𝑛𝑏𝑎𝑛𝑑𝑒

ℎ𝑜𝑏𝑗 = ∑ 𝑤𝑖 𝜎𝑖 (13)
𝑖=1

Le coût de fusion de couleur (𝐻𝑐𝑜𝑙𝑜𝑟 ) des objets 1 et 2 en objet fusionné, c’est la

différence entre l'hétérogénéité spectrale d’objet fusionné et la somme de
l'hétérogénéité spectrale de deux objets.

𝐻𝑐𝑜𝑙𝑜𝑟 = 𝑛𝑚𝑒𝑔 ℎ𝑚𝑒𝑔 − (𝑛𝑜𝑏𝑗1 ℎ𝑜𝑏𝑗1 + 𝑛𝑜𝑏𝑗2 ℎ𝑜𝑏𝑗2 )

L'hétérogénéité compacité (ℎ𝑐𝑝𝑡 ) d’un objet est composée par le nombre des
pixels (𝑛𝑜𝑏𝑗 ) dans l’objet et son périmètre (𝑙).

𝑙
ℎ𝑐𝑝𝑡 =
√𝑛𝑜𝑏𝑗
L'hétérogénéité douceur (ℎ𝑠𝑚𝑜𝑜𝑡ℎ ) d’un objet est composée par le nombre
des pixels (𝑛𝑜𝑏𝑗 ) dans l’objet et le périmètre (𝑏) de la boîte délimitant l’objet.

𝑙
ℎ𝑠𝑚𝑜𝑜𝑡ℎ =
𝑏
Le coût de fusion de forme (𝐻𝑠ℎ𝑎𝑝𝑒 ) est basé sur la somme des coûts de fusion
de compacité et du lissage :

𝐻𝑠ℎ𝑎𝑝𝑒 = 𝑤𝑐𝑝𝑡 𝐻𝑐𝑝𝑡 + (1 − 𝑤𝑐𝑝𝑡 )𝐻𝑠𝑚𝑜𝑜𝑡ℎ

Où :
𝑚𝑒𝑔 𝑜𝑏𝑗1 𝑜𝑏𝑗2
𝐻𝑐𝑝𝑡 = 𝑛𝑚𝑒𝑔 ℎ𝑐𝑝𝑡 − (𝑛𝑜𝑏𝑗1 ℎ𝑐𝑝𝑡 + 𝑛𝑜𝑏𝑗2 ℎ𝑐𝑝𝑡 )

𝑚𝑒𝑔 𝑜𝑏𝑗1 𝑜𝑏𝑗2

𝐻𝑠𝑚𝑜𝑜𝑡ℎ = 𝑛𝑚𝑒𝑔 ℎ𝑠𝑚𝑜𝑜𝑡ℎ − (𝑛𝑜𝑏𝑗1 ℎ𝑠𝑚𝑜𝑜𝑡ℎ + 𝑛𝑜𝑏𝑗2 ℎ𝑠𝑚𝑜𝑜𝑡ℎ )

Les avantages de segmentation par algorithme multi-résolution :

La vitesse de calcul et de génération des objets est convenable, ce qui peut

être considéré comme un point fort pour cet algorithme. En outre, bien que les
paramètres soient choisis d’une manière subjective, ils sont appliqués objectivement
à l'image entière. En effet, les objets sont représentés par multi-échelle en connexion
hiérarchique.

61
 Les inconvénients de MRS :

Les objets ne sont pas réels, il s’agit de rassemblements des pixels homogènes,
et les objets réels sont fusionnés à cause de la confusion spectrale des bandes des
images.

(A) (B) (C)

Figure 15 : Segmentation par multi résolution (A) Scale = 10, (B) Scale = 20 (C) Scale = 40

6.3.4 Superpixel (SLIC)

Le SLIC est un algorithme de segmentation basé sur le gradient ascendant, qui

génère des superpixels. Il repose sur le principe de regroupement des pixels, en
mesurant des distances, en fonction de leur proximité et de la similitude des couleurs
dans le plan image (Achanta et al., 2010). Dans le domaine de la télédétection, le SLIC
a été utilisé dans une large gamme d'applications et de types de données, comme
l'imagerie optique, les images SAR ou les images hyper spectrales (Arisoy et Kayabol,
2016; Fourie et Schoepfer, 2014; Ma et al., 2016).

Parmi les différents algorithmes proposés pour générer des superpixels, SLIC
se trouve sur la liste des algorithmes montrant des performances supérieures (Stutz et
al., 2018). Il présente des avantages en termes de simplicité, de vitesse de calcul et
d'efficacité de la mémoire. C’est un algorithme basé sur le clustering inspiré d’autres
méthodes telles que k-means initialisé par des centroïdes en utilisant des informations
spectrales et spatiales. Les paramètres qui doivent être fixés pour l’exécution de SLIC
sont le paramètre K, qui indique le nombre de superpixels à générer, et le paramètre
m, qui contrôle la compacité des superpixels.

Avec le paramètre K et le nombre total des pixels N, la taille moyenne des

superpixels S × S est calculée selon la formule suivante : 𝑆 = √𝑁/𝐾

Nous présentons dans la figure 16 un exemple d’application de l’algorithme avec

différentes valeurs de S. Dans la première étape du SLIC, K initiales, et des centroïdes,

62
sur une grille carrée de taille S × S sont générés. Cette étape est construite selon
l’algorithme K-Means. Une fois que tous les emplacements des centroïdes de cluster
initiaux sont confirmés, une procédure itérative est appliquée pour mettre à jour les
centres de cluster. La procédure itérative peut être répartie en trois étapes :

Etape 1 : Pour chaque centre de cluster, des distances D entre le centre du

cluster et les pixels dans l'espace de recherche 2S × 2S sont calculées avec une
attribution à chaque pixel au centre le plus proche du cluster.

Etape 2 : C’est la mise à jour des nouveaux centres de cluster en calculant le

vecteur moyen de tous les pixels appartenant au superpixel.

Etape 3 : L'erreur résiduelle E est calculée, c’est la distance entre les

emplacements centraux précédents et les emplacements centraux mis à jour

La procédure itérative s'arrête lorsque l'erreur résiduelle converge ou le

nombre d'itérations atteint le seuil défini (par exemple seuil = 10). Le résultat de cette
procédure est un ensemble de centroïdes 𝐶𝐾 = [𝑙𝑘 , 𝑎𝑘 , 𝑏𝑘 , 𝑥𝑘 , 𝑦𝑘 ] 𝑎𝑣𝑒𝑐 𝑘 = 1, 𝐾.

Dans SLIC, les informations de l’espace couleurs RGB sont remplacées par
des informations couleurs CIELAB. La distance D est calculée par la composition de
la distance de couleur avec la distance du spatial :

La distance couleur :

𝐷𝑙𝑎𝑏 = √(𝑙𝑘 − 𝑙𝑖 )2 + (𝑎𝑘 − 𝑎𝑖 )2 +(𝑏𝑘 − 𝑏𝑖 )2 (14)

La distance spatiale :

𝐷𝑥𝑦 = √(𝑥𝑘 − 𝑥𝑖 )2 + (𝑦𝑘 − 𝑦𝑖 )2

La distance entre un pixel avec une centroïde k :
𝑚
𝐷𝑆 = 𝐷𝑙𝑎𝑏 + 𝐷
𝑆 𝑥𝑦

63
 Plus la valeur de m est élevée, plus la proximité spatiale est accentuée et plus
la grappe est compacte.

(A) (B)

Figure 16 : Segmentations par SLIC avec la taille minimum (A) S = 16 pixels (B) S=8 pixels

La segmentation par l’algorithme SLIC passe par les étapes suivantes :

1 : Le calcul 𝐶𝐾 = [𝑙𝑘 , 𝑎𝑘 , 𝑏𝑘 , 𝑥𝑘 , 𝑦𝑘 ] 𝑎𝑣𝑒𝑐 𝑘 = 1, 𝐾

2 : Les Itérations

 Pour chaque cluster 𝐶𝑘 : les pixels les plus proches des centroïdes
sont attribués en fonction des distances et à partir d'un voisinage
carré 2S × 2S autour du centre du cluster
 Le calcul des nouveaux centres de cluster et l'erreur résiduelle E

 L’itération s’arrête quand E ≤ au seuil donné

3 : Le regroupement des pixels dans un cluster et les extractions des

objets GIS à partir des groupes de pixels.

6.4. Les méthodes de classification

Les informations de l’occupation du sol sont des éléments importants pour de

nombreux aspects des études sur le changement global et des applications
environnementales. L'une des principales approches pour obtenir des informations de
l’occupation du sol à partir des images satellitaires est la classification. De nombreux
algorithmes de classification ont été développés depuis l'acquisition de la première

64
image Landsat au début des années 1970. Parmi eux, on trouve les algorithmes
d’apprentissage automatique peu profond (Machine Learning) comme la méthode de
maximum de vraisemblance (Maximum Likelihood ML), les algorithmes de réseaux
neuronaux (ex. Multilayer Perceptron MLP), des arbres de décision (ex. Random
forest-RF) et l’algorithme de Support Vector Machine (SVM). Par ailleurs, suivant la
tendance du développement des méthodes d’intelligence artificielle, plusieurs
algorithmes d’apprentissage profond sont appliqués pour la classification des images
(ex. Convolutional neuron network CNN).

Dans les sections qui suivent, le principe de chaque algorithme d’apprentissage

automatique profond et peu profond, testé dans cette présente étude, est
théoriquement et empiriquement décrit.

6.4.1 Support Vector Machine : SVM

L’apprentissage automatique par la méthode Support Vector Machine (SVM) a

été développé par les recherches de Vapnik depuis 1965, pour devenir un algorithme
en 1995 (Cortes et Vapnik, 1995). Selon plusieurs études (ex. (Foody et Mathur, 2004;
Huang et al., 2002)) le SVM est considéré comme un des meilleurs algorithmes dans
le domaine de l'analyse d'images ; en effet, c’est un outil d'apprentissage automatique
très populaire. Les classificateurs SVM sont initialement linéaires à deux classes,
reposant sur la maximisation de la marge de séparation entre deux classes. Grâce aux
fonctions de noyaux, des transformations sont désormais possibles pour une
classification multi-classe.

Support Vector Machine linéaire

Le principe de (SVM) est basé sur la division, par un hyperplan séparateur, d’un
ensemble en deux sous-ensembles marqués par des signes +1 ou -1. Il s’agit de
déterminer un hyperplan optimal de façon à ce que la distance aux exemples
d’apprentissage les plus proches (vecteurs de support) soit maximale. Cette distance
est appelée “marge”.

Un échantillon à n éléments est présenté par 𝑆 = {(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 )}.

Dans un élément, 𝑥𝑖 ∈ 𝑅 𝑘 , est un espace k-dimension et 𝑦𝑖 = {+1, −1} est l’étiquette
de classe. SVM donne un vecteur support 𝑤 ∈ 𝑅 𝑘 pour trouver un hyperplan
séparateur :

𝑤∙𝑥+𝑏 =0
Deux hyperplans de support :

65
 𝑤 ∙ 𝑥𝑖 + 𝑏 ≥ +1 pour 𝑦𝑖 = +1

𝑤 ∙ 𝑥𝑖 + 𝑏 ≤ −1 pour 𝑦𝑖 = −1

La marge, c’est la distance entre l’hyperplan séparateur et l’hyperplan

supporteur :

2 2
𝑚𝑎𝑟𝑔𝑒 = =
‖𝑤‖
√∑𝑘𝑖=1 𝑤𝑖2

Un séparateur à vaste marge linéaire (SVM et support vector machine) est un

discriminateur linéaire de la forme 𝑝𝑟𝑒𝑑𝑖𝑐𝑡 = 𝑠𝑖𝑔𝑛(𝑤 ∙ 𝑥 + 𝑏) donné par la résolution du
problème suivant :

{‖𝑤‖2 𝐴𝑣𝑒𝑐 𝑢𝑛 𝐶𝑜𝑛𝑡𝑟𝑎𝑖𝑛𝑡𝑒 𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) ≥ 1

Dans le cas de données non séparables (Figure 17), il y a des erreurs 𝜉𝑖 de
classification. Des hyperplans supporteurs deviennent :

𝑤 ∙ 𝑥𝑖 + 𝑏 ≥ +1 − 𝜉𝑖 pour 𝑦𝑖 = +1

𝑤 ∙ 𝑥𝑖 + 𝑏 ≤ −1 + 𝜉𝑖 pour 𝑦𝑖 = −1

Avec ∀ 𝜉𝑖 ≥ 0

Le problème peut alors prendre la forme suivante :

{‖𝑤‖2 + 𝑐 ∑ 𝜉𝑖 𝐴𝑣𝑒𝑐 𝑢𝑛𝑒 𝐶𝑜𝑛𝑡𝑟𝑎𝑖𝑛𝑡𝑒 𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) ≥ 1

(a) (b)

Figure 17 : Hyperplan de SVM (a) données séparables, (b) données non-séparables

66
 Support Vector Machine non-linéaire

Généralement, les données sont des espaces non linéaires (Figure 18). Des
vecteurs supporteurs sont implémentés de façon à ce que les entrées x i soient
transformées par une fonction noyau 𝛷: 𝑅 𝑘 → 𝐻 qui projette les données dans un
espace dans lequel elles seront considérées comme linéairement séparables (Figure
18). Ainsi, un nouveau SVM linéaires est appliqué sur le nouvel espace H.

La fonction noyau 𝛷 est donnée par :

𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝛷(𝑥𝑖 )′𝛷(𝑥𝑗 )

Dans ce cas la fonction de prédiction est exprimée à l’aide de K et elle devient :

𝑝𝑟𝑒𝑑𝑖𝑐𝑡 = 𝑠𝑖𝑔𝑛(𝑤. 𝐾(𝑥𝑖 , 𝑥𝑗 ) + 𝑏)

Il existe plusieurs fonctions de noyaux utilisées (Tableau 6). L'exemple le plus
simple de fonction noyau est le noyau linéaire. Par ailleurs, les noyaux les plus utilisés
sont le noyau polynomial et le noyau gaussien.

- Un modèle SVM multi-classes

Un modèle SVM donne une capacité de discrimination d’un ensemble en deux

classes. Dans le cas multi-classification, deux approches sont proposées.

(a) (b)

Figure 18 : Hyperplan de SVM (a) données non-linéaires, (b) données transformées par noyaux
polynomiales avec 2-degrés

L’approche un contre un (one-versus-one)

Sur chaque couple de classes, un classificateur SVM est construit. Un élément

𝑛(𝑛−1)
𝑥𝑖 est appliqué sur modèle SVM, la classe gagnante est déterminée soit par un
2

vote majoritaire « max-wins voting » soit en post traitement des résultats grâce à
l’estimation de probabilités a posteriori.

67
 Tableau 6 : Noyaux de SVM non linéaire.

Nom Formule Paramètres

Linéaire 𝐾(𝑢, 𝑣) = 𝑢. 𝑣

Le degré d et la gamma
Polynomial 𝐾(𝑢, 𝑣) = (𝛾. 𝑢. 𝑣 + 𝑐)𝑑
𝛾 sont à préciser
2
Radial basis fonction (RBF) Gaussien 𝐾(𝑢, 𝑣) = 𝑒 −𝛾‖𝑢−𝑣‖ Gamma 𝛾 à préciser

Sigmoïde 𝐾(𝑢, 𝑣) = 𝑡𝑎𝑛ℎ(𝛾. 𝑢. 𝑣 + 𝑐) Gamma 𝛾 à préciser

Cette méthode est considérée plutôt pratique au-delà des arguments théoriques
ou empiriques avancés pour sa bonne performance.

L’approche un contre tous (one-versus-all)

C’est la plus simple des méthodes de décomposition. Elle consiste à utiliser un

classificateur SVM binaires (paires) par classe. Avec n classes, n modèles SVM, une
attribution du label 1 à une des classes et le label -1 à toutes les autres s’effectuent.

Le classificateur donnant la marge la plus élevée remporte le vote « ’winner-

takes-all » ainsi, la classe gagnante est trouvée. Il convient de souligner que cette
approche soulève des difficultés pratiques, car elle implique d’effectuer des
apprentissages aux répartitions entre catégories très déséquilibrées.

6.4.2 Random forest

L'analyse de l’occupation du sol basée sur des combinaisons d'informations

hétérogènes provenant de multi-sources de télédétection, telles que des images
optiques, des images radar, des informations d’élévation, est très efficace tout en
apportant des défis aux méthodes d'apprentissage automatique (Gislason et al., 2006;
Lowe et Kulkarni, 2015; Rodriguez-Galiano et al., 2012; Thanh Noi et Kappas,
2018).Ces auteurs ont démontré l'efficacité de la méthode de la forêt des arbres de
décision (Figure 19) dans l'analyse des images de télédétection en provenant de multi-
sources de capteurs.

Depuis les années 1980, les algorithmes d'arbre de décision ID3, CART, C45
ont prouvé leur efficacité en utilisant des données numériques et symboliques
(Quinlan, 1986; Salzberg, 1994). Ces algorithmes donnent des résultats de bonne
précision pour les données combinées multi-sources et hétérogènes. Afin de
performer ces algorithmes d’arbre de décision et d’éliminer certains de leurs
inconvénients (Breiman, 2001) a développé un algorithme appelé Random forest

68
construit à partir d'arbres de décision générés de sous-échantillons aléatoires en
utilisant l’approche du Bagging.

Avant de présenter l’algorithme de Random forest, une présentation des deux

principes servant à construire cet algorithme (les arbres de décision seuls et le
bagging), est nécessaire.

Arbre de décision seul

L'arbre de décision est une structure hiérarchique générée par des fonctions
statistiques et probabilistes. Le but du processus de construction d'arbres de décision
est d'utiliser des règles de division et d'arrêt de calcul qui peuvent être partitionnées
en ensembles d'éléments homogènes. L’algorithme de référence est celui de
(Breiman, 1998) décrivant la méthode CART (Classification et Regression Tree).
Néanmoins, la paternité de cette méthode est attribuée à (Morgan et Sonquist, 1963)

Le principe des arbres de décision repose sur la prédiction d’une classe en sortie
après un processus de séparation successive des données. L’objectif est de prédire
des groupes les plus homogènes possibles par rapport à la variable à prédire. La mise
en place de cette méthode est considérée comme étant facile et rapide, mais elle peut
être sensible à l’apprentissage exagéré.

Le bagging (bootstrap aggregating)

Inventé par (Breiman, 1996), le bagging est un méta-algorithme permettant

d’améliorer la stabilité des algorithmes d’apprentissage automatique. Il permet de
réduire les sources d’erreur liées à l’apprentissage exagéré (une limite que présentent
les arbres de décision seuls). Le but est d’obtenir un modèle plus lisse à partir des
différents modèles : c’est le principe de moyennage. En effet, à partir d’un ensemble
d’entraînement A de taille n, le bagging produit m model d’entraînement Ai de taille n’.
Ensuite, les m modèles produits sont calculés en utilisant les m sous-échantillons déjà
calculés puis combinés par vote majoritaire (pour les classifications).

La forêt des arbres de décision, (Random forest)

La forêt des arbres de décision est un ensemble des classificateurs 𝐻 =

{𝐻1 , 𝐻2 , … 𝐻𝑘 } qui sont construits à partir des sous-échantillons aléatoires 𝐸 =
{𝐸1 , 𝐸2 , … 𝐸𝑘 }

69
 Echantillons

E1 E2 ……… Ek

Y1 Y2 ……… Yk=

Figure 19 : Exemple de forêt d’ arbres de décision

Dans l’étape d’entraînement :

 Un sous-échantillon est créé avec le nombre m d’éléments aléatoires. Le

coefficient m est précisé.

 Pour chaque sous-échantillon, un arbre de décision est géré.

 Après k itérations, une forêt de k arbres de décisions est créée. Le

coefficient m est précisé.

Dans l’étape d’application :

 Un élément xi est appliqué sur tous les arbres dans la forêt, et la prévision
de chaque arbre est sauvegardée.

 La dernière prévision est calculée par la fonction de vote majorité des

résultats provenant des arbres de décision dans la forêt.

6.5. Méthodes de Deep Learning

6.5.1 Multilayer Perceptron – MLP

L’intelligence artificielle est un domaine de recherche qui pose des challenges

et à laquelle les scientifiques se sont beaucoup intéressés. Dans ce domaine, le
réseau de neurones a été proposé assez tôt dans les années 60. Le premier modèle
de réseau de neurone est appelé Perceptron, c’est un algorithme d’apprentissage

70
automatique supervisé qui aide à résoudre les problèmes de la classification binaire.
Il est proposé par (Rosenblatt, 1957).

Les réseaux de neurones sont modélisés en s’inspirant de la structure du

cerveau humain, dans lesquelles l'intelligence est stockée dans les voies neuronales
ainsi que dans la mémoire. Dans un réseau de neurones artificiels, les connaissances
sont stockées sous forme de matrice des poids appliqués à un nœud, c'est-à-dire sous
forme de valeurs multiplicatives appliquées aux entrées d’un neurone. Les réseaux de
neurones sont devenus des méthodes d’apprentissage automatique très connues pour
des applications de classifications, connaissances de forme, optimisations et
prévisions. Le réseau de neurones est donc appelé : perceptron multi-couches (Multi
layer perceptron - MLP).

Un modèle d’un neurone : L'unité de calcul de base du cerveau est le neurone.

Chaque neurone reçoit des signaux d'entrée de ses dendrites et produit des signaux
de sortie le long de son axone. L'axone se ramifie finalement et se connecte via des
synapses aux dendrites des autres neurones (Figure 20).

Figure 20 : Un neurone dans le cerveau humain

Dans le neurone de computation (Figure 21), le neurone reçoit des signaux qui
sont transmis par des dendrites (des entrées). Ce neurone intègre des signaux par
une opération de multiplication des valeurs d’entrées X avec une matrice de poids W.
Ensuite, une fonction d’activation f est appliquée sur la valeur d’intégration avant de
l’envoyer au neurone suivant.

Les fonctions d’activation : ce sont des fonctions mathématiques appliquées sur

des valeurs intégrées dans chaque neurone (Figure 22). Ils ont deux types de fonction :
les fonctions de régression des valeurs RELU, les fonctions de catégories sigmoid,
tanh :

71
 Figure 21: Un neurone artificiel

RELU :

𝑓(𝑥) = (0, 𝑥)

Sigmoïde :

1
𝑓(𝑥) =
1 + 𝑒 −𝑥
Tanh :

𝑒 𝑥 − 𝑒 −𝑥
𝑓(𝑥) =
𝑒 𝑥 + 𝑒 −𝑥

RELU fonction Sigmoide fonction Tanh fonction

Figure 22 : Graphiques des fonctions d'activation

Un réseau de neurone artificiel, c’est une organisation des couches

hiérarchiques, où chaque neurone d’une couche est connecté à tous les neurones de
la couche précédente ainsi qu’à ceux de la couche suivante. Cependant, les neurones
qui appartiennent à la même couche ne sont pas connectés entre eux. Les valeurs
sont transférées par une seule direction d’une couche à la couche qui la suit. Il y a trois
types de couche : une couche d’entrée, une couche de sortie et des couches cachées.
La couche d’entrée envoie des valeurs à tous les neurones de la couche suivante. Elle
n’a donc pas de couche précédente. Les neurones de cette couche sont des
72
correspondants des variables du tableau de données. La couche de sortie reçoit des
valeurs des neurones de la couche précédente. Cette couche est la dernière couche
du modèle. Le nombre de leurs neurones est le nombre de classes fixées au préalable
pour la classification. Les couches cachées et les matrices de poids représentent des
connaissances qui sont extraites du modèle perceptron multicouches - MLP. Le
processus d'entraînement passe par deux étapes : feedforward et backpropagation.

Le feedforward : Figure 23, un réseau MLP avec L couches, une couche

d’entrée 𝐶 (1) et une couche de sortie 𝐶 (𝐿) . La couche cachée 𝑙 è𝑚𝑒 , 𝐶 (𝑙) , a une matrice
(𝑙)
de 2-dimension 𝑊 (𝑙) avec 𝑊𝑖𝑗 est le poids de transfert de la valeur du neurone 𝑖 è𝑚𝑒 de

la couche (𝑙 − 1) au neurone 𝑗 è𝑚𝑒 de la couche (𝑙).

Figure 23 : Modèle d'un réseau de neurones

Les valeurs sont transférées de couche à couche (Figure 24). Si 𝑋 (𝑙−1) sont des
sorties de couche (𝑙 − 1), les sorties 𝑋 (𝑙) de couche (𝑙) sont calculées par l’application
d’une fonction d’activité f sur la somme des valeurs de sorties de la couche (𝑙 − 1):

𝑋 (𝑙) = 𝑓 (𝑙) (𝑊 (𝑙) 𝑋 (𝑙−1) + 𝑏 (𝑙) )

Soit un tableau de données supervisées 𝑛𝑥𝑚 : 𝐷 = {𝑋|𝑌} , X est un ensemble
des variables 𝑋 = {𝑋1 , 𝑋2 , … , 𝑋𝑛 } et 𝑌 = {𝑦1 , 𝑦2 , … , 𝑦𝑚 } est un ensemble des valeurs
supervisées. Les valeurs de prédiction 𝑌̂ sont données par :

𝑌̂ = 𝑓 (𝐿) (𝑊 (𝐿) 𝑋 (𝐿−1) + 𝑏 (𝐿) )

73
 Dans la dernière couche, il existe une fonction qui permet d’évaluer la qualité
du modèle. La fonction est souvent appelée loss-function ou cost-function, et la
valeur calculée par cette fonction est appelée "loss" ou "cost". L’objectif du loss-
function est de minimiser l'erreur de prévision : Mean Square Error, Cross Entropy
Loss.

Figure 24 : Illustration de l'étape Feedforward

Le Mean Square Error, MSE, est calculé par la moyenne des différences au
carré des valeurs prévues et réelles. Sa valeur est importante quand le modèle
présente plus d’erreurs. Son meilleur résultat est égal à zéro (0). Le Mean Square
Error (MSE) est donné par :
𝑛
1
𝐶𝑜𝑠𝑡 = ∑ ‖𝑦𝑖 − 𝑦̂𝑖 ‖2
𝑛
𝑖=1

Le Cross Entropy Loss calcule un score qui résume la différence moyenne

entre les distributions de probabilité réelles et prédites pour toutes les classes du
problème. L’objectif est d’atteindre la valeur d’un score minimum. La valeur parfaite de
Cross Entropy Loss est zéro (0). Le Cross Entropy Loss est donné par :
𝑛

𝐶𝑜𝑠𝑡 = − ∑ (𝑦𝑖 𝑙𝑜𝑔 𝑙𝑜𝑔 𝑦̂𝑖 + (1 − 𝑦𝑖 ) 𝑙𝑜𝑔 𝑙𝑜𝑔 (1 − 𝑦̂𝑖 ) )

𝑖=1

Le Backpropagation : Figure 25, l’algorithme de Backpropagation a été

proposé dans les années 1970s mais son importance n’a pas été appréciée avant les
travaux de David Rumelhart, Geoffrey Hinton, et Ronald Williams (Rumelhart et al.,
1986). Leurs études ont décrit des réseaux de neurones où l’algorithme
Backpropagation fonctionne plus rapidement que les approches d’apprentissage
antérieures, ce qui permet d’utiliser des réseaux de neurones pour résoudre les
problèmes insolubles. Aujourd’hui, l’algorithme backpropagation est le plus efficace

74
parmi les algorithmes d’apprentissage d’un réseau de neurones. Cet algorithme se
base sur les optimisations des valeurs de loss-function (Cost) en utilisant des
𝜕𝐶𝑜𝑠𝑡
dérivées partielles
𝜕𝑤
de la fonction Cost par rapport à chaque poids 𝑤. Les

méthodes d’optimisation sont principalement des gradient descent, Stochastic

gradient descent, mini-batch gradient descent. Elles sont souvent utilisées dans
les processus d'entraînement des réseaux de neurones.

Les dérivées partielles de loss-function par rapport aux valeurs de sorties de

la couche (𝐿) sont données par :

(𝐿) 𝜕𝑐𝑜𝑠𝑡 𝜕𝑐𝑜𝑠𝑡

𝛿𝑖 = (𝐿)
=
𝜕𝑥𝑖 𝜕𝑦̂𝑖
(𝐿)
𝛻𝑋 𝐶𝑜𝑠𝑡 est défini comme un vecteur composant des dérivées partielles 𝛿𝑖

(𝐿)
𝛻𝑋 𝐶𝑜𝑠𝑡 = {𝛿𝑖 }

Figure 25 : Illustration de l'étape backpropagation.

L’opération Hadamard product ⨀ : soient A et B qui sont deux matrices MxN,

l’opération Hadamard product entre A et B est définie par : 𝐶 = 𝐴⨀𝐵 avec 𝐶𝑖,𝑗 =
𝐴𝑖,𝑗 𝐵𝑖,𝑗 , (1 ≤ 𝑖 ≤ 𝑁, 1 ≤ 𝑗 ≤ 𝑀)

Les erreurs de couche de sortie (𝐿) sont calculées avec l’opération Hadamard
product ⨀ données par :

𝛿 (𝐿) = 𝛻𝑋 𝐶𝑜𝑠𝑡⨀ 𝑓 ′ (𝑋 (𝐿) )

Pour la rétro-propagation, le sens part de la couche (L-1) vers la couche (1). Les
erreurs de la couche (𝑙) sont calculées par des erreurs de la couche suivante (𝑙 + 1)
par :

75
 𝛿 (𝑙) = (𝑊 (𝑙+1) 𝛿 (𝑙+1) )⨀ 𝑓 ′ (𝑋 (𝑙) )
La mise à jour des poids w de chaque couche (𝑙) dans l’itération 𝑡 est donnée
par :
(𝑙) (𝑙) (𝑙)
𝑊𝑡 = 𝑊𝑡−1 − 𝜂 . 𝛿𝑡
En résumé, l’algorithme backpropagation se présente comme suit :

1. Collecter des données observées. {X|Y}

2. La boucle : pour chaque itération t

2.1. Propager des valeurs X de la couche (1) à la couche (L)

2.2. Calculer Loss-Function :

2.3. Rétro-propager des erreurs de la couche (L) à la couche (1) :

2.4. Mettre à jour des matrices de poids par la méthode Gradient

descent : Avec la vitesse de calcul

3. La condition d’arrêt de boucle

6.5.2 Convolutional neural network : CNN

Convolutional neural network (CNN) est un type particulier du réseau de

neurones qui est entraîné plus facilement, et meilleur qu’un réseau de neurones avec
des connectivités totales entre les couches adjacentes. Il gagne des succès pratiques
dans la période de deep learning. Le CNN est largement adopté dans le domaine de
traitement des images (LeCun et al., 2015). Les CNNs sont conçus pour traiter des
données qui se présentent sous la forme de tableaux multiples, par exemple des
images colorées avec 03 bandes (RGV) ou les images multi spectrales. De
nombreuses modalités de données se présentent sous la forme de tableaux multiples
: 1D pour les signaux et les séquences, y compris le langage ; 2D pour les images ou
les spectrogrammes audio ; et 3D pour les images vidéo ou volumétriques. Les CNNs
reposent sur quatre idées clés : connexions locales, poids partagés, agrégation des
caractéristiques et utilisation de nombreuses couches (LeCun et al., 2015).

L’architecture du CNNs (Figure 26) s’organise en une série de couches : couche

convolutive, couche de regroupement, couche perceptrons. Les unités dans une
couche convolutive sont organisées dans les feature-maps dans lesquelles chaque
unité est connectée aux patch locaux dans la couche précédente par les matrices de
poids partagées qui sont appelées filter-bank. Le rôle de la couche de regroupement

76
(pool-layer) est la fusion des caractéristiques dans une fenêtre MxM en un pixel par
des opérations maximales ou moyennes. Après une couche de regroupement, les
feature-maps sont réduites. Ses bases caractéristiques sont conservées pour l’étape
suivante.

Figure 26 : Modèle CNN avec 02 couches convolutives, 02 couches de regroupement, une couche
perceptron. Les images de l’entrée ont la taille 8x8, et la sortie a 05 classes de classification.

Dans une couche convolutive (Figure 27, Figure 28), les images ou les feature-
maps sont convolutées avec un ensemble K noyaux 𝑊 = {𝑊1 , 𝑊2 , … , 𝑊𝐾 } et 𝛾 =
{𝑏1 , 𝑏2 , … , 𝑏𝑘 }. La dimension de chaque noyau est k. Le feature-map de couche (𝑙) est
calculé par une opération convolutive ⨂ avec le noyau k qui est donnée par :
(𝑙) (𝑙−1) (𝑙−1)
𝑋𝑘 = 𝑓(𝑊𝑘 ⨂ 𝑋 (𝑙−1) + 𝑏𝑘 )
Dans la Figure 26, l’image d’origine est une image de Sentinel-2, la mission de
classification est la détection des occupations du sol de la province Trande au delta
du Mekong. Le modèle CNN est installé par plusieurs couches convolutives et couches
de regroupement. Dans la première couche convolutive, il y a 64 noyaux de 3x3
dimensions. Six feature-maps sont sélectionnées avec des caractéristiques très
particulières. Les caractéristiques sont utilisées pour classifier des classes : eau (a),
bâtiment (c), des végétations (d), des non végétations (f), etc.

Une fonction de regroupement remplace la sortie de la couche à une position

par une statistique récapitulative des pixels voisins. Par exemple, l'opération de
pooling-max (Zhou et Chellappa, 1988) rapporte la sortie maximale dans un voisinage
rectangulaire. D'autres fonctions de regroupement populaires incluent la moyenne d'un

77
quartier rectangulaire, la norme 𝐿2 d'un quartier rectangulaire ou une moyenne
pondérée basée sur la distance du pixel central.

Figure 27 : Exemple de l'opération convolutive.

Figure 28 : Fonctions Max-Pool et Avg-Pool.

6.6. Evaluation de la précision des classifications

Quantifier l'étendue d'une classe d'occupation du sol avec son changement au

fil du temps est une tâche non-triviale. Les superficies de l’occupation du sol sont
déterminées à partir de données de télédétection. De telles cartes sont typiquement
produites par une analyse de classification d'images. Les précisions des étendues de
l’occupation du sol dépendent des résultats des méthodes de classification. Les
récentes estimations des étendues de l’occupation du sol sont étudiées avec par
exemple : l’étendue des zones urbaines (Potere et Schneider, 2007), les superficies
des déforestations (Kuemmerle et al., 2009; Olofsson et al., 2011), et ont donné des
78
résultats avec des hauts taux d’erreurs. Comme illustré dans les dernières études
(Kuemmerle et al., 2009; Liu et Xia, 2010; Xian et Crane, 2005), même lorsque les
classifications sont très précises, il est possible que la précision des cartes de
l’occupation du sol soit faible et que la zone calculée à partir d'une carte de
changement puisse être très biaisée.

A partir des travaux de (Olofsson et al., 2014, 2013) l’objectif de ce chapitre est
de présenter une méthode simple de l’utilisation des informations extraites d’un
processus d’apprentissage automatique. Ceci dans une optique d’évaluation de la
qualité de la carte de l’occupation du sol et d’estimation des superficies des classes
ou du changement de l’occupation du sol pour construire des intervalles de confiance
qui reflètent l’incertitude de cette estimation de superficies obtenues.

Des précisions calculées à partir des modèles d’apprentissage automatique

sont évaluées en se basant sur des comparaisons spatiales explicites (par exemple :
par pixel) entre la carte des classifications et la carte des références comme un
échantillon d'unités. Les estimations des précisions qui sont présentées pour remédier
aux inconvénients de l’évaluation des qualités de carte de l’occupation du sol sont
listées ainsi :

a) Estimation des précisions

b) Estimation des superficies

c) Estimation des erreurs types.

6.6.1 La matrice de confusion

La matrice de confusion, c’est la première méthode pour évaluer des différences

entre des ensembles de catégories (e.g. des segmentations) ou pour calculer des
précisions des classifications d’un modèle d’apprentissage automatique.

La matrice de confusion origine

Une matrice de confusion (Tableau 7) est construite sur la base des

comparaisons entre les objets de deux ensembles qui sont classifiés en k classes.
Chaque ligne correspond à une classe référence (classe réelle), chaque colonne
correspond à une classe estimée (classe de prévision). Dans ce travail, les
échantillons sont illustrés sous une forme d’images en 2D. Chaque valeur 𝑛𝑖𝑗 est le
nombre d’éléments classe référence i correspondant à la classe estimée j. Des
précisions sont calculées par des formules suivantes :

Les précisions de l’utilisateur- UA (User Accuracy).

79
 𝑛𝑖𝑖
𝑈𝑖 = (15)
𝑛𝑖.
Les précisions du producteur- PA (Producer Accuracy).

𝑛𝑖𝑖
𝑃𝑖 = (16)
𝑛.𝑖
La précision globale – OAA (OverAll Accuracy)

∑𝑘𝑖=1 𝑛𝑖𝑖
𝑂= (17)
𝑁
Tableau 7 : Matrice de confusion de k classes.

Classes 1 2 3 ⋯ 𝑘 total

1 𝑛11 𝑛12 𝑛13 ⋯ 𝑛1𝑘 𝑛1.

2 𝑛21 𝑛22 𝑛23 ⋯ 𝑛2𝑘 𝑛2.

⋮ ⋮ ⋮ ⋮ ⋱ 𝑛1𝑘 𝑛1.

𝑘 𝑛𝑘1 𝑛𝑘2 𝑛𝑘3 ⋯ 𝑛𝑘𝑘 𝑛𝑘.

Total 𝑛.1 𝑛.2 𝑛.3 ⋯ 𝑛.𝑘 𝑁

A l'aide des cartes, des superficies de classe i sont représentées par 𝑆𝑖 et la

superficie totale 𝑆𝑡𝑜𝑡 = ∑ 𝑆𝑖 . Pour servir les formules dans les étapes suivantes,
𝑆𝑖
un vecteur des poids (𝑊𝑖 = ) est ajouté à la matrice de confusion (Tableau 7).
𝑆𝑡𝑜𝑡

La matrice de confusion estimée

Le Tableau 8 présente des informations sur l’échantillon en calculant le nombre

d’objets pour chaque classe. Pour avoir des estimations de précisions, la proportion
de la superficie de cellule i, j dans la matrice de confusion est calculée par :

𝑛𝑖𝑗
𝑝𝑖𝑗 = 𝑊𝑖 (18)
𝑛𝑖.

Tableau 8 : Etendue de la matrice de confusion

Classes 𝟏 𝟐 𝟑 ⋯ 𝒌 total Superficies (S) Poids (𝑾 )

1 𝑛11 𝑛12 𝑛13 ⋯ 𝑛1𝑘 𝑛1. 𝑆1 𝑊1

2 𝑛21 𝑛22 𝑛23 ⋯ 𝑛2𝑘 𝑛2. 𝑆1 𝑊2

⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮

𝑘 𝑛𝑘1 𝑛𝑘2 𝑛𝑘3 ⋯ 𝑛𝑘𝑘 𝑛𝑘. 𝑆𝑘 𝑊𝑘

Total 𝑛.1 𝑛.2 𝑛.3 ⋯ 𝑛.𝑘 𝑁 𝑆𝑡𝑜𝑡

80
 Le Tableau 9 est construit avec des proportions 𝑝𝑖𝑗 . Les précisions et ses
estimations sont calculées directement par ce tableau.
Tableau 9 : Matrice de confusion estimée.

1 𝑝11 𝑝12 𝑝13 ⋯ 𝑝1𝑘 𝑝1.

2 𝑝21 𝑝22 𝑝23 ⋯ 𝑝2𝑘 𝑝2.

⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮

𝑘 𝑝𝑘1 𝑝𝑘2 𝑝𝑘3 ⋯ 𝑝𝑘𝑘 𝑝𝑘.

Total 𝑝.1 𝑝.2 𝑝.3 ⋯ 𝑝.𝑘 1

6.6.2 L’estimation des précisions

En remplaçant 𝑝𝑖𝑗 de équation (18) aux équations (19)(20)(21) les estimations

des précisions sont représentées par les formules suivantes qui ont été démontrées
par les études de (Strahler et al., 2006) :

Estimation des précisions de l’utilisateur (User Accuracy) :

𝑝𝑖𝑖
̂𝑖 =
𝑈 (19)
𝑝𝑖.
Estimation des précisions du producteur (Producer Accuracy) :

𝑝𝑖𝑖
𝑃̂𝑖 = (20)
𝑝.𝑖

Estimation de la précision globale (OverAll Accuracy) :

𝑘

𝑂̂ = ∑ 𝑝𝑖𝑖 (21)
𝑖=1

Les estimateurs de la variance sont fournis ci-dessous et la racine carrée de la

variance estimée donne l'erreur type de l’estimateur (Olofsson et al., 2014).

̂:
Estimation des variances pour les précisions de l’utilisateur 𝑈

̂𝑖 (1 − 𝑈
𝑈 ̂𝑖 )
𝑉̂ (𝑈
̂𝑖 ) = (22)
(𝑛𝑖. − 1)
Estimation des variances pour les précisions du producteur 𝑃̂:

81
 1 𝑛.𝑗 (1 − 𝑃̂𝑗 )𝑈
̂𝑗 (1 − 𝑈
̂𝑗 )
𝑉̂ (𝑃̂𝑗 ) = 2[
̂.𝑗
𝑁 (𝑛𝑗. − 1)
𝑛𝑖𝑗 𝑛𝑖𝑗
𝑘 𝑛.𝑖 2 𝑛 (1 − ) (23)
𝑛𝑖.
+ 𝑃̂𝑗 ∑ 𝑖.
]
𝑛𝑖. − 1
𝑖≠𝑗
𝑛.𝑖
̂.𝑗 = ∑𝑘𝑖=1
Avec 𝑁 𝑛𝑖𝑗
𝑛𝑖.

Estimation des variances pour la précision globale 𝑂̂:

𝑘
̂𝑖 (1 − 𝑈
𝑊𝑖 2 𝑈 ̂𝑖 )
𝑉̂ (𝑂̂) = ∑ (24)
(𝑛𝑖. − 1)
𝑖=1

6.6.3 L’estimation des superficies.

Les valeurs de l’estimation des superficies de classes sont calculées par la

formule suivante (Olofsson et al., 2013) :

𝑆̂𝑖 = 𝑆𝑡𝑜𝑡 × 𝑝.𝑖 (25)

L'erreur type de l’estimation des superficies de classe i :

𝑉̂ (𝑆̂𝑗 ) = 𝑆𝑡𝑜𝑡 × 𝑆̂(𝑝.𝑗 ) (26)

Avec 𝑆̂(𝑝.𝑗 ) qui sont des erreurs types de chaque classe j estimée doivent être
calculées par la formule de (Cochran, 1977) :

𝑘
𝑝𝑖𝑗 (1 − 𝑝𝑖𝑗 )
𝑆̂(𝑝.𝑗 ) = √∑ 𝑊𝑖 2 = (27)
(𝑛.𝑗 − 1)
𝑖=1

6.6.4 Les exemples

Evaluation des précisions d’une carte d’occupation

Dans cet exemple, une carte d’occupation du sol (Figure 29) est générée par
une application de la méthode CNN – Convolutional Neuron Network pour détecter
cinq classes d’occupation du sol qui sont : l’eau permanente, les rizières, les
bâtiments, les vergers, les forêts. Des données de validation ont été générées sous
forme de polygones, ou région d’intérêt (ROI), depuis une carte de référence. Le
processus de l’estimation des précisions commence en construisant le tableau de
confusion étendue (Tableau 10):

82
 Tableau 10 : Matrice de confusion de la carte d'occupation du sol au delta du Mékong en 2019.

Superficie
Classes 1 2 3 4 5 Pixels Poids (Wi)
(km2)

Eau 89301 0 0 0 112 89413 270.87 0.0234

Rizières 174 83256 40 0 2121 85591 6,181.17 0.5346

Bâtiment 127 1001 22341 712 906 25087 718.69 0.0622

Jardin 0 1274 58 140622 3737 145691 1,680.25 0.1453

Forêt 423 1121 82 698 252028 254352 2,710.49 0.2344

Total 90025 86652 22521 142032 258904 600134 11,561.46 1.0000

Des précisions sont calculées à l’aide de la matrice de confusion, pour évaluer

la qualité de la méthode CNN à l’aide du logiciel E-cognition 10.0. Dans le Tableau 11,
les valeurs de la précision reflètent une bonne qualité de classification, cependant, les
incertitudes ne sont pas calculées.
Tableau 11 : Précisions des classifications de l'occupation du sol au delta du Mékong en 2019.

Précision de Précision du
Nom de Classe Code de classe
l'utilisateur producteur

Eau permanente 1 99.9% 99.2%

Rizières 2 97.3% 96.1%

Bâtiment 3 89.1% 99.2%

Jardin 4 96.5% 99.0%

Forêt 5 92.98% 97.3%

Précision globale 97.9%

Figure 29 : Carte de l'occupation du sol de province An Giang et province Dong Thap au delta du
Mékong en 2019.

83
 Ainsi à l’étape suivante, on calcule la matrice de confusion par les formules (18),
(27) (Tableau 12)

Tableau 12 : Matrice de confusion estimée

Classes 1 2 3 4 5 𝑝𝑖.

Eau 0.023399 - - - 0.000029 0.023429

Rizières 0.001087 0.520050 0.000250 - 0.013249 0.534635

Bâtiment 0.000315 0.002480 0.055358 0.001764 0.002245 0.062162

Jardin - 0.001271 0.000058 0.140275 0.003728 0.145332

Forêt 0.000390 0.001033 0.000076 0.000643 0.232300 0.234442

𝑝.𝑖 0.025191 0.524835 0.055741 0.142683 0.251551

𝑆̂(𝑝.𝑗 ) 0.000089 0.000311 0.000129 0.000099 0.000303

Dans la dernière étape, des précisions estimées sont calculées par des formules
(19)(20)(21)(22)(23)(24)(26). Ainsi, on obtient le tableau d’évaluation des précisions
de la carte de l’occupation du sol dans la zone d’étude (deux provinces AnGiang et
DongThap au delta du Mékong) Tableau 13.

D’après la deuxième ligne, dans le Tableau 13:

 La superficie observée est égale à 6,181.169 km2, la superficie estimée

avec son erreur type est égale à 6,067.856 ± 7.191.

 La classe Rizières a une précision de l’utilisateur de 96.1% et une

précision du producteur de 97.3%. Le processus d’estimation donne une
précision estimée de l’utilisateur de 97.27 ± 0.11 % et une précision
estimée du producteur de 99.09 ± 0.03 %.

 Les valeurs de précision estimées sont supérieures à celles des valeurs

d’origine (du Tableau 11) (99.09% > 97.3% ou 97.27%> 96.1%) car la
superficie des rizières est la plus importante (53% au total).

Evaluation des précisions des changements de l’occupation du sol

Dans un deuxième exemple, on a généré deux cartes d’occupation du sol en

2019 et 2020 (Figure 30). A l’aide de méthodes d’estimations des précisions
(Olofsson et al., 2014, 2013) des superficies des changements entre 2019 et 2020
sont données par des valeurs estimées.

84
 Tableau 13 : Estimations des précisions de la carte de l'occupation du sol.

Précision Précision Superficies

Superficies
Classes estimée du estimée de observées
estimées (km2)
producteur % l’utilisateur % (km2)

Eau permanente 92.89 ± 0.64 99.87 ± 0.02 270.868 291.241 ± 2.058

Rizières 99.09 ± 0.03 97.27 ± 0.11 6,181.169 6,067.856 ± 7.191

Bâtiment 99.31 ± 0.14 89.05 ± 0.39 718.686 644.451 ± 2.988

Jardin 98.31 ± 0.09 96.52 ± 0.09 1,680.249 1,649.624 ± 2.278

Forêt 92.35 ± 0.22 99.09 ± 0.04 2,710.493 2,908.293 ± 7.000

Précision globale estimée % 97.14 ± 0.007

Des comparaisons pixel par pixel entre les deux cartes sont présentées dans le
Tableau 14. Des valeurs de (𝑛11 , 𝑛22 , 𝑛33 , 𝑛44 , 𝑛55 ) sont des superficies sans
changement. Celle 𝑛𝑖𝑗 représente le nombre des pixels qui change de 𝑐𝑙𝑎𝑠𝑠𝑒 𝑖 en 2019
à 𝑐𝑙𝑎𝑠𝑠𝑒 𝑗 en 2020. Ici dans cet exemple, des superficies qui changent sont évaluées
par les valeurs estimées dans le Tableau 15 qui donne les proportions du
changements de chaque classe.

Figure 30 : L'occupation du sol en 2019 à gauche et en 2020 à droite.

Tableau 14 : Matrice de changements de l'occupation du sol de 2019 à 2020.

Classe 1 2 3 4 5 Total

Eau 2,342,94 58,385 16,502 3,894 181,879 2,603,604

Rizières 326,378 47,785,422 146,477 850,077 10,305,497 59,413,851

Bâtiment 50,686 1,692,786 3,113,389 987,977 1,063,224 6,908,062

Jardin 10,221 2,268,692 575,195 8,965,911 4,330,660 16,150,679

Forêt 459,016 8,801,034 409,884 1,914,567 14,468,954 26,053,455

Total 3,189,24 60,606,319 4,261,447 12,722,426 30,350,214 111,129,651

85
 Dans le Tableau 15, la précision globale 𝑂𝐴𝐴 = 69 ± 0.01 signifie que le
pourcentage des superficies qui ne changent pas est de l’ordre de 69% avec une
variance égale à 0.01 %. A la ligne 3, la précision de l’utilisateur de la classe bâtiments,
UA = 45.07 ± 0.04 % montre la proportion des changements (1 − 𝑈𝐴) qui est égale à
55 %. La classe bâtiments est la classe qui a connu plus de changements par rapport
aux autres classes.
Tableau 15 : Précisions estimées de la classification par CNN.

Classe PA (%) UA(%) Superficies (km2)

Eau permanente 73.46 ± 0.04 89.99 ± 0.04 331.795 ± 0.215

Rizières 78.85 ± 0.01 80.43 ± 0.01 6,305.228 ± 0.894

Bâtiment 73.06 ± 0.04 45.07 ± 0.04 443.343 ± 0.350

Jardin 70.47 ± 0.02 55.51 ± 0.02 1,323.588 ± 0.567

Forêt 47.67 ± 0.01 55.54 ± 0.02 3,157,509 ± 0.911

OAA (%) 69 ± 0.01

86
Chapitre 7. L’Analyse orientée objet d'images satellite

7.1. Émergence de l'approche « orientée objet »

La plupart des méthodes de traitement d'images développées depuis le début

des années 1970 sont basées sur la classification de pixels individuels en utilisant le
concept d'un espace de caractéristiques multidimensionnelles. Dans (Weng, 2009),
une série de techniques de classification a été présentée et développée pour classer
les images à basse résolution par pixels. Cependant, la demande actuelle de la
communauté de la télédétection et de ses services concerne des résultats de
classification toujours plus rapides et plus précis. Cet objectif n'est pas entièrement
satisfait en raison des différentes caractéristiques de l'imagerie à haute résolution et
des besoins variés des utilisateurs (Wang et al., 2009). Les nouveaux capteurs à haute
résolution augmentent considérablement la variabilité spectrale au sein d'une même
classe et, par conséquent, diminuent la précision potentielle d'une approche de la
classification purement basée sur les pixels. Hay et al. (1996) appellent cela « le
problème de la haute résolution » (Figure 31).

Figure 31 : Relation entre les objets et la résolution spatiale. (a) basse résolution : pixels nettement plus
grands que les objets (b) résolution moyenne : les tailles des pixels et des objets sont du même ordre, les
techniques pixel par pixel sont appropriées.

7.2. Définition du concept de GEOBIA

Dans leur travaux Hay et Castilla (2008) ont défini le concept comme suit :
« L'analyse d'images basée sur les objets géographiques (GEOBIA) est une sous-
discipline de la science de l'information géographique (GEOScience) consacrée au
développement de méthodes automatisées pour partitionner l'imagerie de
télédétection en objets d'image significatifs, et évaluer leurs caractéristiques à travers
les échelles spatiales, spectrales et temporelles, afin de générer de nouvelles
informations géographiques dans un format prêt pour le SIG. »
87
 7.3. Evaluation de GEOBIA

Les évaluations de GEOBIA sont données par Hay et Castilla (2008), elles sont
poursuivies ensuite (Blaschke, 2010; Hay et al., 1996). Grâce à ces travaux, on
connaît les avantages et les inconvénients de GEOBIA.

7.3.1 Avantages de GEOBIA

Les objets-images présentent des caractéristiques utiles (par exemple, la forme,

la texture, les relations contextuelles avec d'autres objets) qui font défaut aux pixels
individuels. Les objets-images peuvent être plus facilement intégrés dans un SIG
vectoriel que les cartes matricielles classées par pixel.

L'utilisation d'objets-images comme unités de base réduit la charge des

classificateurs par ordre de grandeur, tout en permettant à l'utilisateur de tirer parti de
techniques plus complexes. Les objets-images sont moins sensibles au problème des
unités de surface modifiables que les unités qui ne correspondent pas à la structure
du phénomène étudié.

7.3.2 Inconvénient de GEOBIA

Certains des algorithmes d’extraction des objets offrent des options trop
compliquées, ce qui oblige l'analyste à prendre le temps de les régler.

Le traitement de très grands échantillons de données présente de nombreux

défis. Même si GEOBIA est plus efficace que les approches basées sur les pixels, la
segmentation d'une image multi-spectrale de centaines ou de milliers de méga-pixels
est une tâche énorme, d'où la nécessité de solutions efficaces de multi-traitement (des
solutions de traitement en parallèle).

La segmentation ne donne pas de solution unique, par exemple, (i) changer la

profondeur de bit de la mesure d'hétérogénéité peut conduire à des segmentations
différentes. (ii) Même des photo-interprètes humains ne délimitent pas exactement les
mêmes choses.

7.4. Paradigme de GEOBIA

Les facteurs d’un paradigme de GEOBIA sont : des données, des méthodes de
segmentations, des méthodes de classifications (Baatz et al., 2008; Blaschke et al.,
2014; Castilla et Hay, 2008).

88
 7.4.1 Etape de travail dans le cadre de GEOBIA

Figure 32 : Processus de GEOBIA

Les données utilisées dans GEOBIA comprennent des images satellites qui sont
des données entrées. Et elles sont enregistrées sous forme de fichiers RASTER. Les
pixels dans une image sont organisés en 2-dimensions. Chaque pixel est un vecteur
K-valeurs où K est le nombre de bande dans l’image optique. Dans le cas des images
SAR il y a un nombre doubles de polarisations. Et dans la troisième figure de cas, ce
sont les images fusionnées où K est le total des bandes. La structure des données
satellites est présentée dans les sections Chapitre 5, Chapitre 6.

Les objets sont des résultats de l’étape de segmentation (Figure 32) et sont
sauvegardés dans un fichier GIS sous forme des polygones et ses coordonnées. On
a besoin d’une sous-étape pour extraire les caractéristiques (les moyennes, les écarts-
types, la superficie, ...). Les échantillons entraînés et les échantillons validés sont
collectés à partir des objets extraits dans l'étape de segmentation avec des
informations d’observation.

7.4.2 Méthodes de machine learning

Méthodes non-supervisées

Dans GEOBIA, la segmentation est la partition d'un ensemble de mesures sur

la base de l'homogénéité. Elle divise une image ou toute donnée matricielle ou
ponctuelle en régions spatialement continues, disjointes et homogènes appelées
« Objets » (Blaschke et al., 2014). Les objets sont des facteurs principaux dans le
processus de GEOBIA. Ils sont extraits physiquement par des découpages avec une

89
fenêtre m x m ou des algorithmes d’apprentissage automatique non-supervisés. Dans
cette thèse, les méthodes de segmentations sont présentées dans la section 6.3. Les
algorithmes de segmentation donnent plusieurs paramètres. Et les optimisations des
paramètres améliorent l'homogénéité intra-segment, l'hétérogénéité inter-segment et
la précision de la classification (Gao et al., 2011; Yang et al., 2015)

Méthodes supervisées

Les algorithmes d’apprentissage automatique supervisés ont été utilisés comme

les méthodes de classification automatique. Il y a des méthodes de classification
appliquées sur des travaux de télédétection, par exemple Support vector machine,
Random Forest, Multi-Layer Perceptron (Yang et al., 2015)

7.4.3 Méthodes de deep learning

Depuis 2006, les algorithmes utilisant l'apprentissage profond (Deep Learning)

sont populaires pour l’analyse des images de télédétection (Hinton et al., 2006; Zhu et
al., 2017). Il y a des architectures puissantes de modèles Deep Learning qui ont été
développées pour la classification des images de télédétection (Boualleg et al., 2019)
par exemple celui de CNN (Figure 33). Les comparaisons des performances entre des
algorithmes d’apprentissage automatique et des algorithmes Deep Learning sont
présentées dans les études de (Fu et al., 2018; Jozdani et al., 2019). Selon ces
travaux, on a discuté des performances des algorithmes Deep Learning par rapport
aux algorithmes d’apprentissage automatique classiques pour la classification des
images satellites.

Figure 33 : Modèle Générale de CNN.

90
Partie 3 : De l’acquisition des données aux
Applications

91
Chapitre 8. Détection des changements de l’occupation du sol
dans le delta du fleuve Rouge (Viêt-Nam)

L’étude de l’utilisation et la couverture du sol est essentielle dans la planification

spatiale et l’élaboration des plans de gestion, notamment pour la conservation de l'éco-
environnement et la planification urbaine dans les zones côtières. Récemment, en plus
de la disponibilité de l'imagerie satellitaire européenne à très haute résolution (VHR)
comme Sentinel-2, l'utilisation des nouvelles méthodes comme celles basées sur les
objets d’image est combinée avec l'imagerie VHR pour produire de meilleurs résultats.

Dans un but de cartographier les changements d'utilisation des terres dans le

delta du fleuve Rouge au Viêt-Nam, cette première application met en œuvre un
traitement d'images via une analyse basée sur les objets (GEOBIA). Il s'agit à la fois
d'une opportunité et d'un défi pour GEOBIA dans la cartographie et la surveillance de
l'utilisation des terres.

Avec l'avènement des données multi-capteurs et à plus haute résolution

spatiale, la recherche s'est concentrée sur la texture de l'image ainsi que sur les
informations contextuelles qui décrivent l'association des valeurs des pixels voisins et
qui se sont avérées capables d’améliorer les résultats de la classification des images
(Hay, 1994; Hay et al., 1997; Marceau et al., 1990).

La nouveauté de cette application est d'ordre méthodologique. La méthodologie

propose un processus en deux étapes de segmentation puis de classification des
segments créés. Le processus de segmentation initial influence fortement la précision
de la classification. Il est généralement très difficile d'obtenir des résultats de
segmentation satisfaisants en utilisant les mêmes paramètres pour tous les objets des
images.

8.1. Zone d'étude

De par sa position géographique, le delta du fleuve Rouge (Figure 34) regroupe

la majorité de la population et de l'activité économique de la moitié nord du Viêt-Nam
où environ la moitié de la production de riz du pays s'y déroule. En revanche,
l'exploitation intensive des ressources par une population surabondante (densité de
population de 962 habitants/km²) pose d'importants problèmes. Par ailleurs, des
inondations périodiques menacent les activités agricoles dont le rendement s'accélère,
ce qui fragilise l'environnement (voir titre 3.1).

92
 Figure 34 : Delta du fleuve Rouge au Viêt-Nam.

La récente transition du pays vers une économie de marché a entraîné une

augmentation des rendements à la suite d'activités agricoles intensifiées qui ont
conduit à une plus grande vulnérabilité environnementale.

Dans les zones résidentielles, situées sur des terrains plus élevés et hors de
portée des inondations, l’occupation des terres est caractérisée par la présence des
villages ou l’on trouve des vergers saisonniers et des arbres d'ombrage comme le
bananier, l'eucalyptus et le filao, ainsi que quelques arbres fruitiers. Dans certaines
zones de haute altitude, le filao est cultivé pour la production de bois et pour la
protection des villages de l'intérieur contre les tempêtes. Dans la région côtière,
l’occupation des terres est principalement de type agricole, avec le riz comme
principale culture. Dans certaines zones très basses, salées et récemment défrichées,
le scirpe est temporairement cultivé pour améliorer la qualité du sol avant de laisser
place aux cultures de riz. Au contraire, dans les zones côtières salines et les estuaires,
la végétation se développe naturellement pour former des forêts. Cependant, la
formation végétale prédominante est la forêt de palétuviers, principalement du type
Sonneratia, avec une hauteur allant de 1 à 3,5 m partie importante de cette zone est
actuellement couverte par des étangs d'aquaculture pour la culture de crevettes et de
crabes, utilisant des méthodes industrielles aussi bien que traditionnelles (Niculescu
et Lam, 2019).

93
 8.2. Données mises en œuvre

Pour cette application, nous avons utilisé les données du satellite optique
Sentinel-2 et les données optiques de Landsat-8 (Tableau 16). La principale source
de données provient des satellites Sentinel-1. Toutes les images Sentinel-2 (niveau
1C) couvrant l'ensemble de la zone d'étude ont été téléchargées depuis le Sentinel
Scientific Hub de l'ESA (ESA, 2018). Ce satellite est capable de fournir des images
avec une largeur au sol de 290 km, et une périodicité de 5 jours. Les acquisitions sont
réalisées selon trois résolutions en fonction de la bande spectrale : 10, 20 et 60 m
(Tableau 17).

Par ailleurs des images Landsat ont été téléchargées depuis le site officiel
Landsat [Link] Le satellite Landsat-8 transporte une charge
utile à deux capteurs, l'imageur terrestre opérationnel (OLI) et le capteur infrarouge
thermique (TIRS). L'OLI dispose de deux bandes supplémentaires de longueurs
d'onde réfléchissantes : une nouvelle bande bleue à courte longueur d'onde (0,43 -
0,45 μm) destinée à améliorer la sensibilité à la chlorophylle et aux autres matières en
suspension dans les eaux côtières et à récupérer les propriétés des aérosols
atmosphériques, et une nouvelle bande infrarouge à ondes courtes (1,36 - 1,39 μm)
pour la détection des cirrus. Les autres bandes OLI sont spectralement plus étroites
dans la plupart des cas que les bandes ETM+ correspondantes (Roy et al., 2014)
(Tableau 18).

Les dates de prise de vue des images satellites disponibles pour la zone
d’étude, ont été choisies en fonction des principales étapes de la culture du riz dans le
delta du fleuve Rouge.

D'une manière générale, il y a deux saisons de récolte par an dans le delta du

fleuve Rouge : la saison printemps-été (de février à juillet) et la saison automne-hiver
(d'août à janvier). La première étape concerne les préparatifs dans les rizières : à partir
de la mi-janvier, la récolte ayant lieu 100 jours plus tard, fin avril/mai. La deuxième
étape à partir de la fin du mois de mai, concerne les préparations du sol après la
première récolte, cette étape se produit jusqu'à la fin du mois d'août/début du mois de
septembre. Par ailleurs, de septembre à la mi-janvier, on cultive des légumes (Tableau
19 et 20)

94
 Tableau 16 : Ensemble de données satellitaires disponibles.

Number Date Satellite

1 05/26/2018 Sentinel-2

2 06/20/2018 Sentinel-2

3 07/05/2018 Sentinel-2

4 11/02/2018 Sentinel-2

5 12/17/2017 Sentinel-2

6 09/17/2017 Landsat-8

7 07/30/2017 Sentinel-2

8 04/21/2017 Sentinel-2

9 06/15/2016 Sentinel-2

10 04/23/2016 Landsat-8

11 06/15/2016 Sentinel-2

12 04/23/2016 Landsat-8

Tableau 17 : Résolutions spatiales et spectrales du satellite Sentinel-2.

Bande passante
Sentinel-2 Bands longueur d’onde (µm) Résolution (m)
(nm)

Band 1-Coastal aerosol 0.443 60 20

Band 2-Blue 0.49 10 65

Band 3-Green 0.56 10 35

Band 4-Red 0.665 10 30

Band 5-Vegetation Red Edge 0.705 20 15

Band 6-Vegetation Red Edge 0.74 20 15

Band 7-Vegetation Red Edge 0.783 20 20

Band 8-Near Infrared (NIR) 0.842 10 115

Band 8A-Narrow NIR 0.865 20 20

Band 9-Water vapor 0.945 60 20

Band 10-SWIR—Cirrus 1.375 60 20

Band 11-SWIR 1 1.61 20 90

Band 12-SWIR 2 2.19 20 180

95
 Tableau 18 : Résolutions spatiales et spectrales du satellite Landsat-8.

(micromètres) (mètres)

Band 1-Coastal aerosol 0.43 - 0.45 30

Band 2-Blue 0.45 - 0.51 30

Band 3-Green 0.53 - 0.59 30

Band 4-Red 0.64 - 0.67 30

Band 5-Near infrared (NIR) 0.85 - 0.88 30

Band 6-SWIR 1 1.57 - 165 30

Band 7-SWIR 2 2.11 - 2.29 30

Band 8-Panachromatique 0.50 - 0.68 15

Band 9-Cirrus 1.36 - 1.38 30

Band 10-Thermal infrared (TIRS) 1 10.60 - 11.19 100

Band 11-Thermal infrared (TIRS) 2 11.50 - 12.51 100

8.3. Méthodologie

La méthodologie porte sur le traitement et l'analyse des images des satellites

Sentinel-2 et Landsat-8 (Figure 35) via l'application de l'analyse d'image GEOBIA en
combinaison avec l'empilement des séries temporelles.

GEOBIA est un paradigme évolutif avec des outils, des logiciels, des méthodes,
des règles et un langage spécifique et il est de plus en plus utilisé pour les études qui
ont besoin de conceptualiser et de formaliser les connaissances représentant la réalité
basée sur l’emplacement (Blaschke et al., 2014). Le processus de classification de
cette méthode utilise un processus de segmentation hiérarchique au stade du
prétraitement afin que les caractéristiques de l'objet puissent être complétées par des
informations supplémentaires telles que la texture, le contexte et d'autres informations
liées à l'objet.

8.3.1 Calcul du NDVI

La première étape du traitement des images, Sentinel-2 et Landsat-8, est le

calcul du NDVI (Normalized Difference Vegetation Index) (Rouse et al., 1973), qui est
un indicateur permettant de décrire la verdeur, la densité et l’état de la végétation.

96
 Les indices de végétation ont été calculés pour l'image de réflectance Sentinel-
2A, il est défini par la réflectance de la bande rouge (RED) et de la bande proche
infrarouge (NIR) car elles détectent des profondeurs très différentes à travers les
couverts végétaux. La bande Rouge se situe dans la région de forte absorption de la
chlorophylle, tandis que la bande NIR présente une réflectance élevée du couvert
végétal dans cette zone.

Indice de végétation pour Sentinel-2

Tableau 19 : Calendrier du riz dans la zone de la côtière du delta du fleuve Rouge

Saison de
Période culture croissance récolte
culture

Récolte Précoce 12/25-12/30 02/05-02/10 05/20-05/25

Printemps- été Récolte annuelle 01/05-01/20 02/20-02/25 06/01-06/15

Récolte tardive 02/25-03/05 01/25-02/05 06/25-06/30

Récolte Précoce 05/20-05/30 06/01-06/10 09/01-09/10

Automne - hiver Récolte annuelle 06/01-06/10 06/10-06/20 10/25-11/10

Récolte tardive 06/25-07/05 06/25-07/05 11/05-11/25

Indice de végétation pour Landsat-8

Une fusion ou empilement des couches a été effectué en ajoutant toutes les
couches d'images optiques traitées, et ce après une normalisation des couches à la
même plage de valeurs. Les couches d'images suivantes ont été empilées :

 Images 2016 : Bandes de réflectance Sentinel-2A (4 × 2 = 8 bandes) ;

NDVI Sentinel-2A (2 bandes) ; avec un total 2016 = 10 bandes ;
 Images 2017 : Sentinel-2A (4 × 3 = 12 bandes) ; bandes de réflectance
Landsat-8 (4 bandes) ; NDVI Sentinel-2A (3 bandes) ; NDVI Landsat-8
(1 bande) ; Total 2017 = 20 bandes.
 Images de 2018 : Bandes de réflectance Sentinel-2A (4 × 4 = 16
bandes) ; NDVI Sentinel-2A (1 × 4 = 4 bandes) ; Total 2018 = 20
bandes.
97
 Figure 35 : Chaîne de prétraitement et de traitement.

Tableau 20 : Calendrier des cultures de riz et passages des Satellites (bleu Landsat, jaune Sentinel -2).

8.3.2 Segmentation des images

Une multi segmentation des images à l'aide du nouvel outil Estimation du

Paramètre d'Échelle (ESP2) a été effectuée, c’est une étape fondamentale dans
GEOBIA, mais il n'existe actuellement aucun outil permettant de guider objectivement
la sélection des échelles appropriées pour la segmentation, à l'exception de l'outil
Estimation des Paramètres d'Échelle (ESP2) (Figure 36).

L'ESP permet une estimation rapide des paramètres d'échelle pour une
segmentation multirésolution dans l'environnement logiciel Definiens. ESP, analyse la
variance locale (LV) de l'hétérogénéité des objets des images satellite. En nous

98
appuyant sur les résultats de Kim et al. (2008), nous avons utilisé le concept de LV
(Woodcock et Strahler, 1987) pour créer un outil qui informe sur la sélection des
paramètres d'échelle appropriés pour la segmentation dans Definiens Developer.

L'ESP génère itérativement des objets-images à plusieurs niveaux d'échelle

dans une approche ascendante et calcule la LV pour chaque échelle. La variation de
l'hétérogénéité est explorée en évaluant la LV en fonction de l'échelle correspondante.
Les seuils des taux de changement de LV (ROC-LV) indiquent les niveaux d'échelle
auxquels l'image peut être segmentée de la manière la plus appropriée, par rapport
aux propriétés des données au niveau de la scène (Drǎguţ et al., 2010). L'outil ESP
est programmé en Cognition Network Language (CNL) dans le logiciel Definiens
Developer, qui est un langage de programmation modulaire pour les applications OBIA
(Tiede et al., 2008). Il est implémenté comme un processus personnalisé qui peut être
appliqué facilement comme d'autres processus de création d'ensembles de règles
basées sur l'objet dans le logiciel Definiens. Six paramètres définis par l'utilisateur sont
utilisés : 1) la taille de l'étape de la paramètre d'échelle croissante, 2) paramètre
d'échelle de départ pour l'analyse, 3) utilisation d'une hiérarchie d'objets pendant la
segmentation, 4) nombre de boucles, 5) pondération de la forme, et 6) pondération de
la compacité. Les paramètres (2), (5) et (6) sont décrits par (Baatz et Schape, 2000;
Benz et al., 2004) et sont utilisés tels qu'implémentés dans la segmentation
multirésolution (Drǎguţ et al., 2010).

Figure 36 :Segmentation ESP2. Paramètre de segmentation : échelle 20 ; forme

0.05 ; compacité 0.1 ; pondération des bandes de visible : 1 ; pondération des bandes
NDVI : 2.

99
 8.3.3 Classification des images

Une classification des données de séries temporelles Sentinel-2 et Landsat-8 a

été effectuée dans le but de cartographier l'occupation et l'utilisation du sol dans le
delta du fleuve Rouge au Viêt-Nam. Un ensemble de type d'occupation/utilisation des
sols d'intérêt a été défini, à savoir : aquaculture, mangroves, riz, légumes, villages, eau
et zones humides. La classification s’est faite en se basant sur des algorithmes
d’apprentissage automatique RF et MLP.

Random Forest

Une méthode d'apprentissage d'ensemble bien connue qui combine K arbres

CART binaires (arbres de classification et de régression) a été appliquée sur
l’ensemble des images. Il s’agit de l’algorithme Random Forest (RF) ou forêts
aléatoires (Breiman, 2001). Une forêt aléatoire est construite en générant des arbres
de décision pour des sous-échantillons de données. Les arbres de décision sont les
éléments constitutifs des forêts aléatoires. Par conséquent, les temps de formation et
de classification d'un seul arbre de décision sont inférieurs à ceux des forêts aléatoires
comportant plusieurs arbres. Les arbres RF sont construits sans élagage et
sélectionnent aléatoirement à chaque nœud un sous-ensemble de variables d'entrée.
Actuellement, le nombre de variables utilisées pour diviser un nœud RF (noté m)
correspond à la racine carrée du nombre de variables d'entrée. Les paramètres
correspondants au Random Forest sont :

a) La profondeur maximale de l'arbre (max_depth) : ce paramètre contrôle

le nombre de couches de l'arbre. Un sous-ensemble de variables (dont
le nombre est représenté par le terme m) est choisi, étant inférieur par
rapport au nombre de variables, la meilleure division est déterminée sur
ce sous-ensemble de variables.

b) Le nombre minimal d'échantillons dans chaque nœud : ce paramètre

détermine la précision de la classification. Plus on utilise de variables,
plus les corrélations entre les arbres de décision sont importantes et plus
la précision de la classification est élevée (moins de pixels mal classés).

c) Dans cette application, les valeurs des paramètres utilisées pour

Random Forest sont les suivantes : Profondeur maximale de l'arbre = 25,
Nombre minimal d'échantillons dans chaque nœud = 50 avec un
regroupement des valeurs possibles d'une variable catégorielle k = 8.

100
 Multi-Layer Perceptron (MLP)

Le Multi Layer Perceptron (MLP) qui est un algorithme d'apprentissage

supervisé de type linéaire le plus simple de réseau de neurones artificiels a été
appliqué pour l’analyse de l’ensemble d’image. Cet algorithme est utilisé pour les
classificateurs binaires (séparation de deux classes). Il est composé de plusieurs
unités appelées « neurones » organisées en couches : couche d'entrée, couche de
sortie, une ou plusieurs couches cachées (Figure 37).

Figure 37 : Modèle MLP

L’ensemble de neurones de la même couche est sans connexion entre eux. Les
neurones sont reliés entre eux, de couche en couche, par des connexions pondérées.
Ce sont les poids de ces connexions qui régissent le fonctionnement du réseau et qui
« programment » une application de l'espace des entrées à l'espace des sorties au
moyen d'une transformation non linéaire.

Pour notre application, nous avons opté pour un modèle (Figure 37) avec 20
entrées de bandes, 32 neurones sur la première couche cachée, 64 neurones sur la
deuxième, 32 neurones sur la troisième et 5 classes sur la couche de sortie. Le
processus d'apprentissage passe par deux étapes : l'anticipation et la rétro-
propagation.

101
 8.4. Résultats et discussion

Dans le but d'évaluer la performance et l’apport des algorithmes

d’apprentissage automatique pour la cartographie de l'occupation et de l'utilisation du
sol, une analyse des données de séries temporelles Sentinel-2 et Landsat-8 a été
effectuée. La méthodologie et les algorithmes ont été utilisés pour améliorer la
précision de la reconnaissance et de la cartographie de l'occupation et de l'utilisation
du sol dans le delta du fleuve Rouge au Viêt-Nam.

8.4.1 Résultat des Random Forest

Pour les résultats de l’algorithme Random Forest, nous constatons qu’en ce qui
concerne la distribution des classes (type) d'utilisation des terres dans le district, les
champs agricoles (rizières) situés à l'intérieur des digues couvrent plus de 40% de la
surface totale pendant les trois années d'observation. L'eau couvre environ de 23 % à
28 % de la surface et est principalement représentée par la mer, le fleuve Rouge et
les rivières Lân et Tra Ly. Les villages, y compris les jardins, couvrent environ 14 % à
15 % des espaces et sont situés au milieu des rizières. Les sols humides ne se
trouvent pas vraiment à l'intérieur des digues, sauf au bord des canaux d'irrigation,
mais plutôt à l'extérieur des digues, aux embouchures de la rivière Tra Ly au nord et
du fleuve Rouge au sud du district. Les mangroves sont identifiées sur les îles dans
les estuaires de ces mêmes rivières au cours de 2016, mais elles sont devenues très
clairsemées en 2018. En 2018, de nouvelles mangroves ont été plantées autour des
bassins d'aquaculture. Les arbustes immergés sont dispersés à l'extérieur des digues,
parfois à l'intérieur, couvrent environ 1 à 3 % de la surface. En outre, les marais salants
couvrent très peu de territoire, principalement au centre du district et à côté des digues.

D'autre part, les étangs d'aquaculture sont souvent situés à l'extérieur des
digues, mais parfois à l'intérieur, et le pourcentage de surface qu'ils occupent n'a pas
changé en 2016 mais a augmenté d'environ 5 % en 2017 et 8 % en 2018. Les légumes
en général se trouvent souvent dans les basses terres près des rives du fleuve Rouge.

Les résultats montrent une très bonne performance de classification pour toutes
les combinaisons (indice de kappa 0,90 et 0,97). En suivant la procédure standard de
calcul de la précision (Congalton et Green, 2019), nous avons estimé une précision
globale de 93 % (2016), 97 % (2017) et 98 % (2018) et un coefficient de Kappa de
0.90 (2016) et 0,97 (2017 et 2018). Les erreurs de classification par omission et
commission ont été constatées principalement dans la classe « légumes » pour 2016
et dans la classe « zones humides » pour les trois années (Tableau 21).

102
 Tableau 21 : Précision globale et indice de kappa par classe pour les classifications par forêts aléatoires.

Précision (%) optique Précision (%) optique Précision (%) optique

Classe
+ NDVI 2018 + NDVI 2017 + NDVI 2018

Rizière 99 100 97

Villages 100 100 100

Eau 100 100 94

Mangroves 100 100 100

Aquaculture 95 95 99

Végétation basse 93 91 47

Zone humide 76 81 71

Kappa index 0.97 0.97 0.90

Précision globale 0.98 0.97 0.93

Par ailleurs, nous constatons que les zones humides sont confondues avec
l'aquaculture. En Asie notamment, les bassins d'aquaculture sont dominants à
proximité des deltas et des estuaires des fleuves où la culture du riz est également
une pratique importante. L'inondation temporaire des champs pendant la saison de
culture des rizières et les caractéristiques de forme similaires aux étangs d'aquaculture
peuvent créer des erreurs de classification importantes entre ces types lorsque des
approches uni-temporelles sont appliquées. Une série chronologique dense
d'acquisitions Sentinel-2 et Landsat-8 peut aider à distinguer les plans d'eau
temporairement inondés des étangs d'aquaculture inondés relativement stables.

En examinant les changements par les images satellites (Figure 38) dans les
municipalités du district de Tien Hai nous constatons que ces municipalités présentant
les mêmes conditions biophysiques (telles que Nam Phu et Dong Long) ont affiché
plusieurs tendances similaires en matière de changement d'utilisation des terres, du
fait qu'elles possèdent les mêmes écosystèmes côtiers. De plus, leurs différences sont
souvent causées par les activités humaines, à savoir, la fondation récente de Nam
Phu contribuant à l'expansion de ses champs agricoles, et la création hâtive de
l'aquaculture de Nam Phu encourageant le développement d'étangs et la coupe
importante des mangroves. Par ailleurs, les communes ayant des conditions
biophysiques différentes (comme Tây Tiên et les communes de Dong Long) n'ont pas
les mêmes types d'occupation des sols. En effet, les facteurs physiques et
anthropiques n'ont pas le même impact sur les changements d'utilisation des terres.

103
 Nous constatons que, malgré l'enchevêtrement des traitements d'images qui
doivent être améliorés, la détection des changements d'utilisation des terres à l'aide
des images satellites est très utile. Nous avons pu voir comment chaque type
d'utilisation des terres a changé dans le district au cours des années observées afin
d'expliquer la relation entre la libéralisation économique et les changements
d'utilisation des terres. Ces changements reflètent l'impact des facteurs physiques (tels
que les caractéristiques des écosystèmes côtiers qui favorisent les mangroves, les
arbustes immergés, les marais salants et la production aquacole) et des facteurs
anthropiques (la libéralisation économique, la nouvelle politique de stimulation de
l'aquaculture et les plans de développement économique du gouvernement) sur
l'utilisation des terres. Les facteurs anthropiques ont un impact plus important sur les
changements que les facteurs physiques, notamment dans l'augmentation rapide des
étangs d'aquaculture, qui a entraîné à son tour des changements dans les autres types
d'utilisation des terres.

Figure 38 : Occupation du sol en 2016, 2017, 2018 à TienHai, ThaiBinh au Viet-Nam.

104
 8.5. Conclusions

Grâce à son efficacité à détecter les changements d'utilisation des terres et à

identifier les catégories elles-mêmes, le traitement d'images effectué par GEOBIA et
les algorithmes d’apprentissage automatique dans cette application est adapté à la
zone côtière très fragmentée et dynamique du Viêt-Nam. Le traitement d'images
montre la dégradation de l'environnement due aux changements d'utilisation des
terres, notamment la coupe des mangroves et la disparition des rizières et des marais
salants, ainsi que la pollution des bassins d'aquaculture.

Les concepts et méthodes géographiques orientés objet (GEOBIA) ont été

appliqués avec succès à l'étude des changements de la couverture terrestre dans le
delta du fleuve Rouge, dans le district de Tien Hai. Les tendances émergentes ont été
trouvées dans de multiples sous-domaines de GEOBIA, y compris les sources de
données, la segmentation d'images, l'extraction de caractéristiques basées sur les
objets et les méthodes d'analyse. La segmentation consiste à diviser une image - ou
toute donnée matricielle ou ponctuelle - en régions spatialement continues, disjointes
et homogènes appelées « segments ». Dans l'extraction de caractéristiques, elle peut
être considérée comme une fin en soi. Dans GEOBIA, il s'agit d'une étape dans une
chaîne de traitement pour obtenir des « objets significatifs ». Un concept très important
pour distinguer GEOBIA des approches de pixel par pixel est la capacité de traiter une
multiplicité d'échelles dans une image et sur plusieurs images. L'outil ESP2 a été utilisé
pour sélectionner un paramètre qui est unique aux structures du paysage. L'objet de
l'image est classé à l'aide de méthodes d'apprentissage automatique (telles que les
forêts aléatoires) basées sur un modèle de réseau sémantique et des tactiques de
contrôle hybrides (descendantes, ascendantes).

Compte tenu du développement rapide des changements globaux de la zone

côtière, avec tous ses effets positifs et négatifs sur les systèmes socio-écologiques
dominants, l'approche à faible coût démontrée, basée sur des données open source,
est d'une grande pertinence pour tous les aspects, c'est-à-dire la planification, la prise
de décision, la gestion et le suivi, d'une gestion intégrée et durable de la zone côtière.

105
Chapitre 9. Étude et cartographie de l’inondation au niveau du
delta du Mékong

La détection et la cartographie de l’étendue des inondations font partie des

applications les plus importantes du traitement des données satellitaires.
L'identification rapide et précise des zones inondées est essentielle pour soutenir la
planification des interventions d'urgence et fournir une évaluation des dommages dans
les mesures spatiales et temporelles.

Dans le delta du Mékong, les terres touchées par les inondations sont les
rizières. Des études antérieures ont montré que l’identification des rizières touchées
par l’inondation n'est pas une tâche facile (Phan et al., 2018), car il faut distinguer les
eaux permanentes des eaux de crue. Le delta du Mékong est si important sur le plan
écologique, économique et social que de nombreuses études ont été menées au fil
des ans à l'aide de données d'observation de la terre pour caractériser la culture du
riz. La majorité de ces études se sont concentrées sur la délimitation de la distribution
des cultures de riz en utilisant des images satellites optiques (Kontgis et al., 2015;
Morinaka et al., 2006) et des images satellites radar (Liew et al., 1998 ; Karila et al.,
2014 ; Nguyen et al., 2016 ; Kontgis et al., 2017). Ces dernières années, différentes
approches ont été adoptées, notamment le seuillage basé sur l'analyse de la
phénologie du riz et l'apprentissage automatique.

Dans ce contexte, l'objectif de cette deuxième application est, d'une part, de

cartographier l'étendue et les caractéristiques des inondations et, d'autre part, de
cartographier et d'analyser les catégories d'utilisation des sols impactées par les
inondations, en l'occurrence les rizières, à l'aide du SAR Sentinel-1A de 2019 et 2020.
Ceci en prenant comme cas d’étude la province d'An Giang, dans le delta du Mékong,
au Viêt-Nam.

9.1. Méthodologie

Deux algorithmes de classification d’image par apprentissage automatique, à

savoir le réseau neuronal convolutif (CNN) et la forêt aléatoire (RF) (Figure 39), ont
été appliqués en utilisant des données SAR. Ces algorithmes ont été choisis en raison
de leurs capacités à dériver des frontières de décision complexes entre les zones
inondées et non inondées. Les deux ensembles de caractéristiques, VV et VH, et VV,
VH et les trois classificateurs ont été validés par plusieurs mesures de classification et

106
examinés en matière de leurs performances sur deux groupes d'occupation du sol :
les zones inondées et les zones inondables (rizières).

Avant d’expliquer la mise en exécution des algorithmes d’apprentissage

automatique choisis, nous tenterons en premier lieu d'expliquer le rapport entre
l’utilisation des données SAR et la détection de l'extension de l’inondation, et nous
dresserons ensuite la problématique du suivi des rizières par ces données.

Figure 39 : Prétraitement et traitement d’image SAR Sentinel-1.

9.2. Les données SAR et la détection de l’extension de l’inondation :

Dans l'imagerie SAR, l'eau apparaît généralement comme une surface lisse
avec une intensité de rétrodiffusion bien définie. La signature de rétrodiffusion permet
de détecter les plans d'eau. Ces derniers constituent un ‘’réflecteur‘’ spéculaire de
l'impulsion radar, qui entraîne un signal minimal renvoyé au satellite (Jung et al., 2010
; Schlaffer et al., 2015). La rugosité de la surface de l'eau, créée par de fortes pluies
ou par le vent, peut provoquer une rétrodiffusion du signal radar, ce qui augmente la
possibilité que les zones inondées ne soient pas mises en évidence (Alsdorf et al.,
2007 ; Jung et al., 2010). La rétrodiffusion du signal SAR varie également en fonction
de l'angle d'incidence (IA) (donnée en général par les fournisseurs de production) et
des variations de l'angle d'incidence local (LIA) dues à la topographie de la cible et à
l'angle d'incidence (Wilusz et al., 2017). L'intensité de la rétrodiffusion peut être
influencée par les conditions environnementales telles que la topographie du paysage
et les ombres. L'identification de l’extension de l’eau peut être difficile dans les zones

107
où d'autres objets dépassent et interagissent avec le signal radar. Ainsi, il est difficile
de déterminer un seuil général de rétrodiffusion.

En effet, l'environnement peut jouer un rôle très important. Par exemple, l'eau
peut être masquée par la végétation. La couverture végétale, lotus et herbes
aquatiques, peut être une source d'incertitude dans la cartographie de l'étendue de
l'inondation. Selon certains auteurs (Bouvet & Le Toan, 2011), il y a normalement de
grandes zones d'herbes aquatiques et de lacs de lotus répandus pendant la saison
des inondations. Les types de cultures dominants dans les zones d'étude de la
province d'An Giang et de Dong Thap sont le riz et les arbres fruitiers à 2 et 3 saisons.
Les données SAR ont la réponse spécifique de rétrodiffusion radar de la végétation
structurée verticalement sur un sol inondé ou humide et donc la capacité de distinguer
le riz des autres classes de couverture du sol. L'interaction entre une onde
électromagnétique radar et la végétation implique principalement trois mécanismes :
la réflexion directe (spéculaire), le double rebond, et la diffusion volumique (Figure 40).

9.2.1 Le suivi des inondations des rizières :

Le riz est la principale culture dans notre zone d'étude et les rizières peuvent
être affectées par des événements d'inondation. La cartographie de l'étendue des
inondations est un processus qui permet d'identifier les zones terrestres impactées par
la flooding. Dans le même temps, la production de cartes d'utilisation des terres /
couverture des terres (LULC) est devenue un moyen fréquent et répandu et apparaît
comme un indicateur clé pour le suivi des risques d'inondation (An Thi Ngoc Dang &
Lalit Kumar, 2017 ; Mojaddadi et al., 2017). De ce fait, elles peuvent être intégrées
dans les bases de données sur les inondations pour réaliser un zonage des lieux à
risque et déterminer la vulnérabilité au risque d’inondation.

Figure 40 : Représentation schématique des mécanismes de rétrodiffusion dans la bande C pour le riz
(Oryza sativa) avec trois phases principales dans le delta du Mékong (phase végétative, phase reproductive et
phase de maturation) : (a) réflexion directe (spéculaire) ; (b) double rebond ; et (c) diffusion volumique.

108
 Au cours de la première période (phase végétative), les rizières sont
recouvertes d'eau pendant la majeure partie de leur cycle de croissance. Les champs
ne sont inondés que pendant certaines périodes (émergence et tallage de la phase
végétative et booting, épiaison pour la phase reproductive). Le sol reste humide (non
inondé) pendant le début du tallage et l'élongation et l'initiation de la panicule pour la
phase reproductive et pendant la phase de maturation (maturation). La rétrodiffusion
radar des champs inondés est faible en raison de la réflectance spéculaire de la
surface de l'eau.

Pendant la période de croissance, du stade végétatif au stade reproductif, la

rétrodiffusion radar est plus importante. La rétrodiffusion radar augmente rapidement,
ce qui est une conséquence de l'augmentation rapide de la hauteur (jusqu'à 100 cm)
et de la biomasse des plants de riz. Le principal mécanisme de rétrodiffusion à cette
période est le double rebond. La phase reproductive suivante comprend l'initiation de
la panicule, l'épiaison et la floraison. Pendant cette phase, les plantes cessent
d'augmenter en hauteur et en biomasse. La maturation est la phase finale avec ses
processus de lait, de pâte et de grain mûr et c'est la diffusion de volume qui caractérise
cette phase.

9.3. Zone d’étude

Le Mékong est le septième plus long fleuve d'Asie et le douzième plus long du
monde. Son delta couvre une superficie de près de 40 000 Km2 dans 12 provinces et
municipalités habitées par près de 18 millions de personnes, soit 20% de la population
du pays.

Dans le but d’évaluer et cartographier le risque d’inondation, deux provinces qui

se situent dans le delta du Mékong ont été choisies : An Giang et Dong Thap (Figure
41) situées entre 8,5°-11,5°N et 104,5°-106,8°E. Le modèle économique dans ces
provinces est essentiellement basé sur l'agriculture, la pêche et le commerce avec
l'existence de véritables marchés flottants. La pêche est également une activité très
importante pour les habitants de la région. Elle est à la fois une source de revenus
pour la population locale.

109
 Figure 41 : Zone d'etudes - Province AnGiang et Province DongThap au delta du Mékong.

9.3.1 La culture du Riz au delta du Mékong

Le delta du Mékong est une vaste plaine inondable et l'une des zones agricoles
les plus fertiles d'Asie. En effet, le sud du Viêt-Nam est une grande région agricole, qui
est spécialisée dans la culture du riz. En 2020, malgré la sécheresse et la salinisation,
le delta du Mékong, grenier du Viêt-Nam, a produit 24 millions de tonnes de riz à partir
de ses 1,5 million d'hectares de terres cultivées, soit un rendement moyen par hectare
de 6 tonnes. En 2020, les exportations de riz du delta du Mékong s'élevaient à 6
millions de tonnes. (Le Courrier du Viêt-Nam, 27/05/2021). Le delta du Mékong
possède des écosystèmes rizicoles principalement irrigués avec trois saisons de
culture principales : saison de culture hiver-printemps, été-automne et automne-hiver
(Thi Hoa Phan, 2018). Par rapport à la saison des pluies et des inondations, nous nous
intéressons davantage à la saison culturale automne-hiver. Selon le calendrier de la
riziculture de cette saison, le riz est planté en juillet-août, et récolté en décembre-
janvier. Selon Thi Hoa Phan, 2018, la culture d'automne-hiver pendant la saison des
pluies a la productivité la plus faible.

9.3.2 Régime hydro-météorologique du Mékong

Le régime pluviométrique de la région est caractérisé par une alternance entre

les saisons sèches et humides. La période des inondations a lieu entre juin et
novembre. Elle coïncide avec l'arrivée de la mousson, un vent chaud et humide venant
de l'équateur et qui donne des pluies abondantes dans toute cette région d'Asie du
Sud-Est. Cette mousson est renforcée par le différentiel de température entre le
continent et l'océan. La région peut enregistrer des précipitations allant jusqu'à 2000
mm par an. La quantité de pluie qui tombe dans la région est très variable dans le

110
temps et dans l'espace. D'un mois à l'autre, la quantité de pluie enregistrée peut
doubler.

Le bas du delta du Mékong, avec ses rivières, est influencé par la mousson
d'Asie du Sud-Est. Le régime hydrologique présente de très grandes variations
annuelles et interannuelles. La mousson, avec théoriquement une saison sèche et une
saison des pluies (maximum en juillet) donne lieu à des précipitations à la mi-avril, s'il
n'y a pas de dégel, le tout avec de fortes variations d'une année sur l'autre en fonction
de la force de la mousson humide. Ensuite, les précipitations de convergence
prolongent la saison des pluies ; plus constantes, elles ajoutent des inondations
d'octobre à novembre. Et enfin, les typhons, qui génèrent le potentiel hydrique maximal
en novembre-décembre. Les inondations les plus fréquentes dans le delta sont
principalement induites par le régime des crues du Mékong ainsi que par l'écoulement
de surface. La construction de systèmes de digues à partir du début des années 1990
pour protéger les champs des inondations et permettre une troisième culture dans
certaines parties du delta, contribue à des perturbations du système hydrologique. Ce
n'est pas le cas partout dans notre zone d'étude.

9.4. Données utilisées

9.4.1 Les données satellitaires

Pour la surveillance des inondations et l'étude de l'humidité des sols, les

données SAR, avec leur capacité à pénétrer les nuages, est une source d'information
intéressante. Les données Sentinel-1 avec leur résolution temporelle plus élevée que
les instruments SAR précédents, sont capables de suivre le cycle saisonnier de
l'étendue des eaux tous les six jours. En effet, les données satellitaires utilisées dans
cette étude sont des images du satellite radar Sentinel-1 de l'Agence spatiale
européenne (ESA). Lancée en 2015, la mission comprend deux satellites déphasés et
placés en orbite polaire. Ces satellites (Sentinel-1A et Sentinel-1B) qui partagent le
même plan orbital génèrent des données dans le domaine des micro-ondes (grande
longueur d'onde ou hyperfréquences) en bande C avec une longueur d'onde d'environ
4,5 cm. Les images ont été téléchargées depuis la plate-forme Copernicus du Hub de
l'ESA. Elles sont en GRD (intensité et amplitude) et sont obtenues à partir d'images
SLC, sur une période de 6 mois (du 6 juin au 30 novembre). Cette dernière correspond
à la période d'inondation dans la région du delta du Mékong. La résolution temporelle
des données Sentinel-1 est de 6 jours, ce qui correspond à l'acquisition de 30 images.

111
 Les deux satellites Sentinel-1 sont placés sur la même orbite à environ 900 km
de la surface de la Terre. Leur déphasage permet une meilleure résolution temporelle.
Ces images en bande C et de longueur d'onde d'environ 4,5 cm sont acquises en deux
polarisations VH et VV. La polarisation est l'orientation des champs
électromagnétiques de la longueur d'onde.

Sentinel-1 génère pour chaque acquisition deux bandes avec une polarisation
verticale en émission et horizontale en réception, et l'autre verticale en émission et en
réception. La polarisation de Sentinel-1 est également appelée polarisation
monochromatique, ce qui signifie que nous aurons toujours les mêmes amplitudes et
les mêmes longueurs d'onde. Les données sont acquises sur l'orbite N° 18 qui passe
au-dessus du delta du Mékong. Le numéro de l'orbite est un paramètre important car
il permet d'avoir des images sur la même zone d'étude et au même moment.
Cependant, les orbites ascendantes ou descendantes permettent l'acquisition. La
direction de l'orbite est un paramètre important à prendre en compte pour une
meilleure interprétation des images.

Les caractéristiques des tirs (angles d'incidence) auront également un impact

sur l'interprétation des images. En effet les images de Sentinel-1 sont acquises avec
un angle d'incidence compris entre 30 et 45°, ce qui veut dire que les premiers pixels
de la plage proximale sont à 30° et les derniers pixels de la plage distale sont observés
avec un angle d'incidence de 45°. Cela signifie que deux objets géographiques de
même nature peuvent avoir une rétrodiffusion différente en fonction de leur angle
d'acquisition. Cela peut poser des problèmes d'interprétation des surfaces étudiées,
surtout lorsqu'on travaille sur l'ensemble de l'image.

9.4.2 Données environnementales

Afin de comparer les valeurs des images radar avec les précipitations, les
données quotidiennes de quatre stations météorologiques de 2019 à 2020, notamment
celles relatives à la précipitation, ont été téléchargées depuis la plateforme NOAA :
[Link] et le niveau d'eau du Mékong depuis la Mekong River
Commision [Link]

112
 9.5. Méthode d'apprentissage automatique et classification

9.5.1 Segmentation d'images et extraction de caractéristiques

La segmentation est définie comme le processus de division des images en

objets homogènes, en prenant en considération leurs caractéristiques spectrales et
spatiales (Drǎguţ et al., 2010). Dans cette application, l’algorithme de segmentation
multi-résolution (MRS) (Baatz et Schape, 2000) a été utilisé. Il s'agit d’un algorithme
robuste et largement utilisé dans le domaine de la segmentation d’image. Implémenté
dans le logiciel ECognition® (Trimble Geospatial Imaging), la segmentation multi-
résolution est une technique de fusion de régions d'intérêt afin d'obtenir des
séparations qui maximisent la variabilité inter-objet, tout en minimisant la variabilité
intra-objet.

Quatre paramètres sont étudiés pour la réalisation de la segmentation : un

paramètre d'échelle, le poids attribué à chacune des couches étudiées, le poids
attribué à la valeur spectrale et à la forme des associations de pixels ainsi que le poids
attribué à la compacité et à la rugosité des régions.

Le paramètre d'échelle, utilisé pour déterminer la taille finale de l'objet,

correspond à l'hétérogénéité maximale autorisée pour la création d'un objet (Liu et al.,
2018). La MRS s'appuie sur un contrôle clé pour partitionner une image en objets
d'image, il s’agit de la nouvelle estimation du paramètre d'échelle (ESP2). L'algorithme
de segmentation ESP est basé sur l'exploitation d'un paramètre de variance locale
(LV). Ce paramètre est capable de détecter les transitions d'échelle dans les données
géospatiales. La valeur du paramètre de variance locale est calculée à chaque
itération et sert de condition pour terminer le processus de segmentation : l'itération se
termine et les objets de la couche concernée sont segmentés lorsque la valeur de VL
d'une couche concernée est égale ou inférieure à la valeur de l'itération précédente
(Drăguţ et al., 2014).

Les CCNs sont devenus populaires en raison de leur capacité à résoudre des
problèmes de classification tels que la reconnaissance d'images et la classification de
séries temporelles. LeCunet al., 1989 ont obtenu de très bons résultats en proposant
un réseau de neurones convolutifs à partir d'un modèle appliquant la rétropropagation.
L'idée de développer des réseaux de neurones convolutifs était initialement basée sur
la connectivité locale, dans laquelle chaque nœud est connecté uniquement à une
région locale de l'entrée (Borovykh et al., 2017). Le réseau résultant possède de
nombreuses connexions mais relativement peu de paramètres libres.

113
 9.5.2 Construction du modèle du CNN

L'architecture des CNNs est une structure comportant une série de couches :
couche convolutive, couche de regroupement, couche de perceptron. Les réseaux de
neurones convolutifs (CNNs) que nous proposons sont constitués de deux couches
convolutives et deux couches de regroupement (Max pooling layer) (Figure 42).

Les unités d'une couche convolutive sont organisées en cartes de

caractéristiques (feature-maps) dans lesquelles chaque unité est connectée aux
patchs locaux dans les cartes de caractéristiques de la couche précédente par des
matrices de poids partagées appelées banques-filtres (filter-bank). La taille habituelle
d'un filtre est de 3 × 3, 5 × 5 ou 7 × 7 pixels. Dans ce travail, le filtre 3 × 3 a été appliqué.

Le processus de convolution des matrices est répété sur les cartes neuronales
(neural maps) construites pour créer de nouvelles couches cachées profondes. La
couche de regroupement (pool-layer) a pour rôle de fusionner les caractéristiques de
la fenêtre en un pixel par des opérations de maximum ou de moyenne.

Après une couche de regroupement, les cartes de caractéristiques sont réduites

en taille mais leurs caractéristiques de base sont conservées pour l'étape suivante. Un
réseau neuronal convolutif compare les images fragment par fragment. Les fragments
recherchés sont appelés caractéristiques. Le réseau neuronal convolutif recherche les
caractéristiques approximatives qui sont à peu près similaires dans deux images
différentes, plutôt que de procéder à une comparaison complète image par image.

Figure 42 : Classificateur CNN généralisé avec l'architecture 2D-CNN.

D'après Kim, 2017, les réseaux neuronaux convolutifs peuvent être considérés
comme des réseaux neuronaux artificiels multicouches feedforward entraînables, qui
comprennent plusieurs étapes d'extraction de caractéristiques. Les couches
convolutives caractérisent chaque étape d'extraction de caractéristiques avec des

114
filtres d'apprentissage, des couches de mise en commun et des fonctions d'activation
ou des couches de non-linéarité (Gebrehiwot, 2019). Un autre élément important dans
l'ensemble du processus est l'unité linéaire rectifiée ou ReLU, qui remplace les valeurs
négatives du réseau en cours de formation par un zéro.

9.5.3 Random Forest (RF)

L'algorithme Random Forest (RF) a été appliqué pour la classification des zones
d'inondation et des zones inondables, en utilisant le logiciel libre Orfeo ToolBox (OTB),
dans sa version intégrée à QGIS. Ce classificateur construit par Breiman (2001) est
un algorithme non paramétrique d'apprentissage automatique basé sur les arbres de
décision. Il est fréquemment utilisé pour la classification d'images SAR, que ce soit en
zone forestière (Balzter et al. 2015 ; Rüetschi et al., 2018) ou en zone de culture
(Ghazaryan et al., 2018). Il a l'avantage de ne pas être influencé par le problème du
sur-apprentissage qui se produit lorsqu'un modèle est trop basé sur les échantillons
d'entraînement.

La profondeur des arbres et la taille minimale de l'échantillon sont les deux

paramètres les plus importants du classificateur RF. Dans ce travail, le nombre
d'arbres a été fixé à 500 et le nombre de caractéristiques dans un sous-ensemble était
la racine carrée du nombre total de caractéristiques. Afin d'entraîner et de valider le
modèle sur des ensembles d’échantillons indépendants, nous avons divisé
aléatoirement la base de données des échantillons, ou 70% pour le processus de
l'entraînement de l’algorithme et 30% pour la validation des résultats.

9.5.4 Évaluation de la précision

Pour évaluer la pertinence des modèles d’apprentissage automatique

appliqués, nous avons exécuté un processus de validation en calculant une matrice
normalisée (Olofsson, 2014). Nous avons normalisé la matrice de confusion par la
proportion du nombre de points de contrôle et par la proportion des classes de surface
obtenues dans la classification. En effet, à partir des points de validation, nous avons
normalisé la matrice d'erreur brute pour générer des statistiques communes à l'aide
des métriques telles que la précision globale (Overall Accuracy), la précision du
producteur (Producer Accuracy) et la précision de l'utilisateur (User Accuracy). Une
évaluation de la performance des classifications résultante a été effectuée pour les
trois algorithmes.

115
 Plusieurs études fournissent également un intervalle de confiance pour une
estimation ponctuelle de la précision (Niculescu et al, 2020). Un choix courant est un
intervalle de confiance de 95 % (Olofsson et al, 2014 ; Stehman & Foody, 2019). Dans
les évaluations de la précision de la couverture terrestre, la méthode standard pour
construire un intervalle de confiance consiste à supposer une distribution normale ou
une estimation ponctuelle avec un écart-type égal à l'estimation résultante de la marge
d'erreur, c'est-à-dire la racine carrée de la variance estimée divisée par la taille de
l'échantillon (Newcombe, 1998). Dans cette étude, les calculs des intervalles de
confiance ont été automatisés dans le script python inclus dans QGIS.

9.6. Résultats

9.6.1 Profils de rétrodiffusion de rizières

En corrélation avec les précipitations quotidiennes pendant deux ans (2019,

2020) enregistrées à la station hydrométéorologique de Tan Chau et partant du
principe que le signal RADAR est sensible à l'humidité de surface, nous avons analysé
le coefficient de rétrodiffusion de quelques rizières de référence. Ces analyses se sont
effectuées dans deux périodes, pendant la saison sèche et pendant la saison humide
(rizière inondée et rizière non inondée). Les données hydrométéorologiques ont été
interprétées en corrélation avec les saisons rizicoles et les observations du satellite
SAR Sentinel-1 (60 images par an, 5 images par mois) et avec les niveaux d'eau du
Mékong enregistrés à la même station et sur les deux années.

Les niveaux d'eau du fleuve Mékong commencent à augmenter à partir de juin,

parallèlement à l'augmentation des précipitations, avec un maximum de 70 mm le 1er
août 2020. Les précipitations déterminent l'augmentation des niveaux d'eau du
Mékong entre juin et novembre des deux années avec un maximum de près de 3 m
pour 2020 et 3,5 m pour 2019 en raison des précipitations abondantes de la même
période.

Les valeurs de rétrodiffusion sont les plus faibles pour VH (b), légèrement plus
élevées pour VV (c) en 2020. VH a la plus grande amplitude et présente des pics de
rétrodiffusion importants, notamment pour la rizière inondée. La variation des valeurs
du coefficient de rétrodiffusion montre l'influence de l'humidité de surface sur le signal
radar, notamment pour la saison humide et pour les rizières inondées. Par exemple, à
partir de juin, les valeurs du coefficient de rétrodiffusion sont très faibles pour la rizière
inondée avec des valeurs comprises entre -25 et -30db en VH et entre -20 et -25db en

116
VV (Figure 43). Le coefficient a montré des valeurs faibles jusqu'à la fin de la saison
humide (jusqu'en novembre) pour la rizière inondée. La saison rizicole automne-hiver
est dominée dans certaines zones par les inondations et cette saison peut donc être
considérée comme moins productive. La période d'inondation qui coïncide avec la
saison du riz d'automne-hiver doit être considérée comme une période de "repos" dans
le cycle de croissance du riz, comme une période avec une production de riz réduite.

En saison sèche pour les deux rizières différentes et en saison humide pour la
rizière non inondée, la variation du coefficient en VH et VV des deux rizières différentes
s'explique par la phénologie différente du riz sur les deux rizières.

Un cycle du riz comporte généralement trois grandes étapes : la phase

végétative, la phase reproductive et la phase de maturation. Avant le repiquage, les
rizières sont généralement inondées pendant plusieurs semaines pour préparer le sol
(rendre le sol très meuble et niveler le champ). Le riz est ensuite planté dans un sol
inondé sous 2 à 5 cm d'eau. Les valeurs de rétrodiffusion VH et VV étaient relativement
faibles pendant cette période de repiquage (décembre à janvier (entre -20 et -22db
pour la VH et entre -15 et -20db pour la VV) pour la première culture et juillet à août
pour la deuxième culture (-27 n VH et -25db en VV)) en raison de la surface lisse de
l'eau (réflexion directe (spéculaire)).

Après le repiquage, les plants de riz ont commencé à croître en développant

des talles et des feuilles, “l'initiation des panicules”. A ce stade, la hauteur des plantes
et la biomasse deviennent importantes. Le plant de riz atteint le stade d'épiaison
lorsque la panicule est entièrement visible. En cette période l'intensité de la
rétrodiffusion pour les deux polarisations augmente en février-mars (-12db pour les
deux polarisations) et en juin-juillet (-11db en VH et -6db en VV) en raison des
changements de la rugosité de la surface de la rizière. Le riz présente deux pics,
indiquant respectivement les deux dates d'épiaison de la première et de la deuxième
récolte. Le premier pic se situait souvent entre fin mai et début juin, tandis que le
deuxième pic apparaissait en octobre. La phase de floraison a commencé après la fin
de la phase d'épiaison, caractérisée par l'arrêt du développement de la hauteur de la
plante et de la biomasse, et la réduction de la teneur en eau des feuilles et de la tige.
Par conséquent, l'intensité des valeurs de rétrodiffusion a également diminué. Après
la récolte, les rizières de la période de jachère étaient soit nues, soit faiblement
couvertes de mauvaises herbes, ce qui a entraîné une diminution significative des
valeurs de rétrodiffusion (-25db en VH et -20db en VV pour début mars et -27db en
VH et -20db en VV pour début août). D'une manière générale, VH et VV montrent pour

117
les rizières non inondées une augmentation des valeurs des coefficients de
rétrodiffusion pour la période végétative et reproductive des trois saisons rizicoles, et
deux saisons rizicoles pour la rizière inondée.

Figure 43 : Profil temporel VH et VV a) Pluies quotidiennes et niveaux d'eau quotidiens du Mékong

enregistrés à la station hydrométéorologique de Tan Chau en 2020. Saisons des trois cycles du riz (saison du
riz hiver-printemps, été-automne et automne-hiver). Observations de SAR Sentinel-1 : 60 images pour 2020 ;
b) Profils temporels VH de rizières non inondées pendant la saison humide et de rizières inondées pendant la
saison humide ; c) Profils temporels VV de rizières non inondées et de rizières inondées pendant la saison
humide.

118
 Selon les Figures 43 et 42, la saison des pluies en 2019 commence plus tard
(fin juin) et se termine plus tôt (en novembre). Par ailleurs, les précipitations maximales
ne dépassent pas 45 mm et les quantités les plus importantes ont été enregistrées à
partir du mois d'août. Le niveau maximum d'environ 3,5 m a été enregistré à la mi-
septembre. Les valeurs de rétrodiffusion sont les plus faibles pour VH (b), légèrement
plus élevées pour VV (c) en 2019, tout comme en 2020. Les valeurs élevées du
coefficient de rétrodiffusion correspondent à une rizière au développement végétatif

Figure 44 : a) Pluies quotidiennes et niveaux d'eau quotidiens du Mékong enregistrés à la station

hydrométéorologique de Tan Chau au cours de l'année 2019. Saisons des trois cycles rizicoles (saison
rizicole hiver-printemps, été-automne et automne-hiver). Observations des observations SAR Sentinel-1
: 60 images pour 2019 ; b) Profils VH temporels de la rizière non inondée pendant la saison humide et de
la rizière inondée pendant la saison humide ; c) Profils VV temporels de la rizière non inondée pendant la
saison humide et de la rizière inondée pendant la saison humide.

avancé (valeurs d'activité chlorophyllienne élevées). Pour toutes les rizières de

référence, en 2020, le coefficient de rétrodiffusion a augmenté progressivement

119
pendant la phase de croissance du riz au cours des trois saisons pour les rizières non
inondées, et des deux saisons pour les rizières inondées. Les deux polarisations
illustrent cette sensibilité du signal RADAR à la croissance du riz. Par ailleurs, nous
constatons également que le signal RADAR est sensible au moment de la récolte. En
effet, une diminution du signal a été observée après la récolte (Figure 44).

9.7. Validation et comparaison des modèles

9.7.1 L'évaluation de la précision du modèle CNN

Pour évaluer la performance du modèle CNN, des paramètres statistiques de

précision (OA et PA et UA) ont été calculés en utilisant des données de validations.
Ainsi la précision globale (OA) par mois pour la saison humide (tableau 22) la précision
de la production (PA) (Tableau 23) et la précision de l’utilisateur (UA) par mois pour la
saison humide (tableau 24) ont été estimées pour les deux années 2019 et 2020.
Tableau 22 : Comparaison des précisions globales par le modèle CNN chaque mois pendant la saison
humide en 2019 et 2020.

Précision globale
Mois
2019 2020

Juin 99.81 ± 0.01 99.66 ± 0.01

Juillet 99.31 ± 0.03 99.68 ± 0.01

Août 99.13 ± 0.02 99.62 ± 0.01

Septembre 98.67 ± 0.02 99.87 ± 0.01

Octobre 98.67 ± 0.02 99.51 ± 0.01

Novembre 98.64 ± 0.02 96.51 ± 0.03

Décembre 99.09 ± 0.01 99.35 ± 0.01

120
 Tableau 23 : Précisions de l'utilisateur par le modèle CNN chaque mois pendant la saison humide en en
2019 et 2020

Précision de l’utilisateur

Mois 2019 2020

inondée Non-inondée inondée Non-inondée

Juin 99.26 ± 0.02 99.83 ± 0.01 99.70 ± 0.01 99.66 ± 0.01

Juillet 99.85 ± 0.02 99.29 ± 0.03 99.39 ± 0.03 99.68 ± 0.01

Août 99.89 ± 0.01 99.09 ± 0.02 96.01 ± 0.06 99.78 ± 0.01

Septembre 97.98 ± 0.07 98.82 ± 0.02 99.61 ± 0.03 99.88 ± 0.01

Octobre 98.37 ± 0.03 99.99 ± 0.00 98.32 ± 0.04 99.87 ± 0.00

Novembre 97.08 ± 0.05 99.12 ± 0.01 88.66 ± 0.10 99.62 ± 0.01

Décembre 90.20 ± 0.08 99.52 ± 0.01 97.53 ± 0.06 99.64 ± 0.01

Tableau 24 : Précisions du producteur par le modèle CNN chaque mois pendant la saison humide en 2019
et 2020.

Précision du producteur

Mois 2019 2020

inondée Non-inondée inondée Non-inondée

Juin 94.78 ± 0.2 99.98 ± 0.00 99.70 ± 0.01 99.66 ± 0.01

Juillet 79.80 ± 0.62 100.0 ± 0.00 99.39 ± 0.03 99.68 ± 0.01

Août 85.08 ± 0.26 99.09 ± 0.02 96.01 ± 0.06 99.78 ± 0.01

Septembre 99.98 ± 0.00 99.31 ± 0.02 99.61 ± 0.03 99.88 ± 0.01

Octobre 97.73 ± 0.04 99.16 ± 0.02 98.32 ± 0.04 99.87 ± 0.00

Novembre 97.08 ± 0.05 99.12 ± 0.01 88.66 ± 0.10 99.62 ± 0.01

Décembre 90.20 ± 0.08 99.52 ± 0.01 97.53 ± 0.06 99.64 ± 0.01

Analyse de la précision du producteur

En général, les PA par mois de la saison des pluies pour les zones inondées
sont inférieurs aux PA des zones non inondées. Cette tendance se vérifie pour les
deux années. En 2019, les valeurs de PA des zones inondées pour les 7 mois
observés varient de 79,8% (en juillet) à 97,73 (septembre et octobre). En effet, durant
cette année 2019, le mois de juillet correspond à l'extension minimale des zones

121
inondées tandis que les mois de septembre et octobre correspondent à l'extension
maximale. Pour les zones non inondées, les erreurs d'Omission en 2019 vont de
99,09% pour l'un des mois les plus inondés (novembre) à 100% pour le mois le moins
inondé (juillet).

Ainsi, on remarque qu’en 2020, les valeurs de l'AP pour les zones inondées par
mois suivent la même logique, avec les valeurs les plus faibles pour les mois
d'extension moindre des zones inondées (juillet 88,34%) et les valeurs les plus élevées
pour les mois d'extension maximale des zones inondées (octobre avec 99,59% puis
novembre avec 98,92%). Durant la même année 2020, la tendance des valeurs de PA
est la même, en effet, des valeurs élevées, 99,99% pour le mois de juin et 99,48%
pour le mois d’octobre qui marque plus d’inondation.

Analyse de la précision de l’utilisateur:

Selon les résultats du tableau 22, les valeurs de l'UA sont plus cohérentes et
plus élevées pour les zones non inondées que pour les zones inondées pour les deux
saisons des deux années. En effet, on note qu’en 2019, des valeurs faibles (90,20 %)
ont été enregistrées pour la période de décembre à la fin de la saison humide, c’est-
à-dire les mois qui ont marqué moins d’inondation, tandis que ces valeurs de UA sont
plus élevées (99,89 %) pour le mois d’août, considéré comme un mois intermédiaire
pour le phénomène de l’inondation. Des UA supérieures à 99% ont été constatés dans
le cas des zones non inondées en 2019, et ce, pour tous les mois sauf ceux avec une
extension maximale des zones inondées (octobre et novembre avec des valeurs
supérieures à 98%).

En 2020, dans le cas des zones inondées, les valeurs les plus faibles (88,66%)
ont été enregistrées durant le mois d’extension maximale des inondations (en
novembre). La valeur la plus élevée (99,70%) de l'UA est atteinte au mois de juin avec
très peu d'inondations. En ce qui concerne les zones non inondées, les valeurs de l'UA
sont sans exception supérieures à 99% avec un maximum en septembre et un
minimum en novembre.

9.7.2 L'évaluation de la précision du classificateur RF

Pour évaluer la performance de l’algorithme RF, les paramètres statistiques,

précision globale OA (Tableau 25), précision de l’utilisateur (Tableau 26) et précision
de producteur (Tableau 27), ont été calculés en utilisant des données de validations.

122
 Les résultats suivant les calculs de l'AO et leurs intervalles de confiance
appliquant les classifications du modèle RF pour la série temporelle S1 montrent la
différence de la précision du classificateur RF pour les mois de la saison humide
(Tableau 25).
Tableau 25 : Comparaison des précisions globales par le modèle RF chaque mois en de la saison
humide en 2019 et 2020.

Précision globale
Mois
2019 2020

Juin 99.68 ± 0.01 99.35 ± 0.01

Juillet 98.87 ± 0.02 99.53 ± 0.01

Août 97.92 ± 0.03 98.86 ± 0.01

Septembre 99.43 ± 0.01 98.85 ± 0.02

Octobre 97.18 ± 0.03 95.04 ± 0.03

Novembre 94.98 ± 0.03 93.26 ± 0.04

Décembre 92.53 ± 0.02 98.20 ± 0.02

Tableau 26 : Précisions de l'utilisateur par le modèle RF pour les mois de la saison humide en 2019 et
2020.

Précision de l’utilisateur

2019 2020
Mois
Non-
inondée Non-inondée inondée
inondée

Juin 97.97 ± 0.04 99.73 ± 0.01 93.90 ± 0.06 99.64 ± 0.01

Juillet 89.84 ± 0.12 99.44 ± 0.02 98.39 ± 0.04 99.57 ± 0.02

Août 99.75 ± 0.02 97.82 ± 0.03 93.41 ± 0.08 99.16 ± 0.01

Septembre 96.89 ± 0.09 99.92 ± 0.00 98.62 ± 0.06 98.86 ± 0.02

Octobre 97.48 ± 0.04 97.04 ± 0.03 84.15 ± 0.11 99.72 ± 0.01

Novembre 86.10 ± 0.09 98.80 ± 0.02 81.45 ± 0.12 99.60 ± 0.01

Décembre 62.05 ± 0.10 99.52 ± 0.01 97.02 ± 0.06 98.42 ± 0.02

123
 Tableau 27 : Précisions du producteur par le modèle RF pour les mois de la saison humide en 2019 et
2020.

Précision du producteur

Mois 2019 2020

inondée Non-inondée inondée Non-inondée

Juin 91.42 ± 0.26 99.94 ± 0.00 93.23 ± 0.18 99.68 ± 0.00

Juillet 91.18 ± 0.30 99.35 ± 0.01 90.43 ± 0.31 99.93 ± 0.00

Août 71.22 ± 0.27 99.99 ± 0.00 85.99 ± 0.17 99.64 ± 0.00

Septembre 99.59 ± 0.03 99.40 ± 0.02 82.43 ± 0.24 99.92 ± 0.00

Octobre 93.88 ± 0.07 98.81 ± 0.02 99.24 ± 0.02 93.60 ± 0.04

Novembre 96.88 ± 0.04 94.29 ± 0.03 99.10 ± 0.02 90.91 ± 0.05

Décembre 96.72 ± 0.07 91.96 ± 0.02 92.06 ± 0.11 99.43 ± 0.01

Analyse de la précision globale :

En 2019, une précision globale supérieure à 99% a été obtenue pour le mois de
juin tandis qu’en 2020 cette précision a été notée pour les mois de juin et juillet. Par
ailleurs, on note qu’avec le classificateur CNN, la précision la plus faible était de 96%
(novembre 2020), alors qu’avec le classificateur RF, les précisions les plus faibles sont
entre 92% (décembre 2019) et 93% (novembre 2020). En revanche, les deux
algorithmes de classification ont obtenu une précision globale supérieure à 92%, sauf
que la précision globale obtenue par le modèle CNN est supérieure à celle obtenue
par les classificateurs RF. Ainsi, la performance de classification globale montre que
le modèle CNN obtient une meilleure classification que le RF, pour tous les mois de la
période d'inondation.

Analyse de la précision de producteur :

Les PA (Tableau 27) pour les deux années des zones inondées, sont inférieurs
aux PA des zones non inondées. On constate la même chose pour l'application du
CNN. Il y a deux exceptions, les PA de novembre et décembre pour les zones
inondées en 2019 sont plus élevés par rapport aux PA des zones non inondées :
96,88% et 94,29% en novembre et 96,72% et 91,96% en décembre. Cette valeur de
96,72% au mois de décembre 2019 obtenue suite à l'application de la RF est même
supérieure au PA du CNN pour le même mois et la même année (89,99%). Une
situation similaire se présente pour le mois de juillet 2019, durant lequel la valeur du
PA est plus faible avec le CNN qu'avec l'application de la RF (79,80% et 91,18%).

124
Avec ces exceptions, en général, les PA obtenus suite à l'application du CNN sont plus
élevés pour les deux années et pour les deux classes majeures que les PA obtenus
suite à l'application du RF.

Analyse de la précision de l’utilisateur:

Les valeurs de l'UA (Tableau 26) sont significativement plus faibles pour les
zones inondées par rapport aux zones non inondées pour les deux années. Au mois
de décembre 2019, nous avons obtenu la valeur minimale de 62,05% pour les zones
inondées alors qu'avec le CNN nous avons obtenu 90,20%. Des valeurs inférieures
ont également été enregistrées en 2020 pour les mois d'octobre et de novembre
(84,15% et 81,45%). L'UA maximale était obtenu au d’août 2019, qui atteignait 99,75%
pour les zones inondées et 99,72% en octobre 2020 pour les zones non inondées,
alors qu’avec le CNN la valeur maximale de l'UA pour les zones inondées est toujours
notée pour le mois d'août (99,89%).

9.8. Résultats des modèles : cartographie inondée et inondable

9.8.1 Cartographie de l'étendue des inondations

Les différents algorithmes d’apprentissages automatique appliqués ont permis

d'obtenir la cartographie la plus précise des zones inondées et des zones inondables
de la zone d'étude à partir de techniques SAR multi-dates. Les données Sentinel-1 à
double polarité (VV/VH) ont été utilisées pour la cartographie des inondations en
appliquant l'algorithme CNN et RF et des cartes d'inondation en série chronologique
ont été générées à partir de cinq images par mois de la saison humide (6-7 mois). Les
meilleurs résultats de la cartographie (issues des classifications CNN) sont présentés
dans cette section (Figure 45).

Le critère principal pour l'évaluation cartographique des inondations est la

distinction des zones inondées des zones non inondées, ce qui peut être traité comme
un processus de classification binaire pour étiqueter une région donnée avec
"inondation" ou "non inondation".

Dans cette étude, les CNN sont directement utilisés comme classificateurs pour
la cartographie des inondations régionales dans le delta du Mékong. L'application de
l'algorithme CNN sur les cinq images par mois pendant la saison des pluies permet de
délimiter correctement la classe d'inondation sur l'ensemble de la zone inondée.

125
 En comparant l'étendue des inondations, nous constatons que les zones
inondées en 2019 sont considérablement plus grandes que les zones inondées en
2020. Ainsi, en 2019, les mois marqués par les périodes de grandes inondations
étaient septembre, octobre et novembre, tandis qu'en 2020, il y a un décalage
temporaire d'un mois et les mois les plus inondés sont donc octobre, novembre et
décembre. Le mois de juillet, qui est un mois de la saison humide, présente la plus
faible extension par les zones d'inondation pour les deux années. Les mois de
novembre et octobre de la saison humide présentent une extension maximale des
zones inondées en 2019 et en 2020 respectivement.

(A (B
) )

Figure 45 : Cartographie des inondations par classification CNN par mois dans la saison
humide de juin à décembre : (A) Zones inondées en 2019 et (B) Zones inondées en 2020

Par ailleurs, nous avons effectué une analyse spatiale basée sur les pixels pour
déterminer la surface en Km2 qui sont correctement délimités avec les cartes
résultantes du modèle CNN (Figure 46).

L'étendue maximale des zones inondées (septembre / octobre en 2019 et

octobre / novembre en 2020) pour les deux années est en corrélation avec les
précipitations moyennes cumulées par mois. L'étendue maximale des zones inondées
pour les deux années est répartie sur trois mois (septembre / octobre / novembre en
2019 et octobre / novembre / décembre en 2020). L'étendue maximale des inondations
pour les deux années correspond à la troisième saison de culture du riz, ce qui

126
implique une organisation particulière de la culture du riz pour cette troisième saison
(Figure 46).

(A) (B)
Figure 46 : schéma synthétique a) Précipitations mensuelles moyennes ; niveaux d'eau mensuels
maximums en 2019 (A) et 2020 (B) ; b) Zone inondée en km2 pour 2019 (A) et 2020 (B).

Il faut noter que le riz cultivé dans ces régions est un riz profond ou flottant, dont
l'eau est fournie par les crues des rivières. Ainsi, les rendements restent faibles car ils
sont largement dépendants des conditions climatiques. Avec 8% des surfaces
cultivées, ce type de riz ne fournit que 3% de la production mondiale, par conséquent
il est progressivement remplacé par le riz irrigué au fur et à mesure des aménagements
hydrauliques.

Ainsi, le tableau 28 présente les résultats de cette analyse spatiale sous forme
de pourcentages relatifs au nombre total de pixels.
Tableau 28 : Analyse spatiales des zones impactées par les inondations.

2019 2020
classe Superficie(km2) Pourcentage Superficie(km2) Pourcentage
Eau 25.4227 1% 30.0524 1%
Rizière 2615.265 58% 2075.6704 53%
Village 409.666 9% 556.608 14%
Jardin 1208.079 27% 1133.9639 29%
Forêt 220.5616 5% 127.0772 3%
Inondable 4478.9943 100% 3923.3719 100%
A travers l’analyse spatiale (Tableau 28), nous constatons que les zones
inondées en 2019 (4478,9 km2) sont plus importantes que les zones inondées en 2020

127
(3923,3 km2). Ces différences dans l'étendue des inondations pourraient indiquer que
la crue de 2019 doit être analysée en corrélation avec le niveau maximal du Mékong
à la station Tan Chau en 2019 de près de 4 m par rapport au niveau maximal enregistré
en 2020 de moins de 3 m à la même station.

9.8.2 Cartographie des zones inondables

Dans cette section l’analyse se concentre, dans un premier temps, sur les
classes d’occupation/couverture du sol (LULC) avant la saison humide (Figure 47b)
pour déterminer quelles classes d'utilisation des terres ont été inondées et, dans un
second temps, sur les LULC non inondées (Figure 47c). Cette analyse s'est effectuée
à partir des informations sur l'extension maximale des zones inondées (partie des
zones inondables) pour deux mois, à savoir d’octobre 2019 et de novembre 2020
(Figure 47a).

Un des objectifs fixés à travers l'application des deux algorithmes CNN et RF

était la mise en évidence de la distribution spatiale des principales classes
d'occupation du sol dans la zone d'étude, cette dernière est présentée dans la figure
47b. Ainsi, cinq classes principales, à savoir la rizière, les zones bâties, l'eau, les
jardins et les forêts pour les années 2019 et 2020, ont été délimitées. L'étendue
surfacique (km2) et la couverture de chaque classe pour les deux périodes d'étude
sont présentées dans le tableau 29.
Tableau 29 : Superficie de LULC avant la saison des pluies en 2019 et 2020.

2019 2020
classe Superficie(km2) Pourcentage Superficie(km2) Pourcentage
Eau 260.3604 2% 318.9245 3%
Rizière 5941.3851 53% 6060.6319 55%
Village 690.8062 6% 426.1447 4%
Jardin 1615.0679 15% 1272.2426 11%
Forêt 2605.3455 24% 3035.0214 27%

L'analyse spatiale de la carte d'occupation du sol montre que la zone bâtie, les
rivières / zones humides et les rizières sont plus importantes et plus claires en sorties
des classificateurs CNN que RF. On note, ainsi, que les forêts ont tendance à se
concentrer dans les zones humides de la zone d'étude.

Durant les deux périodes d’octobre 2019 et de novembre 2020, les rizières
occupent plus de la moitié de la zone d'étude (53% en 2019 et 55% en 2020), suivies
128
par les forêts (24% en 2019 et 27% en 2020) et les jardins avec des superficies, 15%
et 11% du paysage, respectivement pour 2019 et 2020. Le pourcentage du couvert
urbain était de 6% en 2019 et 4% en 2020, tandis que l'eau représente 2 à 3 % du
paysage.

Pour une analyse d’incertitudes de la cartographie à l'aide des techniques SAR,

il convient de mentionner que le signal SAR peut être influencé par le chatoiement et
donc par une sous-détection ou une sur-détection de l'étendue de l'inondation, en
particulier dans les zones urbaines et végétalisées. A cet effet, le modèle CNN vise à
réduire les erreurs de classification associées aux hétérogénéités de la couverture
terrestre et à la complexité sous-jacente. Même si des erreurs de classification
mineures sont observées parmi les classes de couverture du sol, nous pouvons
affirmer que le modèle peut séparer efficacement l'eau permanente de l'eau de crue.

Plus de la moitié des rizières ont été inondées durant les deux années (58% en
2019 et 53% en 2020). En 2020, la superficie de rizières est plus importante qu'en
2019, cependant pour cette dernière la superficie des rizières impactée par les
inondations était plus grande. Ces inondations ont eu un impact significatif sur une
autre classe d'utilisation des terres ayant une valeur économique locale importante. A
l'exception des forêts qui ont été moins impactées en 2020, la situation des autres
types d’utilisation du sol est plus impactée en 2020 ; on note ainsi que l'urbain a été
beaucoup plus touché par l'inondation en 2020 (14%) par rapport à la situation de 2019
(9%), et de même pour les jardins où 29% et 27% de leur superficie est impactée en
2020 et 2019 respectivement.

Le rapport entre chaque classe de LUCU non inondée en 2019 et 2020 et la

couverture totale des terres inondables dans l'étude est présenté dans le tableau 10
sous forme de pourcentage.

Les superficies des LULC non-inondées en 2019 et 2020 sont présentées dans
le tableau 30.

129
 Tableau 30 : Superficie des LULC non inondés en 2019 et 2020

2019 2020
classe Superficie(km2) Pourcentage Superficie(km2) Pourcentage
Eau 228.4982 2% 204.5155 2%
Rizière 2554.6812 23% 2866.4995 26%
Village 409.666 4% 556.608 5%
Jardin 1208.079 11% 1522.9639 14%
Forêt 2220.561 20% 2027.0772 18%
Inondable 4478.9943 40% 3923.3719 35%

Zones
inondées (a)

Occupation
du sol avant
les
inondations
(b)

Zones
inondées et
non
inondées ©

2019 2020

Figure 47 : Cartographie des inondations corrélée avec la cartographie de l’occupation du sol.

130
 9.8.3 Discussion

La modélisation des signatures de classes complexe a été bien considérée par

les algorithmes d'apprentissage automatique (Machine Learning), qui peuvent
généralement accepter une variété de données prédicteurs en entrée et ne faire
aucune hypothèse sur la distribution des données, c'est-à-dire qu'ils sont non
paramétriques (Maxwell et al, 2018).
Les CNN, qui affichent de solides performances en vision par ordinateur et en
traitement d'images, sont principalement des réseaux neuronaux multicouches de type
feed-forward. Leur objectif principal est d'extraire automatiquement des
caractéristiques importantes à partir de données brutes. Les structures CNN de
différentes dimensions, en tant que technique puissante, peuvent s'adapter à des
données d'entrée de différentes dimensions. Ces aspects peuvent affecter de manière
significative les résultats finaux de classification/prédiction.
Dans ce travail, une représentation des données a été introduite pour s'adapter
aux nouvelles architectures CNN (CNN-2D, deux couches convolutionnelles, deux
couches de mise en commun max et une couche entièrement connectée). Initialement,
120 images sont empilées ensemble pour construire une "image" multicanale, qui est
considérée comme une donnée d'entrée pour la transformation ultérieure des
données. Dans le domaine de l'évaluation des inondations, l'objectif principal est de
proposer une cartographie, qui peut être traitée comme un processus de classification
binaire pour étiqueter une zone donnée comme "inondable" ou "non inondable".
Un objectif qui a été atteint dans cette étude où les CNNs sont directement
utilisés comme classificateurs pour la détection des inondations régionales. Tout
d'abord, une structure CNN a été construite en fonction de la dimensionnalité des
données reformées. Après une série d'opérations de convolution et de mise en
commun, des cartes de caractéristiques de haut niveau sont extraites des données
d'entrée, puis réorganisées par une couche entièrement connectée. Enfin, les vecteurs
de caractéristiques réorganisés sont convertis en résultats de classification à l'aide
d'une fonction d'activation non linéaire. Pour simplifier, le processus de classification
généralisé utilise un classificateur CNN avec l'architecture 2D-CNN.
Nous avons pu ainsi extraire des informations sur les zones inondées et
inondables via un traitement au niveau pixel. Il s’agit d’une analyse spatiale surfacique
qui a mis en évidence les classes de l’occupation du sol touchée par les inondations
durant les années 2019 et 2020, et estimer les étendues et l'extension de cette
inondation via une cartographie précise.

131
Conclusion générale
Le présent travail a comme objectif principal d'étudier en détail les méthodes
d'apprentissage automatique supervisé et non supervisé appliquées dans le domaine
de l'environnement. C’est une contribution dans l’étude de l’occupation du sol des
zones fragiles telles que les systèmes deltaïques. Il s’agit d’un développement
méthodologique basé sur l’apport des nouvelles méthodes de télédétection pour le
suivi de l’occupation du sol au niveau de deux grands Delta au Vietnam, le delta du
fleuve Rouge et le delta du Mékong. Ainsi, la thèse a permis de mettre en évidence
les progrès qui ont été réalisés dans l'utilisation de données satellitaires de haute
résolution spatiale, ainsi que des méthodes de l’Intelligence Artificielle (Machine et
Deep Learning).

Pour aboutir à nos objectifs nous avons utilisé des données multi-capteurs et
des séries temporelles. Une modélisation de l'organisation des données satellites
optiques et radar a été effectuée afin d’améliorer les résultats d'analyse d'images. Ces
données ont été utilisées pour deux sortes d’application, la cartographie du type de
végétation et le suivi de l'extension de l'inondation et des zones inondables. En effet,
par rapport à des études d'analyse d'images uniques, les données optiques de séries
temporelles et les méthodes de traitement ici développées ont démontré leur efficacité
et faisabilité dans le processus de cartographie de la végétation du delta du fleuve
Rouge. Par ailleurs, les séries temporelles des données SAR se sont avérées
efficaces pour surveiller et cartographier les zones inondables au niveau du delta du
Mékong. Pour cette dernière application une approche systémique regroupant les
données environnementales et météorologiques ainsi que des données de
télédétection a permis d'étudier les zones inondables et de cartographier l'extension
de l’inondation. Cette approche met en avant la contribution des données satellites et
les technologies de télédétection; et aide à tracer les plans de prévention du risque et
orienter les politiques de gestion spatiales des zones deltaïques.

Par ailleurs, les méthodes d'apprentissage non supervisées ont été appliquées
pour effectuer des segmentations et extraire des objets géographiques d’images
satellitaires. Des algorithmes de segmentation ont été étudiés et appliqués lors du
développement méthodique afin d’identifier le meilleur choix pour notre domaine
d’application. Ces algorithmes ont été vérifiés et validés via une approche comparative
et à travers plusieurs essais.

132
 Ainsi, nous avons constaté que le choix de la méthode de segmentation affecte
grandement les résultats de l'analyse d'images. Chaque méthode de segmentation est
optimisée et adaptée aux données en ajustant ces paramètres. Grâce à l'évaluation et
à la comparaison des résultats, la méthode de segmentation multi-résolution
(Mutiresolution Segmentation) a été choisie pour être utilisée pour le processus de
classification. Ce choix repose sur des mesures de similarité qui comprennent la
mesure de similarité spectrales et des couleurs ainsi que sur des coefficients de
rétrodiffusion et la mesure de similarité de la forme et la taille de chaque objet
géographique.

En outre, les méthodes d'apprentissage supervisé, y compris les méthodes

d'apprentissage peu profond et profond, ont été étudiées et testées, il s’agit de
Support Vector Machine (SVM), Random Forest (RF), Multi-Layer Perceptron (MLP),
et Convolutional Neural Network (CNN). Les comparaisons d'efficacité entre les
méthodes de classification d'images ont été réalisées. Les expérimentations ont fourni
des options pour estimer les valeurs des paramètres de chaque algorithme et
d'optimiser l'efficacité des algorithmes pour chaque cas de données utilisé dans
l'analyse. Ainsi, nous avons appliqué des méthodes d'évaluation pour estimer la
pertinence des résultats issus des classifications d’images et de la cartographie
extraite par le processus de GEOBIA.

La contribution de la méthode d'analyse orientée objet (GEOBIA) est considérée

comme importante et efficace pour des applications de surveillance de l’occupation du
sol au niveau des systèmes des deltas du Vietnam. Le processus d'application est
adapté par une optimisation et configuration rigoureuse des paramètres pour chaque
étape : prétraitement des données satellites optiques et radars, segmentation et
extraction des objets géographiques, classification des objets géographiques, et enfin
le processus d'évaluation des résultats de la classification.

Selon la tendance de développement des méthodes d'apprentissage profond et

leurs résultats, nous constatons que le CNN pourrait être adapté pour contribuer dans
de nombreuses futurs applications et d’analyse des données. Dans le cadre de la
thèse, le CNN est utilisé comme une méthode de classification de GEOBIA, la méthode
de segmentation utilisée est la méthode manuelle physique (découper des images par
une petite fenêtre), en plus de certaines recherches d’analyse d'images, CNN est
utilisé pour l'extraction de carte des caractéristiques d'images. Ainsi, nous proposons
de continuer à étudier l'application de CNN dans le prétraitement des données afin
d'en extraire des caractéristiques utiles et d'améliorer les résultats d'interprétation

133
d'images. A partir de là, il est possible de construire un modèle GEOBIA avec le
changement de l'étape de prétraitement des données pour utiliser plus efficacement
les applications de la méthode d'apprentissage profond de CNN.

De plus, il est nécessaire de réaliser des expérimentations combinant des séries

temporelles de données optiques et radar pour étudier les phénomènes de croissance
des végétations ou l'évolution des risques climatiques sur une plus longue période
dans les deltas et les zones côtières du Vietnam. Les phénomènes de l’inondation, la
sécheresse et l'intrusion saline dans les zones côtières ont provoqué un changement
de l’occupation du sol dans les systèmes deltaïques du Vietnam. Ainsi, sans un
contrôle et suivi efficaces, ces changements pourraient avoir un impact dévastateur
sur l'équilibre naturel et socio-économique du pays vu l’importance de la région.

134
Bibliographie
Abdikan, S., Balik Sanli, F., Üstüner, M., Calò, F., 2016. LAND COVER MAPPING
USING SENTINEL-1 SAR DATA, ISPRS - International Archives of the
Photogrammetry, Remote Sensing et Spatial Information Sciences.
[Link]

Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S., 2010. SLIC
superpixels. Technical report, EPFL.

[Link], M., Shafri, H., Hamedianfar, A., 2017. New semi-automated mapping of
asbestos cement roofs using rule-based object-based image analysis et
Taguchi optimization technique from WorldView-2 images. International
Journal of Remote Sensing 38, 467–491.
[Link]

Arisoy, S., Kayabol, K., 2016. Mixture-Based Superpixel Segmentation et

Classification of SAR Images. IEEE Geoscience et Remote Sensing Letters
13, 1721–1725. [Link]

Awad, M., Khanna, R., 2015. Machine Learning, in: Awad, M., Khanna, R. (Eds.),
Efficient Learning Machines: Theories, Concepts, et Applications for Engineers
et System Designers. Apress, Berkeley, CA, pp. 1–18.
[Link]

Baatz, M., Hoffmann, C., Willhauck, G., 2008. Progressing from object-based to object-
oriented image analysis, in: Blaschke, T., Lang, S., Hay, G.J. (Eds.), Object-
Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote
Sensing Applications, Lecture Notes in Geoinformation et Cartography.
Springer, Berlin, Heidelberg, pp. 29–42. [Link]
77058-9_2

Baatz, M., Schape, A., 2000. Multiresolution segmentation: an optimization approach

for high quality multi-scale image segmentation. Multiresolution Segmentation:
An Optimization Approach for High Quality Multi-scale Image Segmentation
12–23.

Balzter, H., Cole, B., Thiel, C., Schmullius, C., 2015. Mapping CORINE Land Cover
from Sentinel-1A SAR et SRTM Digital Elevation Model Data using Random
Forests. Remote Sensing 7, 14876–14898.
[Link]

Bé, N., Van, T., Hằng, T., Ân, N., 2017. Ảnh hưởng của xâm nhập mặn đến công tác
quản lý nguồn tài nguyên nước trong sản xuất nông nghiệp tại huyện Long
Phú, tỉnh Sóc Trăng. Can Tho University, Journal of Science 52, 104.
[Link]

135
Bengio, Y., Courville, A., Vincent, P., 2014. Representation Learning: A Review et New
Perspectives. arXiv:1206.5538 [cs].

Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen, M., 2004. Multi-
resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready
information. ISPRS Journal of Photogrammetry et Remote Sensing,
Integration of Geodata et Imagery for Automated Refinement et Update of
Spatial Databases 58, 239–258.
[Link]

Bergeret, P., 2004. Les enjeux de la libéralisation économique pour le développement

agricole au Vietnam, Dans Le Vietnam à l’aube du XXIe siècle: Bilan et
perspectives politiques, économiques et sociales, Karthala. ed.

Bianchi, T., Allison, M., 2009. Large-river delta-front estuaries as natural “recorders” of
global environmental change. Proceedings of the National Academy of
Sciences. [Link]

Biggs, D.A., 2012. Quagmire: Nation-Building et Nature in the Mekong Delta.

University of Washington Press.

Blaschke, T., 2010. Object based image analysis for remote sensing. ISPRS Journal
of Photogrammetry et Remote Sensing 65, 2–16.
[Link]

Blaschke, T., Hay, G.J., Kelly, M., Lang, S., Hofmann, P., Addink, E., Queiroz Feitosa,
R., van der Meer, F., van der Werff, H., van Coillie, F., Tiede, D., 2014.
Geographic Object-Based Image Analysis - Towards a new paradigm. ISPRS
Journal of Photogrammetry et Remote Sensing 87, 180–191.
[Link]

Boualleg, Y., Farah, M., Farah, I.R., 2019. Remote Sensing Scene Classification Using
Convolutional Features et Deep Forest Classifier. IEEE Geoscience et Remote
Sensing Letters 16, 1944–1948. [Link]

Bovenga, F., 2020. Special Issue “Synthetic Aperture Radar (SAR) Techniques et
Applications.” Sensors (Basel) 20, 1851. [Link]

Breiman, L. (Ed.), 1998. Classification et regression trees, 1. CRC Press repr. ed.
Chapman & Hall/CRC, Boca Raton, Fla.

Breiman, L., 1996. Bagging predictors. Mach Learn 24, 123–140.

[Link]

Breiman, L., 2001. Random Forests. Machine Learning 45, 5–32.

[Link]

Brown, P.R., Tuan, V.V., Nhan, D.K., Dung, L.C., Ward, J., 2018. Influence of
livelihoods on climate change adaptation for smallholder farmers in the

136
 Mekong Delta Vietnam. null 16, 255–271.
[Link]

Ca, V.T., Vongvisessomjai, S., Asaeda, T., 1994. Study on Salinity Intrusion in the Red
River Delta. Environmental Systems Research 22, 213–218.
[Link]

Carreira-Perpiñán, M.Á., 2015. A review of mean-shift algorithms for clustering.

arXiv:1503.00687 [cs, stat].

Catlett, J., 1991. Megainduction: Machine Learning on Very Large Databases.

University of Sydney.

Castilla, G., Hay, G. J., 2008. Image objects et geographic objects, in: Blaschke, T.,
Lang, S., Hay, Geoffrey J. (Eds.), Object-Based Image Analysis: Spatial
Concepts for Knowledge-Driven Remote Sensing Applications, Lecture Notes
in Geoinformation et Cartography. Springer, Berlin, Heidelberg, pp. 91–110.
[Link]

Cian, F., Marconcini, M., Ceccato, P., 2018. Normalized Difference Flood Index for
rapid flood mapping: Taking advantage of EO big data. Remote Sensing of
Environment 209, 712–730. [Link]

Cloude, S., Zebker, H., 2010. Polarisation: Applications in Remote Sensing. Physics
Today - PHYS TODAY 63. [Link]

Cochran, W.G., 1977. Sampling Techniques, 3rd Edition. John Wiley.

Comaniciu, D., Ramesh, V., Meer, P., 2001. The variable bandwidth mean shift et data-
driven scale selection, in: Proceedings Eighth IEEE International Conference
on Computer Vision. ICCV 2001. Presented at the Proceedings Eighth IEEE
International Conference on Computer Vision. ICCV 2001, pp. 438–445 vol.1.
[Link]

Congalton, R., Green, K., 2019. Assessing the Accuracy of Remotely Sensed Data:
Principles et Practices, Third Edition. [Link]

Cortes, C., Vapnik, V., 1995. Support-vector networks. Mach Learn 20, 273–297.
[Link]

Cosslett, T.L., Cosslett, P.D., 2014. Major Threats to Mekong Delta: Climate Change
et Mainstream Dams, in: Cosslett, T.L., Cosslett, P.D. (Eds.), Water Resources
et Food Security in the Vietnam Mekong Delta, Natural Resource Management
et Policy. Springer International Publishing, Cham, pp. 75–96.
[Link]

Dai, Q., Wang, L., Xu, Q., Zhang, Y., 2014. An mean shift algorithm with adaptive
bandwidth et weight selection for high spatial remotely sensed imagery
segmentation, in: 2014 IEEE Geoscience et Remote Sensing Symposium.

137
 Presented at the 2014 IEEE Geoscience et Remote Sensing Symposium, pp.
1592–1595. [Link]

Dang, T.H., Coynel, A., Orange, D., Blanc, G., Etcheber, H., Le, L.A., 2010. Long-term
monitoring (1960–2008) of the river-sediment transport in the Red River
Watershed (Vietnam): Temporal variability et dam-reservoir impact. Science
of The Total Environment 408, 4654–4664.
[Link]

Đạt T.Q., Trung N.H., Likitdecharote K., 2012. MÔ PHỎNG XÂM NHẬP MẶN ĐỒNG
BẰNG SÔNG CỬU LONG DƯỚI TÁC ĐỘNG MỰC NƯỚC BIỂN DÂNG VÀ
SỰ SUY GIẢM LƯU LƯỢNG TỪ THƯỢNG NGUỒN. Tạp chí Khoa học
Trường Đại học Cần Thơ Số 21b, 141–150.

Delgado, J.M., Apel, H., Merz, B., 2010. Flood trends et variability in the Mekong river.
Hydrology et Earth System Sciences 14, 407–418.
[Link]

Demirović, D., 2019. An Implementation of the Mean Shift Algorithm. Image

Processing On Line 9, 251–268. [Link]

Dhara, S., Dang, T., Parial, K., Lu, X.X., 2020. Accounting for Uncertainty et
Reconstruction of Flooding Patterns Based on Multi-Satellite Imagery et
Support Vector Machine Technique: A Case Study of Can Tho City, Vietnam.
Water 12, 1543. [Link]

Do, N.H., Egashira, K., 2002. Irrigation et drainage systems et their impact on land use
et rice production after renovation (Doi Moi) in the Red River delta of Vietnam
- A case study in Tien Son District, Bac Ninh Province. Journal- Faculty of
Agriculture Kyushu University 46, 411–422.

Dobrinić, D., Gašparović, M., Medak, D., 2021. Sentinel-1 et 2 Time-Series for
Vegetation Mapping Using Random Forest Classification: A Case Study of
Northern Croatia. Remote Sensing 13, 2321.
[Link]

Dobrinić, D., Medak, D., Gašparović, M., 2020. INTEGRATION OF MULTITEMPORAL

SENTINEL-1 AND SENTINEL-2 IMAGERY FOR LAND-COVER
CLASSIFICATION USING MACHINE LEARNING METHODS, in: The
International Archives of the Photogrammetry, Remote Sensing et Spatial
Information Sciences. Presented at the XXIV ISPRS Congress, Commission I
(Volume XLIII-B1-2020) - 2020 edition, Copernicus GmbH, pp. 91–98.
[Link]

Dorian, B., 2015. L’utilisation de l’agent orange durant la guerre du Vietnam et ses
conséquences sur la santé.

Drǎguţ, L., Tiede, D., Levick, S.R., 2010. ESP: a tool to estimate scale parameter for
multiresolution image segmentation of remotely sensed data. International

138
 Journal of Geographical Information Science 24, 859–871.
[Link]

Dumanski, J., Pieri, C., 2000. Land quality indicators: research plan. Agriculture,
Ecosystems & Environment 81, 93–102. [Link]
8809(00)00183-3

Fang, G., Kwok, Y.-K., Yu, K., Zhu, Y., 1999. Numerical simulation of principal tidal
constituents in the South China Sea, Gulf of Tonkin et Gulf of Thailand.
Continental Shelf Research 19, 845–869. [Link]
4343(99)00002-3

FAO, 2016. FAO Yearbook. Fishery et Aquaculture Statistics 2014. FAO annuaire.
Statistiques des pêches et de l’aquaculture 2014. FAO anuario. Estadísticas
de pesca y acuicultura 2014, FAO Yearbook of Fishery et Aquaculture
Statistics. FAO, Rome, Italy.

Filipponi, F., 2019. Sentinel-1 GRD Preprocessing Workflow. Proceedings 18, 11.
[Link]

Foley, J., Defries, R., Asner, G., Barford, C., Bonan, G., Carpenter, S., Chapin III, F.S.,
Coe, M., Daily, G., Gibbs, H., Helkowski, J., Holloway, T., Howard, E.,
Kucharik, C., Monfreda, C., Patz, J., Prentice, I., Ramankutty, N., Snyder, P.,
2005. Global Consequences of Land Use. Science (New York, N.Y.) 309, 570–
4. [Link]

Foley, J.A., DeFries, R., Asner, G.P., Barford, C., Bonan, G., Carpenter, S.R., Chapin,
F.S., Coe, M.T., Daily, G.C., Gibbs, H.K., Helkowski, J.H., Holloway, T.,
Howard, E.A., Kucharik, C.J., Monfreda, C., Patz, J.A., Prentice, I.C.,
Ramankutty, N., Snyder, P.K., 2005. Global Consequences of Land Use.
Science 309, 570–574. [Link]

Foody, G.M., Mathur, A., 2004. Toward intelligent training of supervised image
classifications: directing training data acquisition for SVM classification.
Remote Sensing of Environment 93, 107–117.
[Link]

Fourie, C., Schoepfer, E., 2014. Data Transformation Functions for Expanded Search
Spaces in Geographic Sample Supervised Segment Generation. Remote
Sensing 6, 3791–3821. [Link]

Frenken, K., 2012. Mekong River Basin.” In Irrigation in Southern et Eastern Asia in
Figures: Aquastat Survey. FAO Water Reports.

Fu, T., Ma, L., Li, M., Johnson, B.A., 2018. Using convolutional neural network to
identify irregular segmentation objects from very high-resolution remote
sensing imagery. JARS 12, 025010. [Link]

139
Fukunaga, K., Hostetler, L., 1975. The estimation of the gradient of a density function,
with applications in pattern recognition. IEEE Transactions on Information
Theory 21, 32–40. [Link]

Gao, Y., Mas, J., Kerle, N., Pacheco, J., 2011. Optimal region growing segmentation
et its effect on classification accuracy. International Journal of Remote Sensing
32, 3747–3763. [Link]

Gilard, O., 2006. Risques d’inondation dans le delta du fleuve Rouge. Herodote no
121, 42–54.

Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random Forests for land
cover classification. Pattern Recognition Letters, Pattern Recognition in
Remote Sensing (PRRS 2004) 27, 294–300.
[Link]

Gong, P., Wang, J., Yu, Le, Zhao, Yongchao, Zhao, Yuanyuan, Liang, L., Niu, Z.,
Huang, X., Fu, H., Liu, S., Li, C., Li, X., Fu, W., Liu, C., Xu, Y., Wang, X.,
Cheng, Q., Hu, L., Yao, W., Zhang, Han, Zhu, P., Zhao, Z., Zhang, Haiying,
Zheng, Y., Ji, L., Zhang, Y., Chen, H., Yan, A., Guo, J., Yu, Liang, Wang, L.,
Liu, X., Shi, T., Zhu, M., Chen, Y., Yang, G., Tang, P., Xu, B., Giri, C., Clinton,
N., Zhu, Z., Chen, Jin, Chen, Jun, 2013. Finer resolution observation et
monitoring of global land cover: first mapping results with Landsat TM et ETM+
data. International Journal of Remote Sensing 34, 2607–2654.
[Link]

Gu, H., Li, H., Yan, L., Lu, X., 2015. A Framework for Geographic Object-Based Image
Analysis (GEOBIA) based on geographic ontology. ISPRS - International
Archives of the Photogrammetry, Remote Sensing et Spatial Information
Sciences XL-7/W4, 27–33. [Link]
2015

Gupta, A., 2009. Chapter 3 - Geology et Landforms of the Mekong Basin, in: Campbell,
I.C. (Ed.), The Mekong, Aquatic Ecology. Academic Press, San Diego, pp. 29–
51. [Link]

Ha, T.T.P., van Dijk, H., Visser, L., 2014. Impacts of changes in mangrove forest
management practices on forest accessibility et livelihood: A case study in
mangrove-shrimp farming system in Ca Mau Province, Mekong Delta,
Vietnam. Land Use Policy 36, 89–101.
[Link]

Hall, J., Arheimer, B., Borga, M., Brázdil, R., Claps, P., Kiss, A., Kjeldsen, T.R.,
Kriaučiūnienė, J., Kundzewicz, Z.W., Lang, M., Llasat, M.C., Macdonald, N.,
McIntyre, N., Mediero, L., Merz, B., Merz, R., Molnar, P., Montanari, A.,
Neuhold, C., Parajka, J., Perdigão, R. a. P., Plavcová, L., Rogger, M., Salinas,
J.L., Sauquet, E., Schär, C., Szolgay, J., Viglione, A., Blöschl, G., 2014.
Understanding flood regime changes in Europe: a state-of-the-art assessment.

140
 Hydrology et Earth System Sciences 18, 2735–2772.
[Link]

Hamada, M.A., Kanat, Y., Abiche, A.E., 2019. Multi-Spectral Image Segmentation
Based on the K-means Clustering 9, 4.

Haruyama, S., 1995. Geomorphologic features of the Song Hong delta. J Int Relat Stud
21, 1–13.

Hashimoto, T.R., 2001. Environmental Issues et Recent Infrastructure Development in

the Mekong Delta: Review, Analysis et Recommendations with Particular
Reference to Large-Scale Wa-ter Control Projects et the Development of
Coastal Areas, (Working Paper No. 4). Australian Mekong Resource Centre,
University of Sydney, Australia.

Hay, G., Castilla, G., 2008. Geographic Object-Based Image Analysis (GEOBIA): A
new name for a new discipline, in: Object-Based Image Analysis - Spatial
Concepts for Knowledge-Driven Remote Sensing Applications. pp. 75–89.
[Link]

Hay, G.J., 1994. Visualizing 3-D texture: a three dimensional structural approach to
model forest texture. Can. J. Remote Sensing 90–101.

Hay, G.J., Niemann, K.O., McLean, G.F., 1996. An object-specific image-texture

analysis of H-resolution forest imagery. Remote Sensing of Environment 55,
108–122. [Link]

Hay, G.J., Niernann, K.O., Goodenough, D.G., 1997. Spatial thresholds, image-
objects, et upscaling: A multiscale evaluation. Remote Sensing of Environment
62, 1–19. [Link]

Hinton, G.E., Osindero, S., Teh, Y.-W., 2006. A Fast Learning Algorithm for Deep Belief
Nets. Neural Computation 18, 1527–1554.
[Link]

Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe,
S., Kim, H., Kanae, S., 2013. Global flood risk under climate change. Nature
Climate Change 3, 816–821. [Link]

Hoanh, C.T., , N.D. Phong, T.P. Tuong, J.W. Gowing, N.V. Ngoc, L.T. An, et N.V.
MinhPhong, T.P. Tuong, J.W. Gowing, N.V. Ngoc, L.T. An,, Minh, et N.V.,
2002. Water Management For Sustainable Agricultural And Aquacultural
Development In Bac Lieu Province. Paper presented at the Mid-term Review
IRRI, University of Newcastle, ICLARM, University of Can Tho, Sub-Institute
of Water Resources Planning, Department of Agriculture & Rural
Development, Bac Lieu Province, Vietnam. Presented at the Workshop in Bac
Lieu June 2002.

141
Hong Quang, N., Tuan, V.A., Thi Thu Hang, L., Manh Hung, N., Thi The, D., Thi Dieu,
D., Duc Anh, N., Hackney, C.R., 2020. Hydrological/Hydraulic Modeling-Based
Thresholding of Multi SAR Remote Sensing Data for Flood Monitoring in
Regions of the Vietnamese Lower Mekong River Basin. Water 12, 71.
[Link]

Huang, C., Davis, L., Townshend, J., 2002. An assessment of support vector machines
for land cover classification. International Journal of Remote Sensing 23.
[Link]

Hung, B.V., 2017. Identify the Major Reasons to Cause Vulnerability to Mekong Delta
Under the Impacts of Drought et Climate Change, in: Kurisu, F., Ramanathan,
AL., Kazmi, A.A., Kumar, M. (Eds.), Trends in Asian Water Environmental
Science et Technology. Springer International Publishing, Cham, pp. 211–222.
[Link]

IMHEN, 2011. Scenarios of climate change et sea level rises for Viet Nam. Ministry of
Natural Resources et Environments, Hanoi.

Ienco, D., Interdonato, R., Gaetano, R., Ho Tong Minh, D., 2019. Combining Sentinel-
1 et Sentinel-2 Satellite Image Time Series for land cover mapping via a multi-
source deep learning architecture. ISPRS Journal of Photogrammetry et
Remote Sensing 158, 11–22. [Link]

Jozdani, S., Johnson, B., Chen, D., 2019. Comparing Deep Neural Networks,
Ensemble Classifiers, et Support Vector Machine Algorithms for Object-Based
Urban Land Use/Land Cover Classification. Remote Sensing 11.
[Link]

Kansakar, P., Hossain, F., 2016. A review of applications of satellite earth observation
data for global societal benefit et stewardship of planet earth. Space Policy 36,
46–54. [Link]

Kavitha, A.V., Srikrishna, A., Satyanarayana, C., 2021. A Review on Detection of Land
Use et Land Cover from an Optical Remote Sensing Image. IOP Conf. Ser.:
Mater. Sci. Eng. 1074, 012002. [Link]
899X/1074/1/012002

Kettig, R.L., Landgrebe, D.A., 1976. Classification of Multispectral Image Data by

Extraction et Classification of Homogeneous Objects. IEEE Transactions on
Geoscience Electronics 14, 19–26. [Link]

Khan, S.S., Ahmad, A., 2004. Cluster center initialization algorithm for K-means
clustering. Pattern Recognition Letters 25, 1293–1302.
[Link]

Kondolf, G.M., Rubin, Z.K., Minear, J.T., 2014. Dams on the Mekong: Cumulative
sediment starvation. Water Resources Research 50, 5158–5169.
[Link]

142
Kontgis, C., Schneider, A., Ozdogan, M., 2015. Mapping rice paddy extent et
intensification in the Viêt-Namese Mekong River Delta with dense time stacks
of Landsat data. Remote Sensing of Environment 169, 255–269.
[Link]

Kuemmerle, T., Chaskovskyy, O., Knorn, J., Radeloff, V.C., Kruhlov, I., Keeton, W.S.,
Hostert, P., 2009. Forest cover change et illegal logging in the Ukrainian
Carpathians in the transition period from 1988 to 2007. Remote Sensing of
Environment 113, 1194–1207. [Link]

Lambin, E.F., Geist, H., n.d. Land-use et Land-cover Change: Local Processes et
Global Impacts. Springer London NetLibrary, Inc. [distributor], Guildford
Boulder.

Lambin, E.F., Geist, H.J., 2006. Land-Use et Land-Cover Change: Local Processes et
Global Impacts. Springer Science & Business Media.

Lam-Dao, N., Pham-Bach, V., Nguyen-Thanh, M., Pham-Thi, M.-T., Hoang-Phi, P.,
2011. Change Detection of Land use et Riverbank in Mekong Delta, Vietnam
using Time Series Remotely Sensed Data. jore 2, 370–374.
[Link]

Lary, D.J., Alavi, A.H., Gandomi, A.H., Walker, A.L., 2016. Machine learning in
geosciences et remote sensing. Geoscience Frontiers, Special Issue:
Progress of Machine Learning in Geosciences 7, 3–10.
[Link]

Le, T.P.Q., Garnier, J., Gilles, B., Sylvain, T., Van Minh, C., 2007. The changing flow
regime et sediment load of the Red River, Viet Nam. Journal of Hydrology 334,
199–214. [Link]

LeCun, Y., Bengio, Y., Hinton, G., 2015. Deep Learning. Nature 521, 436–44.
[Link]

Lee, J., Jurkevich, L., Dewaele, P., Wambacq, P., Oosterlinck, A., 1994a. Speckle
filtering of synthetic aperture radar images: A Review. Remote Sensing
Reviews 8. [Link]

Lee, J., Jurkevich, L., Dewaele, P., Wambacq, P., Oosterlinck, A., 1994b. Speckle
filtering of synthetic aperture radar images: A Review. Remote Sensing
Reviews 8. [Link]

Lee, J.S., Pottier, E., 2009. Polarimetric Radar Imaging : From basics to applications.,
Optical Science et Engineering. CRC Press, Taylor & Francis Editor,.

Lewis, D.D., Catlett, J., 1994. Heterogeneous Uncertainty Sampling for Supervised
Learning, in: In Proceedings of the Eleventh International Conference on
Machine Learning. Morgan Kaufmann, pp. 148–156.

143
Li, Z., Saito, Y., Matsumoto, E., Wang, Y., Tanabe, S., Lan Vu, Q., 2006. Climate
change et human impact on the Song Hong (Red River) Delta, Vietnam, during
the Holocene. Quaternary International, Precipitation: it’s influence on
Quaternary events in eastern Asia 144, 4–28.
[Link]

Liu, D., Xia, F., 2010. Assessing object-based classification: Advantages et limitations.
Remote Sensing Letters 1, 187–194.
[Link]

Liu, S., Li, X., Chen, D., Duan, Y., Ji, H., Zhang, L., Chai, Q., Hu, X., 2020.
Understanding Land use/Land cover dynamics et impacts of human activities
in the Mekong Delta over the last 40 years. Global Ecology et Conservation
22, e00991. [Link]

Longepe, N., Rakwatin, P., Isoguchi, O., Shimada, M., Uryu, Y., Yulianto, K., 2011.
Assessment of ALOS PALSAR 50 m Orthorectified FBD Data for Regional
Land Cover Classification by Support Vector Machines. IEEE Transactions on
Geoscience et Remote Sensing 49, 2135–2150.
[Link]

Lowe, B., Kulkarni, A., 2015. Multispectral Image Analysis Using Random Forest.
International Journal on Soft Computing 6, 1–14.
[Link]

Luu, T.N.M., Garnier, J., Billen, G., Orange, D., Némery, J., Le, T.P.Q., Tran, H.T., Le,
L.A., 2010. Hydrological regime et water budget of the Red River Delta
(Northern Vietnam). Journal of Asian Earth Sciences 37, 219–228.
[Link]

Lv, X., Ming, D., Chen, Y., Wang, M., 2018. Very high resolution remote sensing image
classification with SEEDS-CNN et scale effect analysis for superpixel CNN
classification. International Journal of Remote Sensing 40, 1–26.
[Link]

Ma, L., Du, B., Chen, H., Soomro, N.Q., 2016. Region-of-Interest Detection via
Superpixel-to-Pixel Saliency Analysis for Remote Sensing Image. IEEE
Geoscience et Remote Sensing Letters 13, 1752–1756.
[Link]

Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. A review of supervised object-
based land-cover image classification. ISPRS Journal of Photogrammetry et
Remote Sensing 130, 277–293.
[Link]

Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., Johnson, B.A., 2019. Deep learning in remote
sensing applications: A meta-analysis et review. ISPRS Journal of
Photogrammetry et Remote Sensing 152, 166–177.
[Link]
144
MacQueen, J., 1967. Some methods for classification et analysis of multivariate
observations. Presented at the Proceedings of the Fifth Berkeley Symposium
on Mathematical Statistics et Probability, Volume 1: Statistics, The Regents of
the University of California.

Manandhar, R., Odeh, I.O.A., Ancev, T., 2009. Improving the Accuracy of Land Use et
Land Cover Classification of Landsat Data Using Post-Classification
Enhancement. Remote Sensing 1, 330–344.
[Link]

Marceau, D.J., Howarth, P.J., Dubois, J.M., Gratton, D.J., 1990. Evaluation Of The
Grey-level Co-occurrence Matrix Method For Land-cover Classification Using
Spot Imagery. IEEE Transactions on Geoscience et Remote Sensing 28, 513–
519. [Link]

Mercier, A., Betbeder, J., Rumiano, F., Baudry, J., Gond, V., Blanc, L., Bourgoin, C.,
Cornu, G., Ciudad, C., Marchamalo, M., Poccard-Chapuis, R., Hubert-Moy, L.,
2019. Evaluation of Sentinel-1 et 2 Time Series for Land Cover Classification
of Forest–Agriculture Mosaics in Temperate et Tropical Landscapes. Remote
Sensing 11, 979. [Link]

Michel, J., Youssefi, D., Grizonnet, M., 2015. Stable Mean-Shift Algorithm et Its
Application to the Segmentation of Arbitrarily Large Remote Sensing Images.
IEEE Transactions on Geoscience et Remote Sensing 53, 952–964.
[Link]

Minderhoud, P.S.J., Coumou, L., Erban, L.E., Middelkoop, H., Stouthamer, E., Addink,
E.A., 2018. The relation between land use et subsidence in the Vietnamese
Mekong delta. Science of The Total Environment 634, 715–726.
[Link]

Mitchell, T.M., 1997. Machine Learning, McGraw-Hill series in computer science.

McGraw-Hill, New York.

Michel, J., Youssefi, D., Grizonnet, M., 2015. Stable Mean-Shift Algorithm et Its
Application to the Segmentation of Arbitrarily Large Remote Sensing Images.
IEEE Transactions on Geoscience et Remote Sensing 53, 952–964.
[Link]

Moreira, A., Prats-Iraola, P., Younis, M., Krieger, G., Hajnsek, I., Papathanassiou, K.P.,
2013. A tutorial on synthetic aperture radar. IEEE Geoscience et Remote
Sensing Magazine 1, 6–43. [Link]

Morgan, J.N., Sonquist, J.A., 1963. Problems in the Analysis of Survey Data, et a
Proposal. Journal of the American Statistical Association 58, 415–434.
[Link]

Morinaka, Y., Sakamoto, T., Inukai, Y., Agetsuma, M., Kitano, H., Ashikari, M.,
Matsuoka, M., 2006. Morphological Alteration Caused by Brassinosteroid

145
 Insensitivity Increases the Biomass et Grain Production of Rice1. Plant
Physiology. [Link]

Mujabar, S., Chandrasekar, N., 2011. A Shoreline Change analysis along the Coast
between Kanyakumari et Tuticorin, India using Remote sensing et GIS.
Arabian Journal of Geosciences 6. [Link]
4

NAS, 1974. NAS The Effects of Herbicides in South Vietnam National Academy of
Sciences, Washington (1974) Part a - Summary et Conclusions.

NEDECO, 1993. Mekong Delta Master Plan Study. A Perspective for Suitable
Development of Land et Water Resources, Volume I. World Bank.

Nguyen, T.T.H., Bie, C.A.J.M.D., Ali, A., Smaling, E.M.A., Chu, T.H., 2012. Mapping
the irrigated rice cropping patterns of the Mekong delta, Vietnam, through
hyper-temporal SPOT NDVI image analysis. International Journal of Remote
Sensing 33, 415–434. [Link]

NIAPP, 2001. Adjustment plan for agriculture, aquaculture, salt et forest production in
South of National Road 1A, Bac Lieu province. [in Vietnamese], Ho Chi Minh,
Vietnam.

Niculescu, S., Billey, A., Talab Ou Ali, H., 2019. Random Forest Classification using
Sentinel-1 et Sentinel-2 series for vegetation monitoring in the Pays de Brest
(France). SPIE j 10783.

Niculescu, S., Lam, C.N., 2019. Geographic Object-Based Image Analysis of Changes
in Land Cover in the Coastal Zones of the Red River Delta (Vietnam). Journal
of Environmental Protection 10, 413–430.
[Link]

Olofsson, P., Foody, G.M., Herold, M., Stehman, S.V., Woodcock, C.E., Wulder, M.A.,
2014. Good practices for estimating area et assessing accuracy of land
change. Remote Sensing of Environment 148, 42–57.
[Link]

Olofsson, P., Foody, G.M., Stehman, S.V., Woodcock, C.E., 2013. Making better use
of accuracy data in land change studies: Estimating accuracy et area et
quantifying uncertainty using stratified estimation. Remote Sensing of
Environment 129, 122–131. [Link]

Olofsson, P., Kuemmerle, T., Griffiths, P., Knorn, J., Baccini, A., Gancz, V., Viorel, B.,
Houghton, R., Abrudan, I., Woodcock, C., 2011. Carbon implications of forest
restitution in post-socialist Romania. Environmental Research Letters 6,
045202. [Link]

Pham, L.H., Pham, L.T.H., Dang, T.D., Tran, D.D., Dinh, T.Q., 2021. Application of
Sentinel-1 data in mapping land-use et land cover in a complex seasonal

146
 landscape: a case study in the coastal area of Vietnamese Mekong Delta.
Geocarto International 0, 1–18.
[Link]

Pham, Q.S., 2004. Study of development of Red River – Thai Binh River estuaries on
the basis of Remote Sensing’s Information et GIS for rational exploitation of
use of territory. PhD thesis on Protection, rational use et generation of natural
resources. National University.

Phan, T.H., 2018. Rice monitoring using radar remote sensing (phdthesis). Université
Paul Sabatier - Toulouse III.

Phan, H., Le Toan, T., Bouvet, A., Lam, N., Duy, T., Zribi, M., 2018. Mapping of Rice
Varieties et Sowing Date Using X-Band SAR Data. Sensors 18, 316.
[Link]

Phung, D., Nguyen-Huy, T., Tran, N.N., Tran, D.N., Doan, V.Q., Nghiem, S., Nguyen,
N.H., Nguyen, T.H., Bennett, T., 2021. Hydropower dams, river drought et
health effects: A detection et attribution study in the lower Mekong Delta
Region. Climate Risk Management 32, 100280.
[Link]

Pokhrel, Y., Burbano, M., Roush, J., Kang, H., Sridhar, V., Hyndman, D.W., 2018. A
Review of the Integrated Effects of Changing Climate, Land Use, et Dams on
Mekong River Hydrology. Water 10, 266. [Link]

Potere, D., Schneider, A., 2007. A critical look at representations of urban areas in
global maps. GeoJournal 69, 55–80. [Link]
9102-z

Quang, N.N., 2002. Vietnam et the sustainable development of the Mekong river basis.
Water Science et Technology 45, 261–266.
[Link]

Quinlan, J.R., 1986. Induction of Decision Trees. Mach. Learn 1, 81–106.

Rekik, A., Zribi, M., Benjelloun, M., Hamida, A. ben, 2006. A k-Means Clustering
Algorithm Initialization for Unsupervised Statistical Satellite Image
Segmentation, in: 2006 1ST IEEE International Conference on E-Learning in
Industrial Electronics. Presented at the 2006 1ST IEEE International
Conference on E-Learning in Industrial Electronics, pp. 11–16.
[Link]

Revilla-Romero, B., Hirpa, F.A., Pozo, J.T., Salamon, P., Brakenridge, R.,
Pappenberger, F., De Groeve, T., 2015. On the Use of Global Flood Forecasts
et Satellite-Derived Inundation Maps for Flood Monitoring in Data-Sparse
Regions. Remote Sensing 7, 15702–15728.
[Link]

147
Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P.,
2012. An assessment of the effectiveness of a random forest classifier for land-
cover classification. ISPRS Journal of Photogrammetry et Remote Sensing 67,
93–104. [Link]

Rosenblatt, F., 1957. The Perceptron, a Perceiving et Recognizing Automaton Project

Para. Cornell Aeronautical Laboratory.

Rouse, J., Haas, R.H., Deering, D., Schell, J.A., Harlan, J., 1973. Monitoring the Vernal
Advancement et Retrogradation (Green Wave Effect) of Natural Vegetation.
[Great Plains Corridor]. undefined.

Roy, D.P., Wulder, M.A., Loveland, T.R., C.e., W., Allen, R.G., Anderson, M.C., Helder,
D., Irons, J.R., Johnson, D.M., Kennedy, R., Scambos, T.A., Schaaf, C.B.,
Schott, J.R., Sheng, Y., Vermote, E.F., Belward, A.S., Bindschadler, R.,
Cohen, W.B., Gao, F., Hipple, J.D., Hostert, P., Huntington, J., Justice, C.O.,
Kilic, A., Kovalskyy, V., Lee, Z.P., Lymburner, L., Masek, J.G., McCorkel, J.,
Shuai, Y., Trezza, R., Vogelmann, J., Wynne, R.H., Zhu, Z., 2014. Landsat-8:
Science et product vision for terrestrial global change research. Remote
Sensing of Environment 145, 154–172.
[Link]

Rumelhart, D., Hinton, G.E., Williams, R.J., 1986. Learning representations by back-
propagating errors. Nature. [Link]

Sakamoto, T., Van Phung, C., Kotera, A., Nguyen, K.D., Yokozawa, M., 2009. Analysis
of rapid expansion of inland aquaculture et triple rice-cropping areas in a
coastal area of the Vietnamese Mekong Delta using MODIS time-series
imagery. Landscape et Urban Planning 92, 34–46.
[Link]

Salzberg, S.L., 1994. C4.5: Programs for Machine Learning by J. Ross Quinlan.
Morgan Kaufmann Publishers, Inc., 1993. Mach Learn 16, 235–240.
[Link]

Schiewe, J., 2012. Segmentation of high-resolution remotely sensed data - Concepts,

applications et problems. International Archives of Photogrammetry et Remote
Sensing 34.

Schmullius, C.C., Evans, D.L., 1997. Review article Synthetic aperture radar (SAR)
frequency et polarization requirements for applications in ecology, geology,
hydrology, et oceanography: A tabular status quo after SIR-C/X-SAR.
International Journal of Remote Sensing 18, 2713–2722.
[Link]

Schubert, A., Small, D., Miranda, N., Geudtner, D., Meier, E., 2015. Sentinel-1A
Product Geolocation Accuracy: Commissioning Phase Results. Remote
Sensing 7, 9431–9449. [Link]

148
Singh, M., Ahuja, N., 2002. Mean-Shift Segmentation with Wavelet-based Bandwidth
Selection. [Link]

Smajgl, A., Toan, T.Q., Nhan, D.K., Ward, J., Trung, N.H., Tri, L.Q., Tri, V.P.D., Vu,
P.T., 2015. Responding to rising sea levels in the Mekong Delta. Nature
Climate Change 5, 167–174. [Link]

Spruce, J., Bolten, J., Mohammed, I.N., Srinivasan, R., Lakshmi, V., 2020. Mapping
Land Use Land Cover Change in the Lower Mekong Basin From 1997 to 2010.
Front. Environ. Sci. 8. [Link]

Stibig, H.-J., Achard, F., Fritz, S., 2004. A new forest cover map of continental
southeast Asia derived from SPOT-VEGETATION satellite imagery. Applied
Vegetation Science 7, 153–162. [Link]
109X.2004.tb00606.x

Strahler, A.H., Boschetti, L., Foody, G.M., Friedl, M.A., Hansen, M.C., Herold, M.,
Morisette, J.T., Stehman, S.V., 2006. Global Land Cover Validation:
Recommendations for Evaluation et Accuracy Assessment of Global et Cover
Maps.

Stutz, D., Hermans, A., Leibe, B., 2018. Superpixels: An Evaluation of the State-of-the-
Art. Computer Vision et Image Understanding 166, 1–27.
[Link]

Taylor, P., 2014. The khmer lands of Vietnam: Environment, cosmology et sovereignty.
NUS Press, Singapore.

Thanh Noi, P., Kappas, M., 2018. Comparison of Random Forest, k-Nearest Neighbor,
et Support Vector Machine Classifiers for Land Cover Classification Using
Sentinel-2 Imagery. Sensors 18, 18. [Link]

Thompson, J.R., Laizé, C.L.R., Green, A.J., Acreman, M.C., Kingston, D.G., 2014.
Climate change uncertainty in environmental flows for the Mekong River.
Hydrological Sciences Journal 59, 935–954.
[Link]

Thuan, N.T., 2006. The dry season flow in the Mekong Delta: The report collection of
the Science Technology conference. The Institute of Hydrology Technology et
Environments.

Ticehurst, C., Guerschman, J.P., Chen, Y., 2014. The Strengths et Limitations in Using
the Daily MODIS Open Water Likelihood Algorithm for Identifying Flood
Events. Remote Sensing 6, 11791–11809. [Link]

Tiede, D., Lang, S., Hoffmann, C., 2008. Domain-specific class modelling for one-level
representation of single trees, in: Blaschke, T., Lang, Stefan, Hay, G.J. (Eds.),
Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven
Remote Sensing Applications, Lecture Notes in Geoinformation et

149
 Cartography. Springer, Berlin, Heidelberg, pp. 133–151.
[Link]

Tilman, D., 2001. Forecasting Agriculturally Driven Global Environmental Change.

Science 292, 281–284. [Link]

Tilman, D., Fargione, J., Wolff, B., D’Antonio, C., Dobson, A., Howarth, R., Schindler,
D., Schlesinger, W.H., Simberloff, D., Swackhamer, D., 2001. Forecasting
Agriculturally Driven Global Environmental Change. Science 292, 281–284.
[Link]

Tomiyasu, K., 1978. Tutorial review of synthetic-aperture radar (SAR) with applications
to imaging of the ocean surface. Proceedings of the IEEE 66, 563–583.
[Link]

Tran, H., Tran, T., Kervyn, M., 2015. Dynamics of Land Cover/Land Use Changes in
the Mekong Delta, 1973–2011: A Remote Sensing Analysis of the Tran Van
Thoi District, Ca Mau Province, Vietnam. Remote Sensing 7, 2899–2925.
[Link]

Trung, N., 2006. Comparing land use planning approaches in the Mekong Delta,
Vietnam /.

Trung, N.H., Tri, L.Q., Mensvoort, M.E.F. van, Bregt, A.K., 2007. Application of GIS in
land-use planning: a case study in the Coastal Mekong Delta of Vietnam.
International Journal of Geoinformatics 3, 1–8.

Truong, T.D., Do, L.H., 2018. Mangrove forests et aquaculture in the Mekong river
delta. Land Use Policy 73, 20–28.
[Link]

van Maren, D.S., 2007. Water et sediment dynamics in the Red River mouth et
adjacent coastal zone. Journal of Asian Earth Sciences, Morphodynamics of
the Red River Delta, Vietnam 29, 508–522.
[Link]

Västilä, K., Kummu, M., Sangmanee, C., Chinvanno, S., 2010. Modelling climate
change impacts on the flood pulse in the Lower Mekong floodplains.
JOURNAL OF WATER AND CLIMATE CHANGE 1, 67–86.
[Link]

Vörösmarty, C.J., Green, P., Salisbury, J., Lammers, R.B., 2000. Global Water
Resources: Vulnerability from Climate Change et Population Growth. Science
289, 284–288. [Link]

Wackernagel, M., Schulz, N.B., Deumling, D., Linares, A.C., Jenkins, M., Kapos, V.,
Monfreda, C., Loh, J., Myers, N., Norgaard, R., Randers, J., 2002. Tracking
the ecological overshoot of the human economy. PNAS 99, 9266–9271.
[Link]

150
Wang, K., Franklin, S.E., Guo, X., He, Y., McDermid, G.J., 2009. Problems in remote
sensing of landscapes et habitats. Progress in Physical Geography: Earth et
Environment 33, 747–768. [Link]
Wang, W., Lu, H., Leung, L.R., Li, H.-Y., Zhao, J., Tian, F., Yang, K., Sothea, K., 2017.
Dam Construction in Lancang-Mekong River Basin Could Mitigate Future
Flood Risk From Warming-Induced Intensified Rainfall. Geophysical Research
Letters 44, 10,378-10,386. [Link]
Weng, Q., 2009. Remote Sensing et GIS Integration: Theories, Methods, et
Applications.
White, I., 2002. Water management in the Mekong delta: changes, conflicts et
opportunities, in: UNESCO’s International Hydrological Programme. Technical
Documents in Hydrology, No 61.
Wilder, M., Phuong, N.T., 2002. The status of aquaculture in the Mekong Delta region
of Vietnam: Sustainable production et combined farming systems. Fisheries
science 68, 847–850. [Link]
Woodcock, C.E., Strahler, A.H., 1987. The factor of scale in remote sensing. Remote
Sensing of Environment 21, 311–332. [Link]
4257(87)90015-0
Xian, G., Crane, M., 2005. Assessments of urban growth in the Tampa Bay watershed
using remote sensing data. Remote Sensing of Environment 97, 203–215.
[Link]
Yang, G., Pu, R., Zhang, J., Zhao, C., Feng, H., Wang, J., 2013. Remote sensing of
seasonal variability of fractional vegetation cover et its object-based spatial
pattern analysis over mountain areas. ISPRS Journal of Photogrammetry et
Remote Sensing 77, 79–93. [Link]
Yang, J., He, Y., Weng, Q., 2015. An Automated Method to Parameterize
Segmentation Scale by Enhancing Intrasegment Homogeneity et
Intersegment Heterogeneity. IEEE Geoscience et Remote Sensing Letters 12,
1282–1286. [Link]
Zhou, Chellappa, 1988. Computation of optical flow using a neural network, in: IEEE
1988 International Conference on Neural Networks. Presented at the IEEE
1988 International Conference on Neural Networks, pp. 71–78 vol.2.
[Link]
Zhou, H., Li, X., Schaefer, G., Celebi, M.E., Miller, P., 2013. Mean shift based gradient
vector flow for image segmentation. Computer Vision et Image Understanding
117, 1004–1016. [Link]
Zhu, X.X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., Fraundorfer, F., 2017. Deep
learning in remote sensing: a review. IEEE Geosci. Remote Sens. Mag. 5, 8–
36. [Link]

151
ANNEXE

1. Points d’observation et de validation des résultats sur le terrain

Figure 48 : Points d’observation et de validation dans le delta du Mékong.

Tableau 31: Nombre de points d’observation.

Classe Nombre de points

Forêt 83
Rizière 126
Jardin 123
Village 73
Végétation
45
basse
Eau Permanente 127
Canne à sucre 50
Cocotier 30
La somme 657

152
2. Calcul du coefficient de rétrodiffusion

Figure 49 : Profils VH temporel des classes de l’occupation du sol en 2019.

Figure 50 : Profils VV temporel des classes de l’occupation du sol en 2019.

153
Figure 51 : Profils VH temporel des classes de l’occupation du sol en 2020.

Figure 52 : Profils VV temporel des classes de l’occupation du sol en 2020

154
 3. Paramétrage des modèles d’apprentissage automatique

Tableau 32 : Optimisation des paramètres (Range, gamma) pour construire un

modèle SVM pour des données 2016,2017, 2018 afin de cartographier l’occupation
du sol du delta du fleuve Rouge
Données Données Données
2016 2017 2018
Range Gamma précision précision précision
0.01 0.1 0.1969 0.2146 0.2055
0.01 1 0.3526 0.2146 0.2055
0.01 100 0.3541 0.2146 0.3111
1 0.1 0.7236 0.4873 0.6460
1 1 0.8396 0.7651 0.8163
1 100 0.8992 0.8333 0.8810
100 0.1 0.9053 0.8358 0.8791
100 1 0.9496 0.8787 0.9314
100 100 1.0 0.9671 0.9857

4. Python codes des modèles d’apprentissage à structure profonde.

Tableau 32 : Code Python du modèle Multilayer Perceptron

Tableau 33 : Code Python du modèle Convolutional Neural Network

155
 Titre : Méthodes de Machine Learning pour le suivi de l’occupation du sol des deltas du Viêt-Nam.

Mots clés : méthodes d’apprentissage automatique, delta du Vietnam, suivi de l’occupation du sol,

Résumé : Le développement socio-économique au Mékong. En effet, un travail expérimental a été

Vietnam est associé à l'existence des grands deltas effectué en vérifiant et évaluant l’apport du
fluviaux. En outre, les facteurs environnementaux traitement d’images multi-capteurs par de
tels que la sécheresse et l’inondation jouent un rôle nombreuses approches de segmentation d’image
important dans le changement de l’occupation du et d’apprentissage automatique peu profond et
sol au niveau de ces deltas. Ces changements ne profond. Ainsi, un modèle de Convolutional Neural
sont pas sans impact sur l’équilibre naturel et Network (CNN) adapté au contexte de l’étude, a
économique du pays. Dans cette optique, cette démontré sa robustesse pour la détection et la
thèse a pour objectifs de proposer des méthodes cartographie de l’occupation du sol afin de
de traitement des données satellites pour une caractériser l’aléa de l’inondation et d’analyser les
cartographie et suivi efficaces de l’occupation du enjeux.
sol au niveau des deux principaux deltas du Viêt-
Nam, fleuve rouge et du

Title : Machine Learning methods for monitoring land use in deltas of Vietnam

Keywords : Machine learning, delta of Vietnam, monitoring of Land cover/Land use

Abstract : Socio-economic development in Vietnam Delta. Indeed, experimental work has been carried
is associated with the existence of large fluvial out by verifying and evaluating the contribution of
deltas. Furthermore, environmental factors such as multi-sensor image processing through various
dryness and flooding have an important role in the image segmentation approaches and machine/deep
change of land use/land cover within these deltas. learning algorithms. Thus, a Convolutional Neural
These changes have an impact on the natural and Network (CNN) model adapted to the context of the
economic balance of the country. In this perspective, study demonstrated its robustness for the detection
the objectives of the present thesis are to suggest and mapping of land use in order to characterise the
processing methods of satellite data for an efficient flood hazard and analyse the issues at risk.
mapping and monitoring of land use in the two main
deltas of Vietnam, the Red River and the Mekong