I.

Introduction
La classification supervisée consiste à attribuer à chaque pixel d'une image une classe (forêt, eau,
urbain, etc.), en se basant sur des échantillons d'apprentissage. Plusieurs algorithmes sont utilisés selon
les besoins, la nature des données, et la précision recherchée.
I-Faite une étude comparative des algorithmes de classification supervisée
(où dirigée)

1. Liste des algorithmes étudiés

- k-Nearest Neighbors (k-NN)

- Décision Tree (arbre de décision)
- Random Forest (RF)
- Gradient Boosting (XGBoost, LightGBM, CatBoost)
- Support Vector Machine (SVM) — noyau linéaire / RBF
- Logistic Regression (régression logistique / softmax)
- Naive Bayes (gaussien, multinomial)
- Linear / Quadratic Discriminant Analysis (LDA / QDA)
- Multilayer Perceptron (MLP — réseaux fully-connected)
- Convolutional Neural Networks (CNN) — pour classification d’images / patches
- k-means n’est pas supervisé (non inclus, mais utile pour pré-traitement)
-
2. Tableau comparatif synthétique

Algorithme Avantages Inconvénients Performance

Maximum de Simple, bien documenté Suppose la normalité Moyenne

Vraisemblance

Arbre de décision Interprétable Overfitting Moyenne

Random Forest Robuste, haute précision Moins explicable Élevée

SVM Très précis Paramétrage complexe Élevée

Deep Learning Meilleure performance Forte demande en données Très élevée

Précision typique » dépend fortement des données et du réglage ; ici c’est indicatif.

1
3. Points détaillés — avantages / inconvénients et conseils pratiques

❖ Random Forest
Avantages : robustesse au sur-apprentissage, gère variables corrélées, peu de tuning, fournit
importance des variables.

Inconvénients : modèles volumineux, moins interprétable que 1 arbre, peut être biaisé si classes
déséquilibrées.

Conseil : baseline très solide pour données multispectrales; souvent premier choix en télédétection.

❖ SVM (RBF)
Avantages : performant pour petits jeux d’entraînement, bon dans les espaces de haute dimension.

Inconvénients : coûteux en calcul (O(n²) ou plus), sensible au choix du noyau et des hyperparamètres,
difficile à étendre à très grands jeux.

Conseil : utile si vous avez peu d’échantillons labellisés mais features discriminantes (spectres).

❖ Gradient Boosting (XGBoost, LightGBM)

Avantages : très haute performance sur données tabulaires, gère interactions complexes.

Inconvénients : tuning plus délicat, risque d’overfitting si mal réglé, temps entraînement parfois long.

Conseil : excellent pour classification d’objets (features extraites), moins utilisé pour pixels bruts si
données d’entrée sont images brutes (là CNN gagne).

❖ k-NN
Avantages : très simple, pas de modèle à entraîner.

Inconvénients : lent en inférence sur gros jeux, sensible à l’échelle des variables, curse of
dimensionality.

Conseil : bon benchmark initial, ou pour systèmes embarqués simples.

❖ Decision Tree / LDA / Logistic / Naive Bayes

Avantages : très rapides, interprétables, bons points de départ.
2
Inconvénients : moins performants que RF/SVM/boosting pour data complexes.

Conseil : utiles pour expliquer décisions, pour pipelines hybrides.

❖ Neural Networks (MLP, CNN)

Avantages : capturent non-linéarités complexes ; CNN exploite la structure spatiale (textures, forme).

Inconvénients : besoin de beaucoup de données, GPU recommandé, risque d’overfitting, moins

explicables.

Conseil : si vous avez images multi-bandes et suffisamment d’échantillons (ou si vous utilisez transfert
learning), CNN domine souvent pour classification d’images (patch/objet). Pour classification pixel-
wise multispectral, on utilise CNN 2D/3D ou U-Net (segmentation).

4. Critères de sélection pratiques (règles d’or)

Peu d’échantillons : SVM ou Random Forest.

Beaucoup d’échantillons & GPU : CNN (si structure spatiale importante) ou Gradient Boosting pour
features tabulaires.

Besoin d’explicabilité : arbres simples, logistic regression, LDA.

Grand volume de pixels : RF ou XGBoost (parallélisable) ; pour segmentation, modèles légers type U-
Net pruned.

Données bruitées / outliers : RF et boosting tolèrent mieux le bruit.

Multi-classe vs binaire : la plupart gèrent multi-classe (RF, GBM, NN). SVM nécessite stratégie one-
vs-rest ou one-vs-one pour multi-classe.

5. Évaluation et métriques

Matrice de confusion (TP, FP, TN, FN)

Overall Accuracy (OA) — sensible au déséquilibre

Kappa — corrige l’accord par hasard (utilisé en télédétection)

Precision / Recall / F1 — par classe

AUC-ROC (pour problèmes binaires ou probabilités)

Cross-validation spatiale : éviter fuites spatiales (séparer patches/zones géographiques plutôt que
pixels aléatoires) — critique en télédétection.

3
6. Recommandation synthétique pour télédétection.

Pixels multispectraux (peu de contexte spatial) : Random Forest ou SVM (si petit n).

Classification d’objets (segmentation, patchs) : CNN / U-Net.

Classification avec features extraites (indices, textures) : Gradient Boosting ou RF.

Toujours effectuer validation indépendante spatiale et balance des classes / échantillonnage stratifié.

4
TAF 2 — Recherche et documentation des indices en télédétection

Je fournis les indices les plus utilisés, leur formule, bandes (notation normale : Red, NIR, Green,
SWIR1, SWIR2, Blue), application, plage typique, et limitations. J’indique aussi correspondance de
bandes pour Landsat 8 et Sentinel-2.

Référence capteurs (rapide)

Landsat 8: B2=Blue, B3=Green, B4=Red, B5=NIR, B6=SWIR1, B7=SWIR2.

Sentinel-2: B2=Blue, B3=Green, B4=Red, B8=NIR (B8A = NIR narrow), B11=SWIR1, B12=SWIR2.

1. NDVI — Normalized Difference Vegetation Index

Formule: (NIR − Red) / (NIR + Red)

Bandes: NIR, Red (L8: B5,B4 ; S2: B8,B4)

Plage : −1 à +1 (valeurs usuelles : végétation dense ~0.6–0.9)

Usage : vigueur végétation, biomasse, cartographie végétale, phenologie.

Limites : saturation en forte biomasse ; sensible aux conditions atmosphériques et au fond du sol en
zones clairsemées.

2. EVI — Enhanced Vegetation Index

Formule: G * (NIR − Red) / (NIR + C1Red − C2Blue + L)

paramètres usuels (MODIS): G=2.5, C1=6, C2=7.5, L=1

Bandes : NIR, Red, Blue

Usage : réduit saturation en zones à forte biomasse, corrige aérosols.

Limites : nécessite Blue; paramètres empiriques.

3. SAVI — Soil Adjusted Vegetation Index

Formule: ((NIR − Red) / (NIR + Red + L)) * (1 + L)

L (facteur sol) typique = 0.5 (ou variable)

5
Usage : atténue l’effet du sol pour végétation clairesemée.

Limites : choix de L influence résultats.

4. ARVI / Corrected ARVI (Atmospherically Resistant VI)

Formule ARVI: (NIR − (2Red − Blue)) / (NIR + (2Red − Blue))

Usage : corrige effets atmosphériques (sensible à la gazeuse)

Limites : nécessite Blue.

5. NDWI — Normalized Difference Water Index (McFeeters)

Formule: (Green − NIR) / (Green + NIR)

Bandes: Green, NIR (L8: B3,B5 ; S2: B3,B8)

Usage : détection d’eau de surface (lignes côtières, lacs).

Limites : peut confondre nuages, ombres, certaines surfaces mouillées.

6. MNDWI — Modified NDWI (Gao)

Formule : (Green − SWIR1) / (Green + SWIR1)

Usage : améliore détection d’eau en supprimant urban pixels (SWIR atténue sol urbain).

Limites : sensible à turbidité et végétation aquatique.

7. NDBI — Normalized Difference Built-up Index

Formule : (SWIR − NIR) / (SWIR + NIR)

Usage : extraction des zones urbanisées / bâtiments.

Limites : confusion possible avec sols nus et certaines roches.

8. NDWI (NDSI) — Normalized Difference Snow Index

Formule (NDSI) : (Green − SWIR1) / (Green + SWIR1)

Limites : sensible à turbidité et végétation aquatique.

6
7. NDBI — Normalized Difference Built-up Index

Formule : (SWIR − NIR) / (SWIR + NIR)

Usage : extraction des zones urbanisées / bâtiments.

Limites : confusion possible avec sols nus et certaines roches.

8. NDWI (NDSI) — Normalized Difference Snow Index

Formule (NDSI) : (Green − SWIR1) / (Green + SWIR1)

Usage : détection de la neige (exclusion de nuages)

Limites : nécessite seuils; dépend albédo.

9. Tasseled Cap Transform (Brightness, Greenness, Wetness)

Formule: combinaison linéaire des bandes (coefficients spécifiques par capteur).

Usage : réduction dimensionnelle, extraction de texture spectral (sol, végétation, humidité).

Limites : coefficients capteur-dépendants ; interprétation physique parfois indirecte.

10. TVI — Transformed Vegetation Index

Formule: 0.5 * (120 * (NIR/Red − 1) − 200 * (Green/Red − 1))

Usage : estimation de biomasse/biomasse foliaire (approche empirique)

11. SAVI dérivés (MSAVI, MSAVI2)

MSAVI2 (automatique) : (2NIR + 1 − sqrt((2NIR +1)^2 − 8*(NIR − Red))) / 2

Usage : réduit besoin de L ; bon pour couverture végétale clairsemée.

12. PRI — Photochemical Reflectance Index

Formule : (R531 − R570) / (R531 + R570)

Usage : indicateur de stress photosynthétique et d’efficience d’utilisation de la lumière.

Limites : bandes spécifiques, sensible au bruit.

7
13. NDMI / NBR — Normalized Difference Moisture / Burn Ratio

NDMI (aka NDWI variant) : (NIR − SWIR1) / (NIR + SWIR1) — indicateur teneur en eau
végétale.

NBR (Normalized Burn Ratio) : (NIR − SWIR2) / (NIR + SWIR2) — suivi brûlis / dégâts feu.

Usage : sécheresse, incendies, regénération.

14. BI (Brightness Index), SI (Soil Index) et Indices de sol

Exemples : indices utilisant SWIR/Red pour distinguer sols nus, humidité du sol, salinité.

Usage : cartographie sols nus, aridité.

15. Indices pour l’eau côtière / turbidité (e.g., AWEI)

AWEI (Automated Water Extraction Index) — conçu pour réduire confusion nuage/ombre/urbain.

Usage : extraction automatique d’eau.

16. Indices d’occupation du sol multi-classes

Combinaisons d’indices et algorithmes de classification (e.g., NDVI + NDBI + NDWI) pour séparer
végétation / eau / urbain / sol nu.

❖ Pour chaque indice : conseils d’application et limites générales

Calibrage par capteur : coefficients et performance varient selon capteur ; vérifier bandes et
résolutions spectrales.

Atmosphère & correction radiométrique : nombreux indices (NDVI, NDWI…) supposent réflectances
de surface — effectuer correction atmosphérique pour comparaisons temporelles.

Effet sol : indices comme SAVI / MSAVI réduisent l’effet du sol, utiles en zones clairsemées.

Saturation : NDVI se sature pour canopées denses → préférer EVI.

Seuils : les seuils d’interprétation ([Link]. NDVI > 0.5 pour végétation dense) sont indicatifs ; doivent
être adaptés localement.

Résolution spatiale : pour petites structures (bâtiments), utiliser capteur haute résolution ; indices sur
pixels moyens peuvent mélanger classes (mixed pixels).

8
 ❖ Exemples d’utilisation pratique (workflows)
Cartographie végétation : prétraitement (correction atmosph.), calcul NDVI + EVI, classification
supervisée (RF) avec indices en features.

Détection d’eau : MNDWI > seuil ; masquage nuages/ombres ; post-traitement morphologique.

Suivi brûlis : calcul NBR pré/post, ΔNBR pour quantifier sévérité.

Classification urbaine : combiner NDBI, NDVI, albédo (Tasseled Cap Brightness) + textures,
classification par RF ou boosting.

❖ Ressources pratiques & bonnes pratiques

Utiliser bandes correctes en fonction capteur (voir tableau Landsat/Sentinel ci-dessus).

Validation sur le terrain : calibrer seuils et classifier avec échantillons in-situ.

Normaliser / standardiser features avant certains algorithmes (SVM, k-NN).

Vérifier corrélations : certains indices très corrélés (NDVI / SAVI / MSAVI) — réduction
dimensionnelle possible (PCA, Tasseled Cap).

9
 CONCLUSION

Les indices spectraux et les algorithmes de classification supervisée sont essentiels en

télédétection pour la production de cartes fiables. Leur maîtrise est indispensable dans les
domaines de la géomatique, de l’agriculture, de l’urbanisme et de la gestion des ressources
naturelles.

Lassine Coulibaly

ENI-ABT M1S2

10