Traitement automatique dimages satellites pour lextraction dinformation doccupation des sols luận văn ths công nghệ thông tin

RAPPORT DE STAGE TRAITEMENT AUTOMATIQUE D’IMAGES SATELLITES POUR L’EXTRACTION D’INFORMATION D’OCCUPATION DES SOLS Encadrement : Jacques BOUFFIER et Dominique HEBRARD Le pôle Applications Satellitaires et Télécommunication, Centre d’Etudes Techniques de l’Equipement du Sud-Ouest, Toulouse, France Réalisé par : NGUYEN Quoc Phuong Promotion 16, Institut de la Francophonie pour l’Informatique, Hanoi, Vietnam 01 Mars 2014 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols REMERCIEMENTS Les travaux présentés dans ce manuscrit ont été effectués au Centre d’Etude Technique et de l’Equipement du Sud-Ouest, Département de Délégation Aménagement, Laboratoire, Expertise et de Transport de Toulouse (CETE SO/DALETT) – Pơle « Applications Satellitaires et Télécommunication » Je tiens d’abord remercier M Didier TREINSOUTROT, directeur de CETE SO/DALETT, pour m’avoir accueilli au CETE SO/DALETT Je remercie ensuite Anita BRUNET, le secrétaire de la direction, pour son aide qui m’a permis de bien compléter les papiers administratifs Je tiens exprimer ma sincère reconnaissance M Jacques BOUFFIER, mon premier superviseur de stage, pour m’avoir encadré tout au long de mes travaux, pour sa patience, pour sa compréhension, pour ses conseils et pour toutes les heures qu’il m’a consacré Mes remerciements vont également M Dominique HEBRARD, mon deuxième superviseur de stage, pour sa formation, pour sa contribution et pour son engagement qui m’a permis de surmonter les difficultés rencontrées pendant mois Je remercie également les stagiaires Martin VALETTE, Morgan VALOGNES pour ses aides qui m’ont permis de prendre en main les outils, les bases de données exogènes, la chne de traitement automatique qu’ils ont développé dans ses stages, pour leurs réponses mes questions et particulier pour leurs amitiés que j’ai eu pendant la période de stage Je n’oublie pas de remercie la famille de Denis-Maryline MARIOTTO pour m’avoir accompagné tous les six mois Toulouse, pour m’a appris le francais et pour m’a apporté les bonheurs pendant les périodes difficiles Finalement, merci tous mes collègues du Pơle « Applications Satellitaires et Télécommunication », pour m’ont accueilli et pour leurs encouragements pendant les jours là-bas Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols RÉSUMÉ Le développement urbain, qui se traduit généralement par un étalement des villes, diminue les surfaces agricoles disponibles et entraine une diminution de la biodiversité En consộquence, la lộgislation franỗaise en matiốre de planification des territoires s’est adaptée dans l’objectif de mieux contrôler la gestion des espaces, en demandant notamment aux services d’aménagement de fournir des données chiffrées obtenues par statistique et analyse de l’utilisation des sols Le suivi d’occupation des sols est effectué sur la base des couches d’occupation des sols réalisées par récupération des données déclarées ou calculées Cette approche trouve ses limites dans la lenteur de la mise jour des données de base De nos jours, le développement des satellites d’observation de la terre et les algorithmes de classification permet d’obtenir automatiquement des couches d’occupation du sol partir d’images satellites Cela apporte des avantages potentiels pour la mise en œuvre des politiques d’aménagement Un programme d’évaluation de l’apport de la télédétection pour la production de couches d’occupation du sol a lancé par le ministốre franỗais du dộveloppement durable Une chaợne de traitement automatique est développée afin d’extraire automatiquement une couche d’occupation du sol partir d’images satellites Le résultat obtenu est acceptable avec une couche d’occupation du sol entre et 10 classes, malgré certaines confustions Dans le cadre de ce projet, l’objectif principal est de proposer une méthodologie rigoureuse pour régler le problème de confusion afin d’améliorer la couche d’occupation du sol La méthodologie proposée sera ajoutée la chne de traitement Les tests seront réalisés sur la base d’images RapidEye d’une résolution de mètres qui couvrent sur l’emprise régionale de Limousin Au final, une couche d’occupation du sol en classes sera livrée la direction du territoire de Limousin Mots clés : aménagement, occupation du sol, images satellites, chne de traitement, algorithmes de classification, étude paramétrique Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols ABSTRACT Urban development, who usually translates into a sprawl, reduces the available agricultural land and leads to a loss of biodiversity Consequently, the French legislation has adapted in order to better control the space management, required the management service who provides the data obtained by statistical analysis of land utilisation Monitoring land is performed on the land use data layers made by recovery of data reported or calculated This approach is limited by the slow updating of data Nowadays, the development of earth observation satellites and classification algorithms used to obtain layers of land from satellite images automatically This approach brings potential benefits for the implementation of planning policies A program evaluation launched by the French Ministry of Sustainable Development to produce layers of land An automatic processing chain is developed to automatically extract a land use layer from satellite images The result is acceptable with a layer of land between and 10 classes, despite some confusions In this project, the main objective is to provide a rigorous methodology to address the problem of confusion in order to improve the land use layer The proposed methodology will be included to the processing chain The tests will be conducted on the base of RapidEye imagery with a resolution of meters covering the region of Limousin Finally, a land use layer with to classes will be delivered to the Director of the Territory of Limousin Keywords : urban development, land use layer, satellite images, automatic processing chain, classification algorithms, parametric study Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols LISTE DES FIGURES Figure : Mosaïque des images RapidEye disponibles sur la région du Limousin et visualisation sur une petite zone 12 Figure : Principe général 14 Figure : Principe général de l’extraction d’information d’une image 15 Figure : Visualisation d’un même paysage dans différentes bandes de fréquence 16 Figure : Exemple de NDVI MOD 17 Figure : L’apport des couches d’information complémentaire 18 Figure : Enrichissement des couches d’informations [3] 18 Figure : Visualisation des échantillons d’apprentissage sur la zone test 21 Figure : Le traitement des informations d’apprentissage 22 Figure 10 : Intérêt du nettoyage des informations d’apprentissage 23 Figure 11 : Fusion complète des micro-classes 24 Figure 12 : Fusion intermédiaire des micro-classes 25 Figure 13 : Filtre majoritaire avec le filtre des quatre cellules les plus proches 25 Figure 14 : Filtre majoritaire avec le filtre des huite cellules les plus proches 26 Figure 15 : Visualisation de l’impact du filtre majoritaire 26 Figure 16 : Visualisation de l’ajout du système routier au résultat de classification 27 Figure 17 : L’incohérence entre l’image satellite et les données exogènes 27 Figure 18 : L’impact de jeu de paramètres au résultat de classification 28 Figure 19 : Les échantillons de vérification 29 Figure 20 : Schéma synthétique de deux approches de l’étude paramétrique [3] 31 Figure 21 : Identification des micro-classes suspectes 32 Figure 24 : La performance des micro-classes 34 Figure 24 : Le taux des faux positifs des micro-classes 34 Figure 24 : Le taux des faux négatifs des micro-classes 34 Figure 25 : Exemple pour itérations KMeans 39 Figure 26 : Exemple pour itérations SVM 39 Figure 27 : Relance du Kmeans avec le traitement automatique 41 Figure 28 : Relance du Kmeans avec le traitement manuel 41 Figure 29 : Relance du SVM avec le traitement automatique 42 Figure 30 : Relance du SVM avec le traitement manuel 42 Figure 31 : Résultat de l’étude paramétrique sur le nombre de micro-classes 44 Figure 32 : Résultat de l’étude paramétrique des bandes d’informations complémentaires 46 Figure 33 : Résultat de l’étude paramétrique sur les seuils 47 Figure 34 : L’image satellite sur Limoges avec la visualisation sur les petites zones 49 Figure 35 : Les couches d’informations complémentaires 50 Figure 36 : Illustration des échantillons issus de bases de données exogènes sur Limoges 52 Figure 37 : Résultat de classification après fusion et filtres en macro-classe 53 Figure 38 : Résultat de classification après deuxième itération, fusion et filtres en macro-classes 54 Figure 39 : Résultat de classification après troisième itération, fusion et filtres en macro-classes 55 Figure 40 : Résultat de classification après filtres et ajout du squelette linéaire 56 Figure 41 : Résultat de classification sur l’ensemble du Limousin en macro-classes 58 Figure 42 : Deux exemples de la classification en macro-classes et la visualisation sur les petites zones .59 Figure 43 : Statistique sur le temps de traitement (humain et machine) dans l’étude paramétrique 73 Figure 44 : Visualisation globale de travail pratique réalisé en fonction du temps 74 Figure 45 : Statistique sur le temps de traitement (humain et machine) dans la classification de Limousin 74 LISTE DES TABLEAUX Tableau : Extrait de la nomenclature nationnale – Couverture du sol 20 Tableau : Les nomenclatures sélectionnées pour les échantillons d’apprentissage 51 Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols TABLE DES MATIERES REMERCIEMENTS RÉSUMÉ ABSTRACT LISTE DES FIGURES LISTE DES TABLEAUX INTRODUCTION 1.1 LA STRUCTURE DE L’ORGANISME D’ACCUEIL 1.1.1 LE CETE SO ET LA DÉLÉGATION DE TOULOUSE 1.1.2 LE PÔLE APPLICATIONS SATELLITAIRES ET TELECOMMUNICATION 1.2 LE SUJET DE STAGE 1.2.1 LE CONTEXTE GÉNÉRAL 1.2.2 LES OBJECTIFS DU STAGE 1.2.3 LA CONTRIBUTION DU STAGE 1.2.4 L’ENVIRONNEMENT DE TRAVAIL 1.2.5 L’ORGANISATION DU MANUSCRI LA MÉTHODOLOGIE 2.1 INTRODUCTION 2.2 LA CHAINE DE TRAITEMENT 2.2.1 LA TRANSFORMATION D’UNE IMAGE ENRICHISSEMENT DE L’IMAGE SATELLITE AMELIORATION DES INFORMATIONS D’APPRENTISSAGE 2.2.2 L’ETUDE PARAMETRIQUE RECHERCHE SYSTEMATIQUE RECHERCHE ALEATOIRE 2.3 LES AMELIORATIONS DE LA CHAINE 2.3.1 DETECTION DES MICRO-CLASSES SUSPECTES 2.3.2 LE TRAITEMENT DES MICRO-CLASSES SUSPECTES 2.3.3 ADAPTATION DE LA CHAINE DE TRAITEMENTS Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 2.3.4 2.4 RESULTATS CONCLUSION MISE EN ŒUVRE SUR LE LIMOUSIN 3.1 INTRODUCTION 3.1.1 LES GRANDS RESULTATS DE L’ETUDE PARAMETRIQUE 3.2 3.2.1 LA CLASSIFICATION SUR LIMOGES L’IMAGE SATELLITE 3.2.2 LES BANDES D’INFORMATION COMPLEMENTAIRES 3.2.3 LES ECHANTILLONS D’APPRENTISSAGE 3.2.4 LE RESULTAT DE CLASSIFICATION A LA PREMIERE ITERATION 3.2.5 LE RESULTAT DE CLASSIFICATION APRES DEUXIEME ITERATION 3.2.6 LE RESULTAT DE CLASSIFICATION APRES TROISIEME ITERATION 3.2.7 3.3 LES POSTS TRAITEMENTS LA CLASSIFICATION SUR L’ENSEMBLE DU LIMOUSIN 3.3.1 LE PRINCIPE 3.3.2 LE RESULTAT FINAL CONCLUSION GENERALE 4.1 RÉSULTATS OBTENUS AU REGARD DES SPECS 4.2 PERSPECTIVES BIBLIOGRAPHIE ANNEXES 6.1 ANNEXE : INDICES 6.2 ANNEXE : LES FORMULES DES INDICATEURS DE QUALITE 6.3 ANNEXE : INFLUENCE DE BANDES D’INFORMATIONS COMPLEMENTAIRES 6.4 ANNEXE : EXEMPLE POUR LA DETECTION DES MICRO-CLASSES SUSPECT CENTROIDES 6.5 ANNEXE : EXEMPLE POUR LA DETECTION DES MICRO-CLASSES SUSPECT MATRICE DE CONFUSION 6.6 ANNEXE : EXEMPLE POUR LE TRAITEMENT DES MICRO-CLASSES SUSPECTES 6.7 ANNEXE : BASE D’IMAGES RAPIDEYE SUR LIMOUSIN 6.8 ANNEXE : STATISTIQUE DE TEMPS Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols INTRODUCTION 1.1 LA STRUCTURE DE L’ORGANISME D’ACCUEIL 1.1.1 LE CETE SO ET LA DÉLÉGATION DE TOULOUSE Le CETE SO (Centre d’Etudes Techniques de l’Equipement du Sud-Ouest) est un service de réseau scientifique et technique du MEDDE (Ministère de l’Ecologie, du Développement Durable et de l’Energie) localisé Bordeaux et Toulouse La DALETT (Délégation Aménagement Laboratoire Expertise et Transports de Toulouse) est la délégation Toulousaine du CETE SO D’une manière générale, le CETE SO mène des activités d’expertise, de contrôle, de suivi, de conception et de recherche dans l’ensemble des domaines d’activité du ministère : conception des routes, ouvrages d’art, bâtiment, géotechnique, transport, … ainsi que dans le domaine des applications satellitaires (observation de la terre et géolocalisation par satellite) 1.1.2 LE PƠLE APPLICATIONS SATELLITAIRES ET TELECOMMUNICATION Le pơle Applications Satellitaires et Télécommunication est un Pôle de Compétences et d’Innovations (AST PCI) du MEDDE localisé au CETE SO, compétence sur le territoire national Il est au service de toutes les entités du MEDDE Son rôle est de travailler sur l’utilisation et la promotion des technologies satellitaires auprès des services du ministère 1.2 LE SUJET DE STAGE 1.2.1 LE CONTEXTE GÉNÉRAL Les enjeux liés la caractérisation de l’occupation du sol sont nombreux : étude de l’étalement urbain et de la consommation des territoires naturels, cartographie des corridors écologiques, préservation des terres agricoles, évolution de la forêt, etc… Pour étudier ces thématiques, un certains nombre de projets ont été réalisés dans le service du MEDDE1 Les méthodologies de ces études sont principalement basées sur l’exploitation de bases de données existantes de type RGE2 de l’IGN3 (BD Topo, BD Ortho), fichiers fonciers, registre parcellaire graphique, etc… De nos jours, plus de 170 satellites d’observation de la terre tournent autour de la terre, chacun ayant ses caractéristiques [2] Les dernières générations sont équipées les nouvelles techniques qui permettent d’avoir une observation de la terre en haute qualité Grâce ces ressources abondantes, l’utilisation de ses produits, dans ce cas-là, c’est l’image satellitaire, devient de plus en plus large En même temps, les méthodes de traitement automatique pour extraire de l’information sont également de plus en plus perfectionnées En raison d’avantage apporté par l’application de l’imagerie satellitaire, plusieurs organismes ou instituts sont établis, chacun ayant les objectifs différents mais contribuant au développement des applications satellitaires En fait, les méthodologies sont basées sur l’utilisation des bases de données existantes : la base de données IGN (BD Topo, BD Ortho), Corine Land Cover et la BD Parcellaire [2] Par contre, le problème est que ces données ne sont pas toujours spatialisées Le problème vient de plusieurs axes : la date d’acquisition de l’image qui provoque le décalage entre les données dans la base et l’image utilisée; la méthodologie pour produire les données (environ 25% des études ne sont pas spatialisées selon la MEDDE : Ministère de l’Ecologie, du Développement Durable, de l’Energie RGE : Le référentiel Grande Echelle est au cœur de la mission de service publique de l’IGN, dont il constitue la production phare Il décrit le territoire national et l'occupation de son sol de faỗon prộcise, complốte et homogốne IGN : L’information Grandeur Nature IGN est l’Institut national de l’information géographie forestière Page sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 6.1 ANNEXE : INDICES INDICES DE VEGETATION INDICES DE SOL INDICES D’EAU INDICES DE BATI 6.2 ANNEXE : LES FORMULES DES INDICATEURS DE QUALITE Soit la matrice de confusion : Mat [n, n] La précision de la classe [i] = Mat [i, i] / ∑j=1n Mat [j, i] Le rappel de la classe [i] = Mat [i, i] / ∑j=1n Mat [i, j] Overall Accuracy = ∑i=1n Mat [i, i] / ∑i=1n ∑j=1n Mat [i, j] Précision_globale = (∑i=1n (∑j=1n Mat [j, i] x ∑j=1n Mat [i, j])) / (∑i=1n ∑j=1n Mat [i, j])2 KAPPA = (Overalle Accuracy – Précision_globale) / (1 – Précision_globale) F-Score de la classe [i] = x Précision [i] x Rappel [i] / (Précision [i] + Rappel [i]) F-Score_globale = ∑i=1n F-Score [i] x ∑j = 1n Mat [j, i] Page 63 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 6.3 ANNEXE : INFLUENCE DE BANDES D’INFORMATIONS COMPLEMENTAIRES Les combinaisons des textures réalisées dans l’étude paramétrique sur les bandes d’informations complémentaires : Indice 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 Page 64 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 6.4 ANNEXE : EXEMPLE POUR LA DETECTION DES MICROCLASSES SUSPECTES PAR RAPPORT LEUR CENTROIDES On découpe les informations d’apprentissage en 15 classes L’image d’entrée a couches d’information [rouge, vert, bleu, red-edge et proche infrarouge, IC2, Energy, HaralickCorrelation, NDVIMod] dont le centroïde est en dimensions Voici les centroïdes obtenus après lancer Kmeans sur les échantillons d’apprentissage de : Surfaces en eau : 12200 : -8.18388 -4.26161 -5.66232 1.65502 0.0259185 -1.28591 -4.23382 -1.30944 -5.14264 12201 : -8.25502 -3.85572 -5.42024 -0.382633 0.692191 -0.68405 -3.7365 -0.605246 -1.36052 12202 : -8.06791 -4.46542 -5.87813 6.7277 -0.223945 -1.90055 -4.76774 -1.9952 -6.00923 12203 : -7.94914 -4.29787 -5.72478 1.51726 -0.0109163 -1.58899 -4.45544 -1.70194 1.29362 12204 : -8.20511 -4.43327 -5.76432 3.88815 0.0732499 -1.58097 -4.50603 -1.64723 0.771418 12205 : -6.3662 -2.83734 -5.26093 -1.18176 0.0534581 -1.35061 -3.9009 -1.30111 -4.07393 12206 : -9.17883 -4.40844 -5.43098 3.1698 1.17871 -0.154799 -3.48437 0.205691 -1.15126 12207 : -8.43643 -4.17137 -5.55944 0.417157 0.582022 -0.982538 -4.04979 -0.949458 1.07849 12208 : -5.52867 1.76717 -4.98752 -2.29799 0.0283167 -1.23401 -3.61216 -1.1096 0.135247 12209 : -8.04411 -4.45399 -5.83732 5.61596 -0.193187 -1.82895 -4.69921 -1.92402 -2.36576 12210 : -7.07756 -4.04063 -5.7154 0.761378 -0.384676 -1.95689 -4.66538 -2.13952 -0.922762 12211 : -6.83623 -3.50789 -5.47528 -1.04277 -0.065795 -1.5573 -4.23157 -1.67198 1.42166 12212 : -2.84941 -2.07741 -3.93791 -1.60628 0.0926975 -1.28241 -2.80064 -1.02639 0.973763 12213 : -5.94966 -1.59395 -5.29764 -1.99385 -0.176586 -1.60177 -4.09764 -1.62935 1.00647 12214 : -8.37758 -4.46756 -5.77385 6.92436 0.210448 -1.53731 -4.49723 -1.5193 0.540264 Formations ligneuses : 21100 : 1.44592 -1.09989 0.486873 -0.554182 0.0112527 -0.943234 0.0505709 -0.231638 -5.12107 21101 : 1.60186 5.41112 0.534034 -2.1984 -0.0123135 -1.05578 -0.275445 -0.39645 1.1894 21102 : 2.59105 2.94357 2.16502 -1.91018 -0.0853908 -1.1863 0.594342 -0.184219 1.67205 Page 65 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 21103 : -0.334259 -0.987272 -2.04238 -1.72721 -0.176002 -1.18156 -1.81767 -1.08427 1.05413 21104 : 1.12009 2.36008 -0.496323 -2.0926 -0.129892 -1.1959 -0.890634 -0.708047 1.35984 21105 : 1.30739 -0.786636 -0.297696 -1.49825 -0.161379 -1.18907 -0.669378 -0.659441 1.58845 21106 : 2.66343 5.32137 3.02221 -2.03065 0.0662993 -0.953227 1.10392 0.109809 0.936107 21107 : 2.11986 0.937976 0.831247 -1.76252 -0.175143 -1.29777 -0.124098 -0.478954 1.66297 21108 : 1.23352 -2.76817 -0.569635 0.75842 -0.230073 -1.3029 -0.944324 -0.844127 0.854388 21109 : 2.37926 9.66581 2.54552 -2.24211 0.112837 -0.924831 0.725909 0.0293591 0.620418 21110 : 2.2941 -1.0058 1.17734 -0.686826 -0.179868 -1.27267 0.231094 -0.330761 1.54204 21111 : 2.26367 1.8311 1.96334 -1.60676 0.0280868 -0.973741 0.699657 -0.0208971 -0.840558 21112 : 1.61322 -0.650531 0.685913 -1.04767 -0.00332311 -0.947182 0.165559 -0.20417 -1.19677 21113 : 2.72585 0.731222 2.25896 -1.33302 -0.133442 -1.24611 0.7333 -0.15213 1.56511 21114 : 2.14808 3.40365 1.9735 -1.75409 0.103674 -0.91306 0.635681 0.0171414 -4.06865 Formations herbacées : 22100 : 0.154403 2.86914 1.28817 -1.94111 0.870006 0.648498 1.32551 0.943141 1.78445 22101 : 2.59006 2.76848 3.29109 -1.09954 0.142985 -0.890199 0.719445 0.0702233 -0.126882 22102 : -7.19697 -3.35799 -0.421107 4.59087 4.48128 9.11587 5.20524 5.89753 -0.287024 22103 : 2.46458 1.02635 3.08146 -0.150353 0.171298 -0.84325 0.74301 0.119373 -5.41719 22104 : -2.22516 0.379036 0.584839 -1.60093 2.00483 2.74354 2.25043 2.28726 2.44355 22105 : -2.55392 -1.12791 -0.968843 -1.48606 1.36237 1.54067 0.505328 1.00975 2.25234 22106 : 2.50852 7.64068 3.39946 -1.92527 0.193985 -0.808328 0.741909 0.123247 0.0577996 22107 : -0.0173231 -1.62984 1.0362 0.50139 0.753384 0.683485 1.28215 0.853694 0.544787 22108 : -5.31064 -1.20357 -0.285141 -0.573618 3.43175 5.83803 3.44303 4.07422 1.71521 22109 : -7.07184 -1.82944 0.19804 0.470427 5.28355 10.1064 6.18454 6.99733 1.3826 22110 : 0.8533 -2.51556 1.70071 4.51056 0.531472 0.0811598 0.73798 0.480645 0.224644 22111 : 2.00376 -0.329895 2.51367 0.349741 0.25197 -0.610121 0.703458 0.188188 -0.964962 22112 : 0.37918 0.199485 1.01703 -1.44499 0.612472 0.277165 0.968743 0.58361 1.81892 22113 : -2.31417 -2.68303 0.496077 3.01785 1.70951 2.86185 2.58002 2.19271 0.138266 22114 : 1.58458 -1.87075 2.27451 3.27434 0.391964 -0.3066 0.870488 0.388917 -5.4257 Surfaces anthropisées : 11000 : -6.3757 -1.95682 -2.69878 -1.75037 2.82482 3.23038 0.219771 2.10257 2.74883 11002 : -8.35832 2.13328 1.07593 -1.91801 14.1697 15.0882 9.31836 15.0554 3.06905 11003 : -4.45162 -1.47276 -1.06421 -1.64889 2.72592 3.52226 1.52549 2.55944 2.83139 11004 : -4.54067 0.680472 0.02952 -1.85918 3.49306 5.178 3.27669 3.95519 3.0195 11005 : -5.08644 1.39995 -1.76944 -2.1422 2.64638 3.24582 0.86722 2.24606 2.53589 11006 : -7.99417 -3.94185 -3.0466 2.73766 4.31599 4.56098 0.70637 3.65397 0.935761 11007 : -7.87732 -2.41638 -1.81037 -1.05924 6.40681 7.18627 2.95642 6.22615 2.8302 11008 : -7.77693 -0.372721 -0.160955 -1.5973 9.1571 10.6835 6.05645 9.85038 3.08216 11009 : -6.04432 1.07438 0.051977 -1.89994 5.49189 7.63629 4.63529 6.20015 3.13726 11010 : -2.65852 4.35697 -0.0849308 -2.21042 2.05803 2.53325 1.60212 2.08266 2.35317 11011 : -7.90402 -3.17125 -4.28108 -1.26287 2.15515 1.61469 -1.75086 0.968637 2.31605 11012 : -7.7611 -2.86094 -2.81467 -1.27338 4.40442 4.74062 0.937512 3.70776 2.74079 Page 66 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 11013 : -6.23587 -1.23306 -1.47925 -1.7433 4.09505 5.25494 2.19451 3.9682 2.96352 11014 : -8.83578 6.81556 3.21037 -2.11223 21.8635 22.2774 14.6773 23.3155 2.94488 11000 : -9.05369 23.4672 7.0658 -2.01476 32.2478 33.7492 23.7728 35.133 2.4453 L’analyse des micro-classes par rapport leur centroïdes retourne les micro-classes suspectes sur : Niveau : Microclasse suspecte: 12212 - Plus proche de la microclasse: 21103 Microclasse suspecte: 21100 - Plus proche de la microclasse: 22103 Microclasse suspecte: 21106 - Plus proche de la microclasse: 22106 Microclasse suspecte: 21109 - Plus proche de la microclasse: 22106 Microclasse suspecte: 21111 - Plus proche de la microclasse: 22101 Microclasse suspecte: 21112 - Plus proche de la microclasse: 22111 Microclasse suspecte: 21114 - Plus proche de la microclasse: 22103 Microclasse suspecte: 22101 - Plus proche de la microclasse: 21111 Microclasse suspecte: 22103 - Plus proche de la microclasse: 21114 Microclasse suspecte: 22106 - Plus proche de la microclasse: 21109 Microclasse suspecte: 22108 - Plus proche de la microclasse: 11012 Microclasse suspecte: 22111 - Plus proche de la microclasse: 21112 Microclasse suspecte: 22114 - Plus proche de la microclasse: 21100 Microclasse suspecte: 11003 - Plus proche de la microclasse: 22108 Microclasse suspecte: 11007 - Plus proche de la microclasse: 22109 Microclasse suspecte: 11009 - Plus proche de la microclasse: 22104 Microclasse suspecte: 11012 - Plus proche de la microclasse: 22108 Niveau : Microclasse suspecte: 21100 - Plus proche de la microclasse: 22114 Microclasse suspecte: 21106 - Plus proche de la microclasse: 22101 Microclasse suspecte: 21114 - Plus proche de la microclasse: 22101 Microclasse suspecte: 22100 - Plus proche de la microclasse: 21104 Microclasse suspecte: 22101 - Plus proche de la microclasse: 21102 Microclasse suspecte: 22103 - Plus proche de la microclasse: 21100 Microclasse suspecte: 22104 - Plus proche de la microclasse: 11009 Microclasse suspecte: 22106 - Plus proche de la microclasse: 21106 Microclasse suspecte: 22108 - Plus proche de la microclasse: 11003 Microclasse suspecte: 22109 - Plus proche de la microclasse: 11006 Microclasse suspecte: 22111 - Plus proche de la microclasse: 21111 Microclasse suspecte: 11009 - Plus proche de la microclasse: 22100 Microclasse suspecte: 11010 - Plus proche de la microclasse: 12201 Page 67 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 6.5 ANNEXE : EXEMPLE POUR LA DETECTION DES MICRO-CLASSES SUSPECTES PAR RAPPORT LA MATRICE DE CONFUSION Après avoir le résultat de classification brute en micro-classe, une analyse de la matrice de confusion est lancée en prennant en compte le résultat de classification brute et les échantillons d’apprentissage en micro-classe Voici le résultat en sortie : CLASSE; PERFORMANCE; TFP; TFP en fonction de macro-classe; TFN; TFN en fonction de macro-classe 11000; 0.770084147768; 0.0671295422814; [0.0017357835553375345, 0.0, 0.00011320327534810007, 0.0652805554507377]; 0.162786309951; [0.0003773442511603336, 0.0, 0.007094071921814271, 0.1553148937775933] 11001; 0.566599767614; 0.0427273687546; [0.0006337805006865955, 0.0, 0.00015844512517164888, 0.04193514312876307]; 0.390672863632; [0.0017428963768881377, 0.0, 0.050174289637688815, 0.33875567761698533] 11002; 0.991771620487; 0.00268681780017; [0.002686817800167926, 0.0, 0.0, 0.0]; 0.00554156171285; [0.0055415617128463475, 0.0, 0.0, 0.0] 11003; 0.984752223634; 0.00508259212198; [0.005082592121982211, 0.0, 0.0, 0.0]; 0.010165184244; [0.0, 0.0, 0.010165184243964422, 0.0] 11004; 0.326121372032; 0.0512627214474; [0.0007538635506973238, 0.0, 0.004372408594044478, 0.04613644930267621]; 0.622615906521; [0.0022615906520919715, 0.0, 0.01620806633999246, 0.6041462495288353] 11005; 0.467110415035; 0.0399373531715; [0.0010441138084051162, 0.0, 0.0, 0.038893239363090575]; 0.492952231793; [0.003523884103367267, 0.0, 0.01931610545549465, 0.47011224223440357] 11006; 0.954248366013; 0.00522875816993; [0.0, 0.00130718954248366, 0.00392156862745098, 0.0]; 0.040522875817; [0.00522875816993464, 0.0, 0.03529411764705882, 0.0] 11007; 0.990847487459; 0.00827246325794; [0.008272463257942444, 0.0, 0.0, 0.0]; 0.00088004928276; [0.0008800492827598346, 0.0, 0.0, 0.0] 11008; 0.989654057549; 0.000646621403168; [0.00032331070158422246, 0.0, 0.00032331070158422246, 0.0]; 0.00969932104753; [0.007436146136437116, 0.0, 0.0022631749110895573, 0.0] 11009; 0.958519525937; 0.0050514863027; [0.0043714785311832136, 0.0, 0.0, 0.0006800077715173888]; 0.0364289877599; [0.0005828638041577618, 0.0, 0.0, 0.03584612395570235] 11010; 0.947209809831; 0.046347292944; [0.001766600852125117, 0.044372856697495584, 0.0002078353943676608, 0.0]; 0.0064428972254; [0.0009352592746544737, 0.005507637950743011, 0.0, 0.0] 11011; 0.76129; 0.06489; [0.0023, 0.00013, 0.06233, 0.00013]; 0.17382; [0.00179, 0.00013, 0.1366, 0.0353] 11012; 1.0; 0.0; [0.0, 0.0, 0.0, 0.0]; 0.0; [0.0, 0.0, 0.0, 0.0] 11013; 0.983012306046; 0.00107009095773; [0.0008025682182985554, 0.0, 0.00026752273943285177, 0.0]; 0.0159176029963; [0.007356875334403424, 0.0, 0.0, 0.008560727661851257] 11014; 0.990777338603; 0.00131752305665; [0.0013175230566534915, 0.0, 0.0, 0.0]; 0.00790513833992; [0.004281949934123847, 0.00032938076416337287, 0.0032938076416337285, 0.0] 12200; 0.975460122699; 0.00368098159509; [0.0, 0.0036809815950920245, 0.0, 0.0]; 0.0208588957055; [0.011656441717791411, 0.009202453987730062, 0.0, 0.0] 12201; 0.983006042296; 0.00566465256798; [0.0026435045317220545, 0.0030211480362537764, 0.0, 0.0]; 0.011329305136; [0.007175226586102719, 0.004154078549848943, 0.0, 0.0] 12202; 0.97812836142; 0.00788813194693; [0.0, 0.007888131946934385, 0.0, 0.0]; 0.0139835066332; [0.013266403728935103, 0.0007171029042667623, 0.0, 0.0] 12203; 0.8545941124; 0.000892060660125; [0.0, 0.0008920606601248885, 0.0, 0.0]; 0.14451382694; [0.0, 0.0008920606601248885, 0.14272970561998216, 0.0008920606601248885] 12204; 0.986722306525; 0.000379362670713; [0.0, 0.00037936267071320183, 0.0, 0.0]; 0.0128983308042; [0.0, 0.011760242792109257, 0.0011380880121396055, 0.0] 12205; 0.83416252073; 0.00663349917081; [0.0008291873963515755, 0.005804311774461028, 0.0, 0.0]; 0.1592039801; [0.1550580431177446, 0.003316749585406302, 0.0008291873963515755, 0.0] 12206; 0.969801553063; 0.00129421915444; [0.0, 0.0012942191544434857, 0.0, 0.0]; 0.0289042277826; [0.0008628127696289905, 0.0012942191544434857, 0.026747195858498704, 0.0] 12207; 0.996740547588; 0.00271621034333; [0.0, 0.0027162103433289874, 0.0, 0.0]; 0.000543242068666; [0.0, 0.0, 0.0005432420686657974, 0.0] 12208; 0.859504132231; 0.0375657400451; [0.035311795642374154, 0.002253944402704733, 0.0, 0.0]; 0.102930127724; [0.10293012772351616, 0.0, 0.0, 0.0] 12209; 0.995889003083; 0.0; [0.0, 0.0, 0.0, 0.0]; 0.00411099691675; [0.0, 0.0041109969167523125, 0.0, 0.0] 12210; 0.498367791077; 0.00108813928183; [0.0, 0.001088139281828074, 0.0, 0.0]; 0.500544069641; [0.002176278563656148, 0.0, 0.49836779107725787, 0.0] 12211; 0.998576420344; 0.00142357965575; [0.0, 0.001423579655752556, 0.0, 0.0]; 0.0; [0.0, 0.0, 0.0, 0.0] 12212; 0.984397854705; 0.0; [0.0, 0.0, 0.0, 0.0]; 0.015602145295; [0.008288639687957094, 0.004388103364212579, 0.0029254022428083864, 0.0] 12213; 0.953507565337; 0.000825309491059; [0.0, 0.0008253094910591472, 0.0, 0.0]; 0.0456671251719; [0.002200825309491059, 0.001375515818431912, 0.042090784044016505, 0.0] 12214; 0.636197440585; 0.0; [0.0, 0.0, 0.0, 0.0]; 0.363802559415; [0.0018281535648994515, 0.010968921389396709, 0.3473491773308958, 0.003656307129798903] 21100; 0.983311391621; 0.00995895609076; [0.0026794703012468055, 0.0056996824905134365, 0.0015798032990010067, 0.0]; 0.00672965228839; [0.0, 0.0, 0.006729652288391543, 0.0] 21101; 0.972934213144; 0.0171596259699; [0.0010196299489356059, 0.0, 0.003904436633729027, 0.01223555938722727]; 0.009906160886; [2.4869023144770875e-05, 0.0, 0.004385237747861264, 0.005496054114994363] 21102; 0.8686184004; 0.0554709390878; [1.16266902300922e-05, 0.003081072910974433, 0.0012091757839295888, 0.05116906370263577]; 0.0759106605123; [0.0, 0.0, 3.48800706902766e-05, 0.07587578044158169] 21103; 0.992451967063; 0.00224153705398; [0.0, 0.0, 0.0011436413540713633, 0.0010978956999085087]; 0.00530649588289; [0.0, 0.0, 0.005169258920402562, 0.0001372369624885636] 21104; 0.99023393141; 0.00129098581111; [0.0, 0.0, 0.00129098581110965, 0.0]; 0.00847508277849; [0.0, 0.0, 0.008475082778488352, 0.0] 21105; 0.994934333959; 0.00181363352095; [0.0, 0.0, 9.380863039399625e-05, 0.0017198248905565979]; 0.00325203252033; [0.0, 0.0, 0.0028767979987492183, 0.000375234521575985] 21106; 0.989572689016; 0.0052301370164; [4.395073123029084e-05, 0.0, 0.000725187065299799, 0.004460999219874521]; 0.00519717396798; [0.0, 0.0, 0.0023403764380129873, 0.002856797529968905] 21107; 0.951045775379; 0.0213436786382; [0.0, 0.0, 0.0020500311397135145, 0.019293647498443013]; 0.027610545983; [0.0, 0.0, 0.019449346066016192, 0.008161199916960763] 21108; 0.99465158778; 0.00391323899461; [0.0, 0.0, 0.00247806576920501, 0.0014351732254083067]; 0.00143517322541; [0.0, 0.0, 0.0014256054039055847, 9.567821502722046e-06] Page 68 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 21109; 0.988374180074; 0.0107895767386; [0.00032429918741637567, 0.0, 0.005449858042619848, 0.0050154195085337595]; 0.000836243187677; [0.0, 0.0, 0.000599647554090657, 0.0002365956335867898] 21110; 0.931619714449; 0.0368569034249; [1.5663792360768465e-05, 0.0, 0.0022085947228683536, 0.034632644909659074]; 0.031523382126; [0.0, 0.0, 0.010698370182404862, 0.020825011943641676] 21111; 0.9702; 0.013813; [0.0057, 0.000213, 0.0015, 0.0064]; 0.0234; [2.558831807985261e-05, 0.0, 0.006977081396439812, 0.01635093525302582] 21112; 0.998362351319; 0.00137907257369; [0.0012928805378383038, 0.0, 0.0, 8.619203585588692e-05]; 0.000258576107568; [0.0002585761075676607, 0.0, 0.0, 0.0] 21113; 0.991522685131; 0.00785610526679; [0.0, 0.0, 0.007573737265987519, 0.0002823680008031801]; 0.000621209601767; [0.0, 0, 0.0006180721795358497, 3.1374222311464453e06] 21114; 0.890021; 0.0769; [0.0753, 0.00069, 0.0004, 0.0004]; 0.033189; [0.0318, 0.0, 0.000289, 0.0011] 22100; 0.949399349572; 0.0274374460742; [0.023654343930444018, 0.0, 0.0, 0.0037831021437578815]; 0.0231632043539; [0.020335833278024823, 0.0, 1.3274042609676777e-05, 0.002814097033251477] 22101; 0.983595907098; 0.0089058524173; [0.008364463212603541, 0.0, 0.0, 0.0005413892046992583]; 0.00749824048508; [0.0001894862216447404, 0.0, 0.0, 0.007308754263439987] 22102; 0.7392869452; 0.2358722986; [0.2320555534280499, 0.0, 0.002808307484139445, 0.0010084376874864372]; 0.0248407562006; [0.020066633477578217, 0.0, 0.00011488530616934095, 0.004659237416867716] 22103; 0.977632335293; 0.0161958834622; [0.0020270065852502498, 0.0, 0.009741733141053439, 0.004427143735944575]; 0.00617178124464; [0.00011093070864553605, 0.0, 0.004326297637175906, 0.001734552898821109] 22104; 0.931565553842; 0.0490222974827; [0.0, 0.0, 0.04652482806247458, 0.0024974694201897697]; 0.0194121486751; [0.0, 0.0, 0.016602495577397902, 0.002809653097713491] 22105; 0.965976244233; 0.00689113576126; [0.0, 0.0, 0.00508491214292726, 0.0018062236183370964]; 0.0271326200059; [0.0, 0.0, 0.024737410425051537, 0.0023952095808383233] 22106; 0.986595827647; 0.00399688048353; [0.0, 0.0, 0.0005524143757717554, 0.0034444661077532982]; 0.00940729186976; [0.0, 0.0, 0.0051666991616299476, 0.00424059270813024] 22107; 0.950827013362; 0.0267677862044; [0.0, 0.0, 0.022029613578909354, 0.004738172625496569]; 0.0224052004334; [0.0, 0.0, 0.022231852654387867, 0.0001733477789815818] 22108; 0.916803343144; 0.0466197847626; [0.04, 6.740209845199847e-05, 0.004718146891639893, 0.0017524545597519604]; 0.0365768720933; [0.004673212159338561, 0.0, 0.02123166101237952, 0.010671998921566424] 22109; 0.988970893109; 0.00145119827515; [0.0, 0.0, 0.0005804793100588772, 0.0008707189650883158]; 0.00957790861597; [0.0, 0.0, 0.0049340741355004564, 0.0046438344804710175] 22110; 0.960644390425; 0.0164146512299; [0.003337316138601623, 0.0, 0.006658151703679288, 0.006419183387581888]; 0.0229409583454; [0.00046969634543282104, 0.0, 0.02135882328705039, 0.0011124387128672079] 22111; 0.938531658044; 0.0186499137719; [0.0, 0.0, 0.0177629958117763, 0.0008869179600886918]; 0.0428184281843; [0.0, 0.0, 0.04042867701404287, 0.002389751170238975] 22112; 0.962039747342; 0.00945925127099; [0.006008319211215529, 0.0, 6.162378678169774e-05, 0.0033893082729933755]; 0.0285010013865; [0.0016946541364966877, 0.0, 0.01845632414111847, 0.008350023108920043] 22113; 0.887890962443; 0.0468675012684; [0.0, 0.0, 0.04294587886848853, 0.0039216223998683655]; 0.0652415362887; [0.0, 0.0, 0.06232088743846755, 0.0029206488502516144] 22114; 0.999631682335; 5.26168093167e-05; [0.0, 0.0, 0.0, 5.261680931668304e-05]; 0.0003157008559; [0.0, 0.0, 0.0, 0.0003157008559000982 Correspondre au seuil de vérification de 0.8, il y a micro-classes suspectes détectées : Il s’agit de 11000, 11001, 11004, 11005, 11011, 12210, 12214, 22102 Page 69 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 6.6 ANNEXE : EXEMPLE POUR LE TRAITEMENT DES MICROCLASSES SUSPECTES Les micro-classes suspectes par rapport leur centroides : Niveau : Microclasse suspecte: 21102 - Plus proche de la microclasse: 22104 Microclasse suspecte: 21110 - Plus proche de la microclasse: 22113 Microclasse suspecte: 21112 - Plus proche de la microclasse: 11003 Microclasse suspecte: 21114 - Plus proche de la microclasse: 11011 Microclasse suspecte: 22100 - Plus proche de la microclasse: 11000 Microclasse suspecte: 22102 - Plus proche de la microclasse: 11004 Microclasse suspecte: 22104 - Plus proche de la microclasse: 21102 Microclasse suspecte: 22108 - Plus proche de la microclasse: 11005 Microclasse suspecte: 22111 - Plus proche de la microclasse: 21107 Microclasse suspecte: 22113 - Plus proche de la microclasse: 21110 Microclasse suspecte: 11000 - Plus proche de la microclasse: 22102 Microclasse suspecte: 11001 - Plus proche de la microclasse: 22102 Microclasse suspecte: 11004 - Plus proche de la microclasse: 22102 Microclasse suspecte: 11005 - Plus proche de la microclasse: 22102 Microclasse suspecte: 11010 - Plus proche de la microclasse: 12208 Microclasse suspecte: 11011 - Plus proche de la microclasse: 21114 Microclasse suspecte: 11012 - Plus proche de la microclasse: 22114 Niveau : Microclasse suspecte: 21102 - Plus proche de la microclasse: 22107 Microclasse suspecte: 21112 - Plus proche de la microclasse: 11008 Microclasse suspecte: 21114 - Plus proche de la microclasse: 11004 Microclasse suspecte: 22101 - Plus proche de la microclasse: 11007 Microclasse suspecte: 22102 - Plus proche de la microclasse: 11001 Microclasse suspecte: 22111 - Plus proche de la microclasse: 21110 Microclasse suspecte: 22114 - Plus proche de la microclasse: 11009 Microclasse suspecte: 11005 - Plus proche de la microclasse: 22108 Microclasse suspecte: 11012 - Plus proche de la microclasse: 22101 Les micro-classes suspectes par rapport la matrice de confusion avec le seuil de vérification de 0.8 : Classe Performance 11000 0.770673 11001 0.566506 11004 0.32655 11005 0.5303 11011 0.761416 Page 70 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols 12210 0.49802 12214 0.63652 22102 0.739415 Correspondre au seuil de suppression de 0.5, au taux de surface minimum de 0.3 et au taux de confusion réaffecter de 0.4, on a la table de proposition contenant le traitement pour les microclasses suspectes : MICROCLASSE;TRAITEMENT 11000;-1 // Couv 11001;-1 // Couv 11004;22100 // TFN e 11005;-1 // Couv 11011;-1 // Plus 12210;-1 // Couv 12214;-1 // Couv 22102;11000 // Plus 21102;A // Atten 21110;A // Atten 21112;A // Atten 21114;A // Atten 22100;A // Atten 22104;A // Atten 22108;A // Atten 22111;A // Atten 22113;A // Atten 11010;A // Atten 11012;A // Atten 22101;A // Atten 22114;A // Atten 6.7 Nom Limousin_20090506 Limousin_20090906 Limousin_20090922 Limousin_20100522 Limousin_20100523 (Limoges) Limousin_20100524 Limousin_20100607 Limousin_20100624 Limousin_20100707 Limousin_201007072 Page 71 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Limousin_20100711 Limousin_20100719 Limousin_20100731 Limousin_20100825 Limousin_20100901 Limousin_20100905 Limousin_20100911 Nombre d’images dans la base : 17 Nombre total d’images classifiées (taille moyenne de 200 Mo) : 67 6.8 A Prétraitements divers (découpage, projection etc ) Digitalisation des échantillons de vérification Obtention des échantillons d'apprentissage Calcul des textures (toutes les textures, sur bandes, avec tailles de fenètres) Etude paramétrique pour les textures Etude paramétrique sur les microclasses Etude paramétrique sur les seuils TOTAL Prétraitements divers (découpage, projection, mettre les données dans les bons dossiers etc ) Echantillons d'apprentissage Calcul des textures (3 textures, bandes, tailles de fenêtre) Première itération de la classification Controle visuel de la première itération 45 pour une dalle Limousin : 67 dalles Deuxième itération de la classification Controle visuel de la deuxième itération Troisième itération de la classification Post traitements de premier niveau Mosaicage Vectorisation TOTAL Page 72 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Figure 43 : Statistique sur le temps de traitement (humain et machine) dans l’étude paramétrique Page 73 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Figure 45 : Statistique sur le temps de traitement (humain et machine) dans la classification de Limousin Figure 44 : Visualisation globale de travail pratique réalisé en fonction du temps Page 74 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Page 75 sur 75 ...01 Mars 2014 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols Page sur 75 Traitements automatique d’images satellites pour l’extraction... 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols requête de CETE SO); la lenteur de mise jour des données (3 ans pour la BD Topo, ans pour. .. territoire des zones d’étude Figure : Le traitement des informations d’apprentissage Page 22 sur 75 Traitements automatique d’images satellites pour l’extraction d’informations d’occupation des sols