Etapes de la télédétection
1 Acquisition
Satellites Drones
Visualisation
2
Combinaison multi spectrale
Prétraitement
3
Correction
Radiométrique Géométrique
Traitement
Classification
Supervisée Non-Supervisée
5 Post traitement
Filtre non-linéaire Fusion
6 Résultats
Données brutes Carte thématique Courbe graphique statistique
Classification :
La classification est le processus de trier des pixels dans un nombre fini de classes
individuelles, ou les catégories de données, basée sur leurs valeurs de fichier de
données. Si un pixel satisfait un certain nombre de critères, il sera assigné à la
classe. Il existe deux classifications différentes : dirigée (supervisée) et non-
dirigée (non supervisée). Cette dernière, ne nécessite pas l’intervention
d’opérateurs. On peut faire de la classification avec Idrisi, Erdas Imagine, ArcGis,
Envi, Qgis… contrairement à la classification supervisée, qui est plus étroitement
contrôlée par l’opérateur, où nous choisissons les pixels (zones d’entraînement)
représentant des classes thématiques.
L’image brute est inutilisable, sans traitement supplémentaire pour la rendre
exploitable, d’où l’importance de savoir repérer de façon plus ou moins
automatique les zones homogènes de l’image. L’objectif du traitement d’image
satellitaire est d’en extraire le maximum d’information qui intéresse le futur
utilisateur de l’image et d’évacuer tout ce qui est superflu (Pony et al 2000).
Il existe de nombreuses méthodes d’analyse d’image dont : la Classification, qui
a pour objectif général de traduire des informations spectrales (bandes) en classes
thématiques (d'occupation du sol, par ex.)
Nb : Si votre image ne renferme pas de lignes manquantes, rayures, … (ne
nécessitant une quelconque correction), alors on peut passer directement à la
classification comme fut notre cas.
Lignes manquantes Rayures
Band : Band :
Band :
bandec4 bandec3
bandec4
bandec3 bandec2
bandec4
bandec2 bandec1
bandec1
LA REPETITION EST PEDAGOGIQUE !
Changer la combinaison des bandes à votre convenance.
Classification Supervisée >>> ArcGis
Définition des classes
thématiques
Modification des
classes thématiques,
Choix des zones si nécessaire
d’entrainement
Analyse des signatures
spectrales
Classification des zones
d’entrainement
Classification de l’image
VALIDATION
Cas pratique : classification supervisée de l’image Sentinel 2, de la Commune de
Hann Bel-Air (Sénégal 2018) en 4 classes (Bâti, Végétation, Eau, Sol nu)
1ere méthode :
1. Identification des thèmes à cartographier
On commence d’abord par identifier les thèmes (classes) à cartographier sur
l’image en les numérotant.
Exemple nous avons identifié 4 classes :
1 Eau
2 Bâti
3 Végétation
4 Sol-nu
Eau Bâti Végétation Sol-nu
NB : Toutefois, on peut modifier l’ordre des classes ci-dessus en l’adaptant au
résultat de la classification, si cette dernière ne respecte pas l’échantillonnage
(comme fut notre cas avec non-supervisée).
2. Création des parcelles d’entraînement pour chaque classe
ArcGis >> Importer image-composition-colorée >> Catalog >> Clic-droit sur un
dossier >> New-Shapefile >> Enregistrer nom >> Choisir type (point ou
polygone) >> Editer le système de coordonnées (ici : WGS 1984, UTM Zone
28N) >> OK
Editer la couche créée >> Faite des points ou polygones pour chaque objet (thème)
à cartographier et les regrouper à la fin pour former une classe.
3. Vérification de la séparabilité des parcelles d’entrainement
Apres l’édition de chaque objet >> Clic-droit sur la couche >> Open Table
Attributaire >> Field Calculator >> Mettre un numéro correspond à chaque thème
>> OK.
Nb : n’oublier pas d’arrêter l’édition, une fois avoir terminer.
4. La classification en utilisant le maximum de vraisemblance
Premièrement, nous allons créer une signature spectrale >> ArcToolbox >>
Spatial Analyst Tools >> Multivariate >> Create Signatures.
Clic sur la flèche à droite >> Clic sur l’image >> Clic sur la flèche ou dossier puis
importer la couche créée, Id doit apparaitre sur la case suivante (optional) >>
Choisir le dossier de sortie >> OK.
Deuxièmement, nous passons directement à la classification >> ArcToolbox >>
Spatial Analyst Tools >> Multivariate >> Maximum Likelihood Classification.
Clic sur la flèche à droite >> Clic sur l’image >> Clic sur dossier pour importer
la signature spectrale >> Choisir le dossier de sortie >> OK.
Résultats bruts
Résultat
2eme méthode :
1. Activez l’outil Image Classification.
- Clic-droit sur le menu >> Clic sur Image Classification.
- Aller en haut >> Clic sur Customize >> extensions.
- Cocher toutes les cases >> Close.
2. Créer des parcelles ou polygones d’entrainement
- Clic sur Draw Polygon
- Créer des parcelles ou polygones d’entrainement sur les zones batis.
- Appuyer sur l’outil Training Simplal Manager.
- Combiner les polygones >> Nommez Bâtis.
- Pareil, des polygones dans les zones couvertes de végétation, eau, et sol nu
puis combinez.
- Classification >> Appuyez sur Interactive Supervised Classification
Résultat Temporaire
Attention le résultat est temporaire, il faut l’enregistrer.
Clic-droit sur la couche classification >> Data >> Export Data.
Résultat Final
Apprécier les 2 Résultats avec
l’image multi-spectrale
Image Multi-spectrale Méthode 1 Méthode 2
Classification Non-Supervisée >>> ArcGis
Elle comporte plusieurs méthodes dont : K-mean et sa variation ISODATA et
Ascendance hiérarchique, qui ont été mentionnées dans de nombreuses études.
Aussi, il très important de faire la distinction entre classes d’information et classes
spectrales. Ces dernières sont des groupes de pixels qui ont les mêmes
caractéristiques (ou presque) en ce qui a trait à leur valeur d'intensité dans les
différentes bandes spectrales des données ([Link]). Par contre les
classes d'information sont des catégories d'intérêt que l'analyste tente d'identifier
dans les images, comme différents types de cultures, de forêts ou d'espèce
d'arbres, différents types de caractéristiques géologiques ou de roches, etc.
L’essence de la classification est de faire correspondre autant que possible les
classes d’information aux classes spectrales, même si on note beaucoup de
difficultés d’approximé la réalité, expliquant ainsi les nombreuses études faites
dans ce sens afin de trouver un jour un maximum de vraisemblance.
Cas pratique : classification non-supervisée de l’image Sentinel 2, de la Commune
de Hann Bel-Air (Sénégal, 2018) en 4 classes (Bâti, Végétation, Eau, Sol nu).
1ere méthode :
ArcToolbox >> Spatial Analyst Tools >> Multivariate >> Iso Cluster
Unsupervised Classification >> Clic sur la flèche à droite et amener le raster (ici
Hann) >> Mettre le nombre de classe antérieure (ici 4) >> Choisir l’emplacement
>> OK
Résultat brut
Résultat
2eme méthode :
ArcToolbox >> Spatial Analyst Tools >> Multivariate >> Iso Cluster >> Clic sur
la flèche à droite et amener l’image >> Choisir l’emplacement de sortie >> Mettre
le nombre de classe antérieure (ici 4) >> OK.
ArcToolbox >> Spatial Analyst Tools >> Multivariate >> Maximum Likelihood
Classification >> Clic sur la flèche à droite et amener l’image >> Importer la
signature (iso-cluster) >> Choisir l’emplacement de sortie >> OK.
Résultat brut
Résultat
3eme méthode :
Oui, j’ai fait exprès (pour les paresseux…lol).
Classification >> Iso Cluster Unsupervised Classification.
Clic sur la flèche à droite et amener le raster (ici Hann) >> Mettre le nombre de
classe antérieure (ici 4) >> Choisir l’emplacement >> OK
Résultat brut
Résultat
Résultats
Méthode 1 Méthode 2 Méthode 3
A vous de juger parmi les 2
classifications, laquelle
reflète la réalité.
Supervisée Non-Supervisée
Hann Bel-Air est une commune située sur la façade atlantique Est du Corps de la Presqu’ile du Cap-Vert (DAKAR)
Après le traitement, il faut valider la classification selon 3 méthodes :
- Validation Terrain
- Validation avec Erdas
- Validation avec Qgis (via Street view).
Aminata Maguette GUEYE
Ingénieur en Environnement
FLSH / Département de Géographie
Technicienne supérieure en Géomatique
CEDT/le G15 : Centre d’Entreprenariat et Développement Technique
Pour vos critiques, remarques ou suggestions, merci de me les faire part à
travers l’adresse ci-après :
gueyecole@[Link]