Ứng dụng phương pháp khai phá dữ liệu cho phân tích lô bằng xử lý dữ liệu đa thời gian s2

UNIVERSIT NATIONALE DU VIETNAM HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONN ES MULTI-TEMPORELLES S2 L’AIDE D’UNE M THODE DE FOUILLE DE DONN ES ÙNG DƯNG PH×ÌNG PH P KHAI PH PH NTCHL˘B NGXÚLÞDÚLI U S2 DÚ LI U CHO ATH—IGIAN Sp†cialit† : Syst–mes Intelligents et Multim†dia Code : Programme Pilote M MOIRE DE FIN D’ TUDES DU MASTER INFORMATIQUE HANOI - 2018 UNIVERSIT NATIONALE DU VIETNAM HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFI) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR TRAITEMENT DE DONN ES MULTI-TEMPORELLES S2 L’AIDE D’UNE M THODE DE FOUILLE DE DONN ES ÙNG DƯNG PH×ÌNG PH P KHAI PH PH NTCHL˘B NGXÚLÞDÚLI U S2 DÚ LI U CHO ATH—IGIAN Sp†cialit† : Syst–mes Intelligents et Multim†dia Code : Programme Pilote M MOIRE DE FIN D’ TUDES DU MASTER INFORMATIQUE Sous la direction de : Dr Dino Ienco, Charg† de Recherche Irstea, UMR TETIS dino.ienco@irstea.fr Dr Maguelonne Teisseire, Directrice de Recherche Irstea, UMR TETIS maguelonne.teisseire@irstea.fr HANOI - 2018 ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce m†moire a †t† r†alis† par moi-m¶me et que les donn†es et les r†sultats qui y sont pr†sent†s sont exacts et n’ont jamais †t† publi†s ailleurs La source des informations cit†es dans ce m†moire a †t† bien pr†cis†e L˝I CAM OAN Tỉi cam oan ¥y l cỉng tr…nh nghi¶n cøu cıa ri¶ng tỉi C¡c sŁ li»u, k‚t qu£ nảu Lun vôn l trung thỹc v chữa tng ÷ỉc cỉng bŁ b§t ký cỉng tr…nh n o khĂc CĂc thổng tin trch dÔn Lun vôn  ữổc ch rê nguỗn gc KAFANDO RODRIQUE Rsum Linscurit alimentaire est de nos jours l’un des fl†aux qui menace le monde, surtout les pays en voie de d†veloppement Faisant face cette situation, il devient n†cessaire de prendre de mesures qui permettront de suivre l’†volution des parcellaires culturaux en fonction de leurs occupations a partir des s†ries temporelles d’images satellitaires Les occupations agricoles sont difficilement ma trisables, surtout dans les zones aux acc–s limit†s Une occupation peut varier d’une p†riode 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 facon automatique, le comportement d’une parcelle agricole sur une s†rie temporelle d’images quelque soit la taille de cette derni–re C’est dans ce cadre qu’une m†thodologie d’analyse de s†ries temporelles a †t† mise en place dans le but de pouvoir suivre de facon automatique l’†volution d’une entit† donn†e sur le plan spatio-temporel Gr¥ce cette nouvelle approche, il est d†sormais possible de suivre l’†volution d’un parcellaire agricole ou toute autre entit† sur laquelle nous disposons des s†ries temporelles d’images satellites et de mener des analyses sur ces donn†es Dans cette †tude, nous effectuerons une analyse sur le parcellaire cultural du bassin de Kamech, une zone agricole de km situ†e au Nord de la Tunisie R†alis† au sein du l’unit† de recherche UMR-TETIS, plus pr†cis†ment l’IRSTEA sur une dur†e de six (06) mois, le pr†sent rapport a deux principaux buts Le premier est d’ordre acad†mique 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 †t† †labor† dans le cadre d’un projet de recherche et d’innovation Mots cl†s : fouille de donn†es, STIS , graphe, objet, segmentation, stabilit† spatiale, parcellaire cultural i Abstract Food risk managment is nowadays one of the scourges that threatens the world, espe-cially 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 Remerciements La r†alisation de ce m†moire a †t† possible gr¥ce au concours de plusieurs personnes qui je voudrais t†moigner toute ma reconnaissance Je voudrais tout d’abord adresser toute ma gratitude et mes sinc–res reconnaissances mes encadrants, M Ienco Dino et Mme Teisseire Maguelonne, pour leur patience, leur disponibilit† et surtout pour la confiance qu’ils ont port† mon †gard Leur judicieux conseils, ont contribu† au bon d†roulement de mon stage et l’aboutissement de ces r†sultats Je d†sir †galement remercier le corps enseignants de l’Institut Francophone Internatio- nal (IFI), qui m’ont fourni les outils n†cessaires la r†ussite de mes †tudes universitaires Je voudrais exprimer ma reconnaissance envers Mlle Khiali Lynda pour sa disponibilit† et ses explications qui ont contribu† faciliter ma compr†hension sur certains points J’aimerais remercier tous les membres et sp†cialistes du projet, qui ont pris le temps de discuter de mon sujet Chacun de ces †changes m’a aid† faire avancer mon analyse Enfin, je remercie toute ma famille, et aussi tous ceux ou toutes celles qui m’ont apport† de pr¶t ou de loin leur soutien moral et/ou intellectuel durant ces six mois iii Table des mati–res Table des figures Liste des tableaux Nomenclature Chapitre Analy 1.1 Introduction G†n†rale 1.2 1.3 1.4 1.5 Chapitre 2.1 2.2 2.3 2.4 iv Contexte Objectif Probl†matique Travail r†aliser tat de Introduction Une approche orient†e graphe pour d†tecter la d dans les s†ries temporelles d’images satellites 2.2.1 Ob 2.2.2 M† 2.2.3 Ex Analyse orient†e objet des s†ries temporelles d d’une repr†sentation bas†e sur des graphes 2.3.1 Ob 2.3.2 M† 2.3.3 Ex D†tection et analyse de changements sur l’occu l’ACP en utilisant des donn†es satellites multite 2.4.1 Ob 2.4.2 M† 2.4.3 Ex 2.5 Classification des zones urbaines par combina objet et une analyse orient† pixels sur des ima (VHR) 2.5.1 Ob 2.5.2 M† 2.5.3 Ex 2.6 D†tection de changements dans une for¶t par un sur une analyse orient†e objet 2.6.1 Ob 2.6.2 M† 2.6.3 Ex 2.7 Synth–se 2.8 Approche propos†e et contributions 2.8.1 Ap 2.8.2 Co Chapitre M†thodologie 3.1 Description g†n†rale 3.2 Phases de r†alisation 3.2.1 S† 3.2.2 Co 3.2.3 Co 3.2.4 Cri 3.3 Conclusion Chapitre Pr†se 4.1 Pr†sentation des donn†es 4.1.1 G† 4.1.2 Le 4.1.3 Pr† 4.2 D†finition des param–tres 4.2.1 Pa 4.2.2 Pa 4.3 Analyse des r†sultats 4.3.1 Se 4.3.2 S† 4.3.3 Co 4.3.4 Co v 4.3.5 An 4.4 Conclusion 4.5 Environnement mat†riel et outils de travail 4.5.1 En 4.5.2 Ou Chapitre Bilan vi Table des figures 2.1 2.2 2.3 2.4 2.5 2.6 Exemple d’un graphe d’†volution[4] R†sultats sur Libron valley[7] R†sultats sur Lower Aude valley[7] Donn†es d’apprentissage et de test[12] R†sultats de la classification [12] Table d’†valuation[3] 3.1 Sch†ma g†n†ral 4.1 Bandes spectrales de Sentinel-2 [1] 4.2 Repr†sentation des diff†rentes cultures du bassin de Kamech [sourc Biarnes, IRD] 4.3 Exemple de segmentation : sptatialr=30 , ranger=10, Nb segments 4.4 Exemple de segmentation : sptatialr=30 , ranger=40, Nb segments 4.5 Couverture des objets de r†f†rence : = 0.75, Nb ObjRefs = 75 , Tcov= , Tchv=1.47 % 32 4.6 Couverture des objets de r†f†rence : = 0.2, Nb ObjRefs = 172 , Tcov=98.64% , Tchv= 30.73 % 32 4.7 Exemple de graphe d’†volution 4.8 Exemple de graphe d’†volution 4.9 Carte de chaleur : cas 4.10 Carte de chaleur : cas 4.11 Pourcentage cumul† des pixels par rapport au seuil d’appariti 4.12 Distribution des pixels en fonction de leur fr†quence d’apparit des cultures annuelles 4.13 Distribution des pixels en fonction de leur fr†quence d’apparit des cultures fourrag–res 4.14 Distribution des pixels en fonction de leur fr†quence d’apparit du bl† 4.15 Indices de Jaccard entre graphes et classes d’occupation 4.16 Graphe d†crivant l’†volution du lac vii objets de r†f†rence Dans les deux exemples, nous pouvons voir la contribution de et qui font varier la couverture totale (Tcov) Lorsqu’ils sont tr–s †lev†s, des trous commencent appara tre dans la zone car le nombre de noeuds (segments) diminue Il s’agit par exemple dans la figure 4.10 oò le taux de la couverture est pass† de 100% 99% suite l’augmentation des valeurs de et 2, soit une variation de 0.5 0.8 pour et de 0.3 0.7 pour Dans chacune des figures, 4.9 et 4.10 nous pouvons voir la fr†quence d’apparition de chaque pixel selon le graphe (dans lequel il appara t le plus de fois) dans lequel il a †t† repr†sent† 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 †t† couvertes Le seuil maximal †tant †gale 13 dans tous les deux cas Par exemple dans le premier cas, il ressort qu’un pixel appara t au moins fois et au plus 13 fois le long de la s†rie temporelle Suivant les valeurs de S (seuil d’apparition), il devient possible de d†finir une valeur seuil partir de laquelle nous souhaitons repr†senter les pixels, c’est- -dire les zones qui sont les plus spatialement stables ou instables Par exemple, un pixel qui appara t 10,11,12,13 fois le long de la s†rie temporelle sera consid†r† comme stable par rapport un autre dont la fr†quence d’apparition maximale est inf†rieur travers la figure 4.11, nous repr†sentons l’appartenance des pixels suivant leur seuil d’apparition Cette repr†sentation explique le fait qu’un pixel qui appara t par exemple deux fois, appara t forcement une fois et ainsi de suite Avec comme valeur minimale de seuil, nous aurons donc 100% des pixels qui vont appara tre une fois Figure 4.10 cas Figure 4.9 Carte de chaleur : cas 34 Carte de chaleur : Figure 4.11 4.3.5 Pourcentage cumul† des pixels par rapport au seuil d’apparition Analyses statistiques Analyse des cartes de chaleurs par classe d’occupation du sol La zone sur laquelle nous avons men† notre †tude regroupe plusieurs types d’occupa-tions comme indiqu† dans la figure 4.2 Pour chaque type d’occupation, afin de pouvoir faire ressortir la distribution et la stabilit† de ses pixels sur le plan spatial, nous construi-sons des histogrammes pr†sentant chacun la distribution de ses pixels en fonction de leurs fr†quence d’apparition travers la figure 4.12, nous pr†sentons 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 fr†quence d’apparition faible est tr–s faible par rapport aux pixels dont la fr†quence d’apparition est tr–s †lev†e La majorit† des pixels apparaissent 13 fois, ils restent stable tout au long de la s†rie 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 fr†quence d’apparition comprise entre 12 et 13 Quant aux figures 4.13 et 4.14, elles repr†sentent respectivement la distribution des pixels des parcelles contenant les cultures fourrag–res et du bl† Nous remarquons que pour les cultures fourrag–res, la majorit† des pixels a une fr†quence d’apparition †gale 10 et 13, soit 11% et 11.46% Quant au bl†, le seuil majoritaire est de 13, repr†sentant ’ 20% des pixels de l’enti–ret† de la zone Suite ces diff†rentes analyses, nous pouvons conclure que les parcelles contenant 35 les cultures annuelles sont des entit†s qui sont plus spatialement stables par rapport celles contenant les cultures fourrag–res et le bl† Le caract–re instable de ces parcelles peut ¶tre justifi† soit par les animaux (divagation) ou par les activit†s men†es par les hommes (r†coltes, labours) Ces activit†s pourraient donc contribuer au changement ou la variation de leurs contenus respectifs Figure 4.12 Distribution des pixels en fonction de leur fr†quence d’apparition : le cas des cultures annuelles valuation par l’indice de Jaccard : Correspondance entre graphes et classes d’occupations du sol L’indice de Jaccard est une mesure permettant d’†valuer la similarit† entre deux en-sembles donn†s Il repr†sente le rapport entre le cardinal (la taille) de l’intersection des ensembles consid†r†s et le cardinal de leur union [14] Soit deux ensembles A et B , l’indice de Jaccard est d†fini avec la formule 4.2 ci-dessous : A\B Indice accard(A; B) = J A[B : (4.2) Nous utilisons l’indice de Jaccard dans le but de d†terminer la correspondance entre graphes et classes d’occupations du sol Pour chaque graphe donn†, nous †valuons 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 †lev†e, signifiant que le graphe correspondant d†crit l’occupation correspondante Dans le tableau 4.4, nous pr†sentons 36 Figure 4.13 Distribution des pixels en fonction de leur fr†quence d’apparition : le cas des cultures fourrag–res Figure 4.14 Distribution des pixels en fonction de leur fr†quence d’apparition : le cas du bl† 37 certaines valeurs d’indices issues de nos diff†rentes †valuations La figure 4.15 nous permet de visualiser quelques valeurs des indices de Jaccard La fl–che indique la plus grande valeur (52%) parmi les indice Cette valeur correspond l’indice obtenu entre le graphe num†ro 45 ou encore le 45–me objet de r†f†rence suivant leur ordre de s†lection, avec l’occupation au code "90" qui correspond un lac La figure 4.16 correspond au graphe qui d†crit l’†volution du lac le long de la s†rie temporelle Figure 4.15 Indices de Jaccard entre graphes et classes d’occupation Num graphe 45 133 29 75 17 96 Table 4.4 Valeurs de quelques indices de Jaccard Nous remarquons qu’il est compliqu† de pouvoir suivre l’†volution d’une classe d’occupation donn†e sur un seul graphe La valeur †lev†e de l’indice de Jaccard avec le lac 38 Figure 4.16 Graphe d†crivant l’†volution du lac s’explique par le fait qu’il peut ¶tre consid†r† comme un seul objet lors de la s†lection des objets de r†f†rence, contrairement aux autres classes qui regroupent plusieurs entit†s (parcelles) disjointes dans l’ensemble de la zone valuation par calcul du Normalized Mutual Information ou NMI : Corres-pondance entre graphes et parcellaire cultural par une valeur seuil Le NMI est une mesure permettant de quantifier la similitude entre des †l†ments de deux ensembles[10] Dans notre †tude, nous utilisons le NMI pour †valuer le degr† de correspondance entre la couverture engendr†e par les diff†rents graphes par valeur seuil (seuil d’apparition de pixels) et l’ensemble du parcellaire (zone d’†tude) Sa valeur est comprise entre et Une valeur †gale 1, signifie une parfaite correspondance entre les deux ensembles Pour ce faire, nous avons d†fini quatre valeurs de seuils diff†rentes 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’entit†s particuli–rement plus fines comparativement au parcel-laire de d†part Cependant, les valeurs du NMI que nous avons obtenues dans l’ensemble 39 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 r†capitulons les diff†rents r†sultats obtenus lors de l’exp†rimentation Plus la valeur de S est grande, plus nous obtenons des coeurs de graphes plus petits donnant ainsi une forte pr†cision sur la classification car nous nous retrouvons avec des zones bien centralis†es l’int†rieur des diff†rentes 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 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 valuation par calcul du Normalized Mutual Information ou NMI : Corres-pondance entre graphes et classes d’occupations du sol par une valeur seuil Dans cette phase, notre objectif est de d†terminer la correspondance qui existe entre les graphes et les cat†gories de classes pr†sentent dans le parcellaire Le parcellaire a †t† 40 Classes d’occupations du sol(NMI|Nb pixels) V Seuil >=6 >=8 >=10 >=12 Table 4.6 Scores NMI entre graphes et classes d’occupations subdivis† en plusieurs classes identifi†es dans le tableau 4.1, chaque classe †tant compos†e de plusieurs types d’occupations Comme l’†tape pr†c†dente, nous cherchons donc †valuer l’†quivalence entre les zones couvertes par les graphes par valeur seuil avec les parcelles correspondantes chaque type de classe Les r†sultats du calcul du NMI que nous avons obtenu nous montrent dans les diff†rents cas, une bonne classification avec un score de NMI allant jusqu’ 0.90 pour une valeur S>=12 avec les parcelles contenant les cultures annuelles Dans le tableau 4.6, nous pr†sentons quelques r†sultats de calcul du NMI sur la classification travers les figures 4.19, 4.20 et 4.21, 4.22, nous repr†sentons respectivement les couvertures obtenues apr–s seuillage des parcelles de la classe culture annuelle (Cul Anu) et celle de la v†g†tation naturelle (Veg Natu) Nous remarquons que le score du NMI croit toujours avec l’augmentation du seuil S comme dans le cas pr†c–dent Ce qui soutient l’hypoth–se que la classification devient de plus en plus pr†cise lorsque l’on tend ne garder que les pixels (zone) qui sont spatialement stables Figure 4.19 Correspondance entre graphes et cultures annuelles : cas 41 Figure 4.21 Correspondance entre graphes et V†g†tation naturelle : cas 4.4 Figure 4.22 Correspondance entre graphes et V†g†tation naturelle : cas Conclusion En r†sum†, suite aux diff†rentes exp†rimentations, nous avons retenu spatialr= 30 et ranger= 10 pour les param–tres de la segmentation Quant aux param–tres pour la construction des graphes, nous avons retenu = 0.6 , 1=0.5 et 2=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 †vidence sur l’ensemble du parcellaire la stabilit† au niveau spatial des pixels par la construction des cartes de chaleurs Ensuite, nous avons pu montrer qu’il †tait possible de d†terminer parmi les graphes, celui qui d†crit le mieux possible une classe d’occupation donn†e en calculant les indices de Jaccard Enfin, dans le but d’†valuer la pertinence de nos r†sultats, nous avons pu montrer par le NMI, le degr† 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 mat†riel et outils de travail Environnement mat†riel Pour le d†veloppement et les exp†rimentations nous avons utilis† un ordinateur de bureau de marque DELL et un serveur distant avec les caract†ristiques suivantes : M†moire RAM : 8.00 Go 42 OS : Ubuntu 2018 Serveur distant : 64.00 Go 4.5.2 Outils de travail Les outils que nous avons utilis† peuvent ¶tre r†sum†s comme suit : langage de programmation : pyhton ; logiciels : QGIS, Otb ; librairies : gdal, graphviz, matplotlib, seaborn 43 Chapitre Bilan et Perspectives Dans le cadre notre stage, nous avons eu †tudier les techniques et approches utilis†es pour le suivi et l’analyse des s†ries temporelles orient† sur les images satellites Nous avons explor† principalement deux phases : l’†tude bibliographique et l’impl†mentation de la m†thode Tout d’abord, l’†tude th†orique nous a permis de comprendre, d’approfondir les objec-tifs du travail demand†, et de mener une †tude exploratoire sur les recherches qui ont d†j abord† le probl–me pos† l’issue de cette †tude, nous avons propos† la m†thodologie adopter qui s’appuie sur celle qui a †t† mise en place par Fabio Guttler et al, [4] que nous avons †tudi†e dans le chapitre Et pour terminer nous avons mis en place la solution propos†e en passant par son impl†mentation, l’exp†rimentation et l’analyse des r†sultats dans le chapitre Dans la partie des exp†rimentations, nous avons pu d†montrer partir des r†sultats dans un premier temps qu’il †tait possible d’†tudier en profondeur le contenu du parcellaire cultural et de faire ressortir pour chacun d’eux son niveau de stabilit† sur le plan spatial partir d’un seuil donn† Dans un second temps, nous avons pu †valuer de facon qualitative, les r†sultats obtenus en passant par des calculs statistiques tels que l’indice de Jaccard et le NMI partir de l’indice de Jaccard, nous avons trouv† qu’il †tait possible de d’†tablir une †quivalence entre graphes et classes d’occupation Quant au NMI, il nous a permis d’†valuer les r†sultats issus de la classification entre les graphes et l’ensemble du parcellaire et entre les classes d’occupations sur diff†rents seuils Cependant, il ressort que nous obtenons des zones (segments) plus fines par rapport au parcellaire de d†part quelque soit la valeur seuil Ceci †tant principalement caus† par les r†sultats issus de la segmentation qui elle se base sur les valeurs radiom†triques du contenu de chaque parcelle Cette †tude, en plus d’approfondir l’utilit† de la m†thodologie propos†e sur le traitement des s†ries temporelles, a permis de r†v†ler une insuffisance sur les algorithmes de segmentation notamment pour les parcellaires culturaux En effet, le caract–re multi44 †chelle du parcellaire cultural est un ph†nom–ne qui n’est pas pris en compte lors de la segmentation de ce dernier par l’algorithme Il est compliqu† d’obtenir des segments qui correspondent aux diff†rentes parcelles du parcellaire Les travaux venir pourraient ¶tre orient†s sur deux points Le premier serait d’appliquer la m†thodologie sur des images provenant d’autres satellites avec des r†solutions plus r†duites (inf†rieur 10m) afin de pouvoir mettre en †vidence l’impact que pourrait engendrer les propri†t†s des images sur les analyses Le second est la mise en place d’un algorithme de segmentation adapt† aux zones agricoles 45 Bibliographie [1] cnes cnes sentinel-2 https://sentinel2.cnes.fr/fr, consult†e le 20 aout 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 Descl†e, 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 s†ries d’images de t†l†d†tection : application des donn†es optiques et radar PhD thesis, Universit† 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 OTB https://www.orfeo-toolbox.org/CookBook/Applications/app_ LargeScaleMeanShift.html, consult†e le 10 juin 2018, [9] [10] F Pedregosa, G Varoquaux, A Gramfort, V Michel, B Thirion, O Grisel, M Blon- del, 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 [11] Yuchu Qin, Z Niu, F Chen, B Li, and Yifang Ban Object-based land cover change de-tection 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 ve-getation index and growing season trends from 1982 to 1999 International journal of biometeorology, 45(4) :184 190, 2001 wikipedia wikipedia indice et distance de jaccard https://fr.wikipedia.org/ wiki/Indice_et_distance_de_Jaccard, consult†e le 22 Septembre 2018 [14] 47 ... TRAITEMENT DE DONN ES MULTI-TEMPORELLES S2 L’AIDE D’UNE M THODE DE FOUILLE DE DONN ES ÙNG DƯNG PH×ÌNG PH P KHAI PH PH NTCHL˘B NGXÚLÞDÚLI U S2 DÚ LI U CHO ATH—IGIAN Sp†cialit† : Syst–mes Intelligents... des transformations au fil du temps partir des images satellitaires, plus pr†cis†ment de SENTINEL -S2 Dans la suite de notre travail, nous aborderons premi–rement l’analyse du sujet, deuxi–-mement... †volutions morphologiques poss–de une empreinte maximale une p†riode T donn†e Pour chaque entit† choisie, un graphe d’†volution est alors utilis† pour illustrer son †volution allant d’une p†riode