(LUẬN văn THẠC sĩ) ứng dụng phương pháp khai phá dữ liệu cho phân tích lô bằng xử lý dữ liệu đa thời gian s2

UNIVERSITÉ NATIONALE DU VIETNAM À HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONNÉES MULTI-TEMPORELLES S2 À L’AIDE D’UNE MÉTHODE DE FOUILLE DE DONNÉES ỨNG DỤNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU CHO PHÂN TÍCH LƠ BẲNG XỮ LÝ DỮ LIỆU ĐA THỞI GIAN S2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme Pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE HANOI - 2018 TIEU LUAN MOI download : skknchat@gmail.com UNIVERSITÉ NATIONALE DU VIETNAM À HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONNÉES MULTI-TEMPORELLES S2 À L’AIDE D’UNE MÉTHODE DE FOUILLE DE DONNÉES ỨNG DỤNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU CHO PHÂN TÍCH LƠ BẲNG XỮ LÝ DỮ LIỆU ĐA THỞI GIAN S2 Spécialité : Systèmes Intelligents et Multimédia Code : Programme Pilote MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Sous la direction de : Dr Dino Ienco, Chargé de Recherche Irstea, UMR TETIS dino.ienco@irstea.fr Dr Maguelonne Teisseire, Directrice de Recherche Irstea, UMR TETIS maguelonne.teisseire@irstea.fr HANOI - 2018 TIEU LUAN MOI download : skknchat@gmail.com ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citées dans ce mémoire a été bien précisée LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc KAFANDO RODRIQUE TIEU LUAN MOI download : skknchat@gmail.com Résumé L’insécurité alimentaire est de nos jours l’un des fléaux qui menace le monde, surtout les pays en voie de développement Faisant face cette situation, il devient nécessaire de prendre de mesures qui permettront de suivre l’évolution des parcellaires culturaux en fonction de leurs occupations a partir des séries temporelles d’images satellitaires Les occupations agricoles sont difficilement maˆıtrisables, surtout dans les zones aux accès limités Une occupation peut varier d’une période une autre, que ce soit sur le plan morphologique et/ou dans son contenu La question principale qui se pose donc est de savoir comment faire pour pouvoir suivre et analyser de fa¸con automatique, le comportement d’une parcelle agricole sur une série temporelle d’images quelque soit la taille de cette dernière C’est dans ce cadre qu’une méthodologie d’analyse de séries temporelles a été mise en place dans le but de pouvoir suivre de fa¸con automatique l’évolution d’une entité donnée sur le plan spatio-temporel Grâce cette nouvelle approche, il est désormais possible de suivre l’évolution d’un parcellaire agricole ou toute autre entité sur laquelle nous disposons des séries temporelles d’images satellites et de mener des analyses sur ces données Dans cette étude, nous effectuerons une analyse sur le parcellaire cultural du bassin de Kamech, une zone agricole de km située au Nord de la Tunisie Réalisé au sein du l’unité de recherche UMR-TETIS, plus précisément l’IRSTEA sur une durée de six (06) mois, le présent rapport a deux principaux buts Le premier est d’ordre académique et s’inscrit dans le cadre de la validation de notre cursus de Master en informatique Quant au second, il est d’ordre professionnel, du fait que notre travail a été élaboré dans le cadre d’un projet de recherche et d’innovation Mots clés : fouille de données, STIS , graphe, objet, segmentation, stabilité spatiale, parcellaire cultural i TIEU LUAN MOI download : skknchat@gmail.com Abstract Food risk managment is nowadays one of the scourges that threatens the world, especially for developing countries Faced to this situation, it becomes necessary to take some measures that will help to control the various farms according to their occupations and their changes during the seasons Agricultural occupations are difficult to control, especially in areas with limited access An occupation can vary from a period to another, either on its morphological and/or its content The main question then is how to automatically monitor the behaviour of a given agricultural parcel over an STIS , regardless of its size It’s within this study that a time series analysis methodology has been set up by [4] in order to be able to automatically monitor the evolution of a given entity considering the morphological level Thanks to this new approach, it is now possible to monitor the evolution of an agricultural plot on which we have satellite image time series and to carry out analyses on this plot In this study, we will study more precisely the stability of the cultural plot of the Kamech basin, an agricultural zone located in the southern of Tunisia Carried out within the UMR-TETIS research unit, precisely at IRSTEA over a period of six (06) months, this report has two main aims The first is an academic requierement that allow the qualification of our Master’s degree program in computer science The second is a professional one, because our work was developed as part of a research and innovation project Keywords : data mining, STIS, graph, object-based analysis, segmentation, spatial stability, cultural plot ii TIEU LUAN MOI download : skknchat@gmail.com Remerciements La réalisation de ce mémoire a été possible grâce au concours de plusieurs personnes qui je voudrais témoigner toute ma reconnaissance Je voudrais tout d’abord adresser toute ma gratitude et mes sincères reconnaissances mes encadrants, M Ienco Dino et Mme Teisseire Maguelonne, pour leur patience, leur disponibilité et surtout pour la confiance qu’ils ont porté mon égard Leur judicieux conseils, ont contribué au bon déroulement de mon stage et l’aboutissement de ces résultats Je désir également remercier le corps enseignants de l’Institut Francophone International (IFI), qui m’ont fourni les outils nécessaires la réussite de mes études universitaires Je voudrais exprimer ma reconnaissance envers Mlle Khiali Lynda pour sa disponibilité et ses explications qui ont contribué faciliter ma compréhension sur certains points J’aimerais remercier tous les membres et spécialistes du projet, qui ont pris le temps de discuter de mon sujet Chacun de ces échanges m’a aidé faire avancer mon analyse Enfin, je remercie toute ma famille, et aussi tous ceux ou toutes celles qui m’ont apporté de prêt ou de loin leur soutien moral et/ou intellectuel durant ces six mois iii TIEU LUAN MOI download : skknchat@gmail.com Table des matières Table des figures vii Liste des tableaux ix Nomenclature x Chapitre Analyse du sujet 1.1 Introduction Générale 1.2 Contexte 1.3 Objectif 1.4 Problématique 1.5 Travail réaliser 2 3 6 7 8 8 Chapitre État de l’art 2.1 Introduction 2.2 Une approche orientée graphe pour détecter la dynamique spatiotemporelle dans les séries temporelles d’images satellites 2.2.1 Objectif 2.2.2 Méthodologie 2.2.3 Expérimentations et Résultats 2.3 Analyse orientée objet des séries temporelles d’images satellites l’aide d’une représentation basée sur des graphes 2.3.1 Objectif 2.3.2 Méthodologie 2.3.3 Expérimentations et résultats 2.4 Détection et analyse de changements sur l’occupation des terres base de l’ACP en utilisant des données satellites multitemporels et multi-capteurs 2.4.1 Objectif 2.4.2 Méthodologie 2.4.3 Expérimentations et Résultats obtenus 10 iv TIEU LUAN MOI download : skknchat@gmail.com 2.5 2.6 2.7 2.8 Classification des zones urbaines par combinaison d’une analyse orienté objet et une analyse orienté pixels sur des images très hautes résolution (VHR) 2.5.1 Objectif 2.5.2 Méthodologie 2.5.3 Expérimentations et Résultats Détection de changements dans une forêt par une méthode statistique basée sur une analyse orientée objet 2.6.1 Objectif 2.6.2 Méthodologie 2.6.3 Expérimentations et Résultats Synthèse Approche proposée et contributions 2.8.1 Approche proposée 2.8.2 Contributions Chapitre Méthodologie 3.1 Description générale 3.2 Phases de réalisation 3.2.1 Sélection des objets de référence ObjRefs 3.2.2 Construction des graphes 3.2.3 Construction des cartes de chaleurs 3.2.4 Critères d’évaluations 3.3 Conclusion Chapitre Présentation des données et protocole expérimentatal 4.1 Présentation des données 4.1.1 Généralités sur les données de Sentinel-2 [1] 4.1.2 Les données utilisées 4.1.3 Pré-traitement des données 4.2 Définition des paramètres 4.2.1 Paramètres pour la segmentation 4.2.2 Paramètres pour la construction des graphes 4.3 Analyse des résultats 4.3.1 Segmentation des images 4.3.2 Sélection des objets de référence 4.3.3 Construction des graphes 4.3.4 Construction des cartes de chaleurs 10 10 11 11 12 12 13 13 14 14 14 14 17 18 18 18 21 23 23 24 25 26 26 27 27 29 30 30 31 31 31 32 33 v TIEU LUAN MOI download : skknchat@gmail.com 4.4 4.5 4.3.5 Analyses statistiques Conclusion Environnement matériel et outils de 4.5.1 Environnement matériel 4.5.2 Outils de travail Chapitre Bilan et Perspectives travail 35 42 42 42 43 44 vi TIEU LUAN MOI download : skknchat@gmail.com Table des figures 2.1 2.2 2.3 2.4 2.5 2.6 Exemple d’un graphe d’évolution[4] Résultats sur Libron valley[7] Résultats sur Lower Aude valley[7] Données d’apprentissage et de test[12] Résultats de la classification [12] Table d’évaluation[3] 3.1 Schéma général 24 4.1 4.2 Bandes spectrales de Sentinel-2 [1] Représentation des différentes cultures du bassin de Kamech [source : Anne Biarnes, IRD] Exemple de segmentation : sptatialr=30 , ranger=10, Nb segments = 502 Exemple de segmentation : sptatialr=30 , ranger=40, Nb segments = 147 Couverture des objets de référence : α= 0.75, Nb ObjRefs = 75 , Tcov=85.60% , Tchv=1.47 % Couverture des objets de référence : α= 0.2, Nb ObjRefs = 172 , Tcov=98.64% , Tchv= 30.73 % Exemple de graphe d’évolution Exemple de graphe d’évolution Carte de chaleur : cas Carte de chaleur : cas Pourcentage cumulé des pixels par rapport au seuil d’apparition Distribution des pixels en fonction de leur fréquence d’apparition : le cas des cultures annuelles Distribution des pixels en fonction de leur fréquence d’apparition : le cas des cultures fourragères Distribution des pixels en fonction de leur fréquence d’apparition : le cas du blé Indices de Jaccard entre graphes et classes d’occupation Graphe décrivant l’évolution du lac 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 11 12 13 26 27 31 31 32 32 33 33 34 34 35 36 37 37 38 39 vii TIEU LUAN MOI download : skknchat@gmail.com justifiée par le contenu de la zone, c’est-à-dire le type de culture, ou d’activités qui ont été menées sur la zone au cours de la série temporelle Figure 4.7 – Exemple de graphe d’évolution Figure 4.8 – Exemple de graphe d’évolution 4.3.4 Construction des cartes de chaleurs À partir des cartes de chaleurs, nous présentons tout d’abord dans les figures 4.9 et 4.10, pour chaque pixel, le nombre de fois ou il apparaˆıt dans le graphe qui le couvre le plus de fois De fa¸con générale, un pixel peut ressortir au minimum fois et au maximum N fois, avec N la taille de la série temporelle Autrement dit, ces différentes figures représentent la couverture totale engendrée par l’ensemble des graphes formés par les 33 TIEU LUAN MOI download : skknchat@gmail.com objets de référence Dans les deux exemples, nous pouvons voir la contribution de σ1 et σ2 qui font varier la couverture totale (Tcov) Lorsqu’ils sont très élevés, des trous commencent apparaˆıtre dans la zone car le nombre de noeuds (segments) diminue Il s’agit par exemple dans la figure 4.10 où le taux de la couverture est passé de 100% 99% suite l’augmentation des valeurs de σ1 et σ2, soit une variation de 0.5 0.8 pour σ1 et de 0.3 0.7 pour σ2 Dans chacune des figures, 4.9 et 4.10 nous pouvons voir la fréquence d’apparition de chaque pixel selon le graphe (dans lequel il apparaˆıt le plus de fois) dans lequel il a été représenté Nous constatons que la valeur minimale du seuil S est de pour la figure 4.9, tandis que dans la figure 4.10, la valeur minimale est de 0, ce qui veut dire que des zones n’ont pas été couvertes Le seuil maximal étant égale 13 dans tous les deux cas Par exemple dans le premier cas, il ressort qu’un pixel apparaˆıt au moins fois et au plus 13 fois le long de la série temporelle Suivant les valeurs de S (seuil d’apparition), il devient possible de définir une valeur seuil partir de laquelle nous souhaitons représenter les pixels, c’est-à-dire les zones qui sont les plus spatialement stables ou instables Par exemple, un pixel qui apparaˆıt 10,11,12,13 fois le long de la série temporelle sera considéré comme stable par rapport un autre dont la fréquence d’apparition maximale est inférieur À travers la figure 4.11, nous représentons l’appartenance des pixels suivant leur seuil d’apparition Cette représentation explique le fait qu’un pixel qui apparaˆıt par exemple deux fois, apparaˆıt forcement une fois et ainsi de suite Avec comme valeur minimale de seuil, nous aurons donc 100% des pixels qui vont apparaˆıtre une fois Figure 4.10 – Carte de chaleur : cas Figure 4.9 – Carte de chaleur : cas 34 TIEU LUAN MOI download : skknchat@gmail.com Figure 4.11 – Pourcentage cumulé des pixels par rapport au seuil d’apparition 4.3.5 Analyses statistiques Analyse des cartes de chaleurs par classe d’occupation du sol La zone sur laquelle nous avons mené notre étude regroupe plusieurs types d’occupations comme indiqué dans la figure 4.2 Pour chaque type d’occupation, afin de pouvoir faire ressortir la distribution et la stabilité de ses pixels sur le plan spatial, nous construisons des histogrammes présentant chacun la distribution de ses pixels en fonction de leurs fréquence d’apparition À travers la figure 4.12, nous présentons la distribution des pixels des parcelles contenant des cultures annuelles en fonction de leurs valeurs de seuil S Nous remarquons que le nombre de pixels ayant une fréquence d’apparition faible est très faible par rapport aux pixels dont la fréquence d’apparition est très élevée La majorité des pixels apparaissent 13 fois, ils restent stable tout au long de la série temporelle En effet, 68% des pixels restent totalement stables, et 4.6% apparaissent exactement 12 fois Ce qui nous permet de dire que au total 72.6% des pixels des parcelles de culture annuelle ont une fréquence d’apparition comprise entre 12 et 13 Quant aux figures 4.13 et 4.14, elles représentent respectivement la distribution des pixels des parcelles contenant les cultures fourragères et du blé Nous remarquons que pour les cultures fourragères, la majorité des pixels a une fréquence d’apparition égale 10 et 13, soit 11% et 11.46% Quant au blé, le seuil majoritaire est de 13, représentant 20% des pixels de l’entièreté de la zone Suite ces différentes analyses, nous pouvons conclure que les parcelles contenant 35 TIEU LUAN MOI download : skknchat@gmail.com les cultures annuelles sont des entités qui sont plus spatialement stables par rapport celles contenant les cultures fourragères et le blé Le caractère instable de ces parcelles peut être justifié soit par les animaux (divagation) ou par les activités menées par les hommes (récoltes, labours) Ces activités pourraient donc contribuer au changement ou la variation de leurs contenus respectifs Figure 4.12 – Distribution des pixels en fonction de leur fréquence d’apparition : le cas des cultures annuelles Évaluation par l’indice de Jaccard : Correspondance entre graphes et classes d’occupations du sol L’indice de Jaccard est une mesure permettant d’évaluer la similarité entre deux ensembles donnés Il représente le rapport entre le cardinal (la taille) de l’intersection des ensembles considérés et le cardinal de leur union [14] Soit deux ensembles A et B , l’indice de Jaccard est défini avec la formule 4.2 ci-dessous : IndiceJ accard(A, B) = A∩B A∪B (4.2) Nous utilisons l’indice de Jaccard dans le but de déterminer la correspondance entre graphes et classes d’occupations du sol Pour chaque graphe donné, nous évaluons la valeur de l’indice de Jaccard avec toutes les classes d’occupations Elle varie entre et Plus elle est plus proche de 1, plus la correspondance est élevée, signifiant que le graphe correspondant décrit l’occupation correspondante Dans le tableau 4.4, nous présentons 36 TIEU LUAN MOI download : skknchat@gmail.com Figure 4.13 – Distribution des pixels en fonction de leur fréquence d’apparition : le cas des cultures fourragères Figure 4.14 – Distribution des pixels en fonction de leur fréquence d’apparition : le cas du blé 37 TIEU LUAN MOI download : skknchat@gmail.com certaines valeurs d’indices issues de nos différentes évaluations La figure 4.15 nous permet de visualiser quelques valeurs des indices de Jaccard La flèche indique la plus grande valeur (52%) parmi les indice Cette valeur correspond l’indice obtenu entre le graphe numéro 45 ou encore le 45ème objet de référence suivant leur ordre de sélection, avec l’occupation au code "90" qui correspond un lac La figure 4.16 correspond au graphe qui décrit l’évolution du lac le long de la série temporelle Figure 4.15 – Indices de Jaccard entre graphes et classes d’occupation Num graphe 45 133 29 75 17 96 Classe d’oc Lac Cultures fourragères Blé Pois-chiche et petit pois Cultures fourragères Jachère Ind de Jaccard 0.52 0.06 0.14 0.31 0.2 0.064 Table 4.4 – Valeurs de quelques indices de Jaccard Nous remarquons qu’il est compliqué de pouvoir suivre l’évolution d’une classe d’occupation donnée sur un seul graphe La valeur élevée de l’indice de Jaccard avec le lac 38 TIEU LUAN MOI download : skknchat@gmail.com Figure 4.16 – Graphe décrivant l’évolution du lac s’explique par le fait qu’il peut être considéré comme un seul objet lors de la sélection des objets de référence, contrairement aux autres classes qui regroupent plusieurs entités (parcelles) disjointes dans l’ensemble de la zone Évaluation par calcul du Normalized Mutual Information ou NMI : Correspondance entre graphes et parcellaire cultural par une valeur seuil Le NMI est une mesure permettant de quantifier la similitude entre des éléments de deux ensembles[10] Dans notre étude, nous utilisons le NMI pour évaluer le degré de correspondance entre la couverture engendrée par les différents graphes par valeur seuil (seuil d’apparition de pixels) et l’ensemble du parcellaire (zone d’étude) Sa valeur est comprise entre et Une valeur égale 1, signifie une parfaite correspondance entre les deux ensembles Pour ce faire, nous avons défini quatre valeurs de seuils différentes savoir S>=6, S>=8, S>=10, S>=12 Pour chacune des valeurs de seuil, nous calculons le NMI entre l’ensemble obtenu par ce seuil avec le parcellaire en entier Nous avons obtenu pour chaque valeur seuil un ensemble d’entités particulièrement plus fines comparativement au parcellaire de départ Cependant, les valeurs du NMI que nous avons obtenues dans l’ensemble 39 TIEU LUAN MOI download : skknchat@gmail.com montrent une bonne correspondance entre la couverture des graphes par valeurs seuils et le parcellaire Les figures 4.17 et 4.18 illustrent respectivement les zones correspondantes aux valeurs seuils et le parcellaire pour S>=8 et pour S>=12 Dans le tableau 4.5, nous récapitulons les différents résultats obtenus lors de l’expérimentation Plus la valeur de S est grande, plus nous obtenons des coeurs de graphes plus petits donnant ainsi une forte précision sur la classification car nous nous retrouvons avec des zones bien centralisées l’intérieur des différentes parcelles Ainsi s’explique l’augmentation de la valeur du NMI lorsque S devient de plus en plus grand Valeur Seuil >=6 >=8 >=10 >=12 NMI 0.75 0.77 0.79 0.83 Nbre de pixels 19875 14209 8567 2956 Table 4.5 – Scores NMI entre couverture de graphes et parcellaire Figure 4.17 – Correspondance entre graphes et parcellaire : cas Figure 4.18 – Correspondance entre graphes et parcellaire : cas Évaluation par calcul du Normalized Mutual Information ou NMI : Correspondance entre graphes et classes d’occupations du sol par une valeur seuil Dans cette phase, notre objectif est de déterminer la correspondance qui existe entre les graphes et les catégories de classes présentent dans le parcellaire Le parcellaire a été 40 TIEU LUAN MOI download : skknchat@gmail.com V Seuil >=6 >=8 >=10 >=12 Cult Annu 0.80 |15083 0.83 |11591 0.85 |07457 0.89 |03024 Classes d’occupations du sol(NMI|Nb pixels) Cult Four Lac Jachère Veg Natu 0.83 |7216 0.28 |0298 0.76 |3019 0.79 |4479 0.85 |5455 0.29 |0254 0.78 |2349 0.81 |3314 0.88 |3490 0.30 |0206 0.81 |1460 0.83 |2151 0.90 |1408 0.43 |0120 0.84 |0593 0.88 |0853 Table 4.6 – Scores NMI entre graphes et classes d’occupations subdivisé en plusieurs classes identifiées dans le tableau 4.1, chaque classe étant composée de plusieurs types d’occupations Comme l’étape précédente, nous cherchons donc évaluer l’équivalence entre les zones couvertes par les graphes par valeur seuil avec les parcelles correspondantes chaque type de classe Les résultats du calcul du NMI que nous avons obtenu nous montrent dans les différents cas, une bonne classification avec un score de NMI allant jusqu’à 0.90 pour une valeur S>=12 avec les parcelles contenant les cultures annuelles Dans le tableau 4.6, nous présentons quelques résultats de calcul du NMI sur la classification À travers les figures 4.19, 4.20 et 4.21, 4.22, nous représentons respectivement les couvertures obtenues après seuillage des parcelles de la classe culture annuelle (Cul Anu) et celle de la végétation naturelle (Veg Natu) Nous remarquons que le score du NMI croit toujours avec l’augmentation du seuil S comme dans le cas précèdent Ce qui soutient l’hypothèse que la classification devient de plus en plus précise lorsque l’on tend ne garder que les pixels (zone) qui sont spatialement stables Figure 4.19 – Correspondance entre graphes et cultures annuelles : cas Figure 4.20 – Correspondance entre graphes et cultures annuelles : cas 41 TIEU LUAN MOI download : skknchat@gmail.com Figure 4.21 – Correspondance entre graphes et Végétation naturelle : cas 4.4 Figure 4.22 – Correspondance entre graphes et Végétation naturelle : cas Conclusion En résumé, suite aux différentes expérimentations, nous avons retenu spatialr= 30 et ranger= 10 pour les paramètres de la segmentation Quant aux paramètres pour la construction des graphes, nous avons retenu α= 0.6 , σ1=0.5 et σ2=0.3 qui nous ont permis d’obtenir une couverture totale de 95,2% avec une redondance d’information de 20% Suite la construction des graphes, nous avons pu mettre en évidence sur l’ensemble du parcellaire la stabilité au niveau spatial des pixels par la construction des cartes de chaleurs Ensuite, nous avons pu montrer qu’il était possible de déterminer parmi les graphes, celui qui décrit le mieux possible une classe d’occupation donnée en calculant les indices de Jaccard Enfin, dans le but d’évaluer la pertinence de nos résultats, nous avons pu montrer par le NMI, le degré de correspondance entre la couverture des graphes obtenus par la valeur seuil avec l’ensemble du parcellaire d’une part et d’autre part avec les classes d’occupation 4.5 4.5.1 Environnement matériel et outils de travail Environnement matériel Pour le développement et les expérimentations nous avons utilisé un ordinateur de bureau de marque DELL et un serveur distant avec les caractéristiques suivantes : — Mémoire RAM : 8.00 Go 42 TIEU LUAN MOI download : skknchat@gmail.com — OS : Ubuntu 2018 — Serveur distant : 64.00 Go 4.5.2 Outils de travail Les outils que nous avons utilisé peuvent être résumés comme suit : — langage de programmation : pyhton ; — logiciels : QGIS, Otb ; — librairies : gdal, graphviz, matplotlib, seaborn 43 TIEU LUAN MOI download : skknchat@gmail.com Chapitre Bilan et Perspectives Dans le cadre notre stage, nous avons eu étudier les techniques et approches utilisées pour le suivi et l’analyse des séries temporelles orienté sur les images satellites Nous avons exploré principalement deux phases : l’étude bibliographique et l’implémentation de la méthode Tout d’abord, l’étude théorique nous a permis de comprendre, d’approfondir les objectifs du travail demandé, et de mener une étude exploratoire sur les recherches qui ont déjà abordé le problème posé À l’issue de cette étude, nous avons proposé la méthodologie adopter qui s’appuie sur celle qui a été mise en place par Fabio Guttler et al, [4] que nous avons étudiée dans le chapitre Et pour terminer nous avons mis en place la solution proposée en passant par son implémentation, l’expérimentation et l’analyse des résultats dans le chapitre Dans la partie des expérimentations, nous avons pu démontrer partir des résultats dans un premier temps qu’il était possible d’étudier en profondeur le contenu du parcellaire cultural et de faire ressortir pour chacun d’eux son niveau de stabilité sur le plan spatial partir d’un seuil donné Dans un second temps, nous avons pu évaluer de fa¸con qualitative, les résultats obtenus en passant par des calculs statistiques tels que l’indice de Jaccard et le NMI À partir de l’indice de Jaccard, nous avons trouvé qu’il était possible de d’établir une équivalence entre graphes et classes d’occupation Quant au NMI, il nous a permis d’évaluer les résultats issus de la classification entre les graphes et l’ensemble du parcellaire et entre les classes d’occupations sur différents seuils Cependant, il ressort que nous obtenons des zones (segments) plus fines par rapport au parcellaire de départ quelque soit la valeur seuil Ceci étant principalement causé par les résultats issus de la segmentation qui elle se base sur les valeurs radiométriques du contenu de chaque parcelle Cette étude, en plus d’approfondir l’utilité de la méthodologie proposée sur le traitement des séries temporelles, a permis de révéler une insuffisance sur les algorithmes de segmentation notamment pour les parcellaires culturaux En effet, le caractère multi44 TIEU LUAN MOI download : skknchat@gmail.com échelle du parcellaire cultural est un phénomène qui n’est pas pris en compte lors de la segmentation de ce dernier par l’algorithme Il est compliqué d’obtenir des segments qui correspondent aux différentes parcelles du parcellaire Les travaux venir pourraient être orientés sur deux points Le premier serait d’appliquer la méthodologie sur des images provenant d’autres satellites avec des résolutions plus réduites (inférieur 10m) afin de pouvoir mettre en évidence l’impact que pourrait engendrer les propriétés des images sur les analyses Le second est la mise en place d’un algorithme de segmentation adapté aux zones agricoles 45 TIEU LUAN MOI download : skknchat@gmail.com Bibliographie [1] cnes cnes — sentinel-2 https://sentinel2.cnes.fr/fr, consultée le 20 aoˆ ut 2018 [2] JS Deng, K Wang, YH Deng, and GJ Qi Pca-based land-use change detection and analysis using multitemporal and multisensor satellite data International Journal of Remote Sensing, 29(16) :4823–4838, 2008 [3] Baudouin Desclée, Patrick Bogaert, and Pierre Defourny Forest change detection by statistical object-based method Remote Sensing of Environment, 102(1) :1–11, 2006 [4] Fabio Guttler, Dino Ienco, Jordi Nin, Maguelonne Teisseire, and Pascal Poncelet A graph-based approach to detect spatiotemporal dynamics in satellite image time series ISPRS Journal of Photogrammetry and Remote Sensing, 130 :92–107, 2017 [5] John R Jensen and Kalmesh Lulla Introductory digital image processing : a remote sensing perspective Geocarto International, 1987 [6] Andreea Maria Julea Extraction de motifs spatio-temporels dans des séries d’images de télédétection : application des données optiques et radar PhD thesis, Université de Grenoble, 2011 [7] Lynda Khiali, Dino Ienco, and Maguelonne Teisseire Object-oriented satellite image time series analysis using a graph-based representation Ecological Informatics, 43 :52–64, 2018 [8] Lei Ma, Manchun Li, Xiaoxue Ma, Liang Cheng, Peijun Du, and Yongxue Liu A review of supervised object-based land-cover image classification ISPRS Journal of Photogrammetry and Remote Sensing, 130 :277–293, 2017 [9] OTB https://www.orfeo-toolbox.org/CookBook/Applications/app_ LargeScaleMeanShift.html, consultée le 10 juin 2018, [10] F Pedregosa, G Varoquaux, A Gramfort, V Michel, B Thirion, O Grisel, M Blondel, P Prettenhofer, R Weiss, V Dubourg, J Vanderplas, A Passos, D Cournapeau, M Brucher, M Perrot, and E Duchesnay Scikit-learn : Machine learning in python Journal of Machine Learning Research, 12 :2825–2830, 2011 46 TIEU LUAN MOI download : skknchat@gmail.com [11] Yuchu Qin, Z Niu, F Chen, B Li, and Yifang Ban Object-based land cover change detection for cross-sensor images International journal of remote sensing, 34(19) :6723– 6737, 2013 [12] B Salehi, Y Zhang, and M Zhong Combination of object-based and pixel-based image analysis for classification of vhr imagery over urban areas In Proceedings of ASPRS 2011 Annual Conference, 2011 [13] Compton J Tucker, Daniel A Slayback, Jorge E Pinzon, Sietse O Los, Ranga B Myneni, and Malinda G Taylor Higher northern latitude normalized difference vegetation index and growing season trends from 1982 to 1999 International journal of biometeorology, 45(4) :184–190, 2001 [14] wikipedia wikipedia — indice et distance de jaccard https://fr.wikipedia.org/ wiki/Indice_et_distance_de_Jaccard, consultée le 22 Septembre 2018 47 TIEU LUAN MOI download : skknchat@gmail.com ... DE DONNÉES MULTI-TEMPORELLES S2 À L’AIDE D’UNE MÉTHODE DE FOUILLE DE DONNÉES ỨNG DỤNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU CHO PHÂN TÍCH LƠ BẲNG XỮ LÝ DỮ LIỆU ĐA THỞI GIAN S2 Spécialité : Systèmes Intelligents... ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Các thơng tin trích dẫn Luận văn rõ nguồn gốc KAFANDO RODRIQUE TIEU LUAN MOI download... des transformations au fil du temps partir des images satellitaires, plus précisément de SENTINEL -S2 Dans la suite de notre travail, nous aborderons premièrement l’analyse du sujet, deuxièmement