Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

La classification d’image La classification numérique des images utilise l’info

La classification d’image La classification numérique des images utilise l’information spectrale contenue dans les valeurs d’une ou de plusieurs bandes spectrales pour classifier chaque pixel individuellement. Ce type de classification est appelé reconnaissance de regroupements spectraux. Les deux façons de procéder (manuelle ou automatique) ont pour but d’assigner une classe particulière ou thème (par exemple : eau, forêt de conifères, maïs, blé, etc.) à chacun des pixels d’une image. La « nouvelle » image qui représente la classification est composée d’une mosaïque de pixels qui appartiennent chacun à un thème particulier. Cette image est essentiellement une représentation thématique de l’image originale. Lorsqu’on parle de classes, il faut faire la distinction entre des classes d’information et des classes spectrales. Les classes d’information sont des catégories d’intérêt que l’analyste tente d’identifier dans les images, comme différents types de cultures, de forêts ou d’espèce d’arbres, différents types de caractéristiques géologiques ou de roches, etc. Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques (ou presque) en ce qui a trait à leur valeur d’intensité dans les différentes bandes spectrales des données. L’objectif ultime de la classification est de faire la correspondance entre les classes spectrales et les classes d’information. Il est rare qu’une correspondance directe soit possible entre ces deux types de classes. Les méthodes de classification les plus communes peuvent être séparées en deux grandes catégories : les méthodes de classification supervisée et les méthodes de classification non supervisée.  Classification supervisée : Lors de l’utilisation d’une méthode de classification supervisée, l’analyste identifie des échantillons assez homogènes de l’image qui sont représentatifs de différents types de surfaces (classes d’information).  Classification non supervisée : La classification non supervisée procède de façon contraire. Les classes spectrales sont formées en premier, basées sur l’information numérique des données seulement. Ces classes sont ensuite associées, par un analyste, à des classes d’information utile (si possible). Des programmes appelés algorithmes de classification sont utilisés pour déterminer les groupes statistiques naturels ou les structures des données. Habituellement, l’analyste spécifie le nombre de groupes ou classes qui seront formés avec les données. De plus, l’analyste peut spécifier certains paramètres relatifs à la distance entre les classes et la variance à l’intérieur même d’une classe. Le résultat final de ce processus de classification itératif peut créer des classes que l’analyste voudra combiner, ou des classes qui devraient être séparées de nouveau. Chacune de ces étapes nécessite une nouvelle application de l’algorithme. L’intervention humaine n’est donc pas totalement exempte de la classification non supervisée. Nous proposons d’utiliser le logiciel ARCGIS comme interface principale de visualisation des données Les images satellites manipulées sont des produits Sentinel-2 au niveau 2A ainsi que le Le fichier vecteur qui délimite notre zone d’études. Présentation du cas d’études Dans cette étude , nous souhaitons cartographier les espaces verts du district de mont-amba, avec le vecteur de ce dernier qui se trouve dans la ville de Kinshasa. Pour cela, nous avons collecté les coordonnes géographiques des espaces vertes connus dans notre zone d’études ( mont-amba). Nous allons à présent cartographier l’occupation du sol sur la zone d’étude. Objectifs : • Définir l’emprise de la région d’intérêt de notre étude Etapes : • Ouvrez la couche vecteur/Commune Kinshasa.shp Sur ArcMAp. •Selectionner a l’aide de la table d’attribution les communes de mont-amba puis les exporter dans un fichier Mont-amba.shp Recueillir les données Dans le cadre d’une classification non-supervisée à des fins de cartographie d’occupation du sol, nous avons besoin des produits satellitaires : Ce sont les images satellites qui nous permettre de cartographier l’occupation du sol à grande échelle. Identifier les produits satellitaires Les produits satellitaires vont nous permettre de cartographier l’occupation du sol sur l’ensemble de notre zone d’étude. Dans notre cas, nous allons utiliser les images satellites optiques. Il existe de nombreuses sources d’images satellites optiques. Les images se distinguent par leurs résolutions spatiale (de quelques centimètres à plusieurs kilomètres) et spectrale, leur étendue (quelques dizaines de kilomètre carrés à plusieurs dizaines de milliers de km2), leur date d’acquisition , leur coût (gratuit à plusieurs milliers d’euros), etc. C’est la nature de notre projet et nos contraintes qui guident le choix des images à utiliser. Dans notre cas, nous utiliserons des données issues du satellite Sentinel-2 avec une résolution spatiale de 10 mètres. Sentinel-2 fait partie de la constellation de satellites du programme Sentinel de l’Agence Spatiale Européenne. Le capteur dont il est équipé (MultiSpectral imager) capture des images dans 13 bandes spectrales dans les domaines du visible et de l’infrarouge, allant de 10 à 60 mètres de résolution spatiale. La période de revisite du satellite est de 5 jours. Les données sont libres d’accès, comme toutes les données du programme Sentinel. Il existe de multiples manières de récupérer des images Sentinel 2. Une des plus simples est de passer par le Copernicus Open Access Hub, un portail dedié avec une interface utilisateur permettant de rechercher et télécharger des images du programme Sentinel. Objectifs : • Rechercher, identifier et télécharger des images satellites Sentinel-2 (avec le site Copernicus Open Access Hub) Etapes : 1. Télécharger les images Sentinel 2 • Créez un compte au paravent sur le site des produits d’Observation de la Terre de l’ESA. • Allez sur le Copernicus Open Access Hub: https://scihub.copernicus.eu/dhus/ puis identifiez vous via le bouton login. • Affinez la recherche avec les éléments suivants: – Sensing period doit correspondre à une fenêtre de dates autour de notre date de campagne de relevé des vérités terrain (mettre tout le mois de septembre 2022) ; – Mission est Sentinel-2 ; – Tracez une région autour de notre zone d’étude ; – Cliquez finalement sur la loupe pour rechercher. Figure 1: Copernicus Open Access Hub - recherche de produits satellites • Les produits répondant à la recherche apparaissent alors. Dans le panneau de gauche, l’ensemble des images correspondant à notre recherche sont affichées. Pour chacune, l’information ‘Sensing date’ donne la date à laquelle elle a été photographiée. Nous avons 6 couples d’images sur l’ensemble du mois de septembre. Le choix de l’image que l’on utilisera se fera généralement selon les critères suivants (par ordre d’importance): – Couverture nuageuse : sachant que dans le domaine de l’imagerie optique on perd l’information de tout pixel sous un nuage, on cherchera à conserver l’image qui a la couverture nuageuse la moins importante. – Niveau de traitement de l’image : les images Sentinel 2 sont distribuées principalement selon deux niveaux de traitements : niveau 1C ou niveau 2A. Au niveau 2A, les corrections géométriques et atmosphériques sont effectuées. Il est donc préférable d’utiliser une image de niveau 2A si disponible. Dans notre cas, il nous est proposé des images de niveau 2A, Téléchargez les images S2A_MSIL2A_20220904T085611_N0400_R007_T33MWR_20220904T152703.SAFE.zip puis décompressez les dossier de votre choix. Préparer les données pour la classification Toutes les données qui serviront à établir notre carte d’occupation du sol sont maintenant dans nos mains (ou plutôt notre ordinateur) ! Mais avant de se lancer dans la classification, il faut préparer les données afin de s’assurer que notre classification sera pertinente et performante. C’est l’objectif de cette section. Classer les images pour cartographier l’occupation du sol Dans le cadre d'une classification non supervisé, vous ne savez pas quelles entités se trouvent à tel ou tel emplacement, mais vous voulez agréger chacun des emplacements en un nombre défini de groupes (ou agrégats). Ce qui détermine la classe ou l'agrégat auquel chaque emplacement sera attribué dépend des statistiques multivariées qui sont calculées sur les canaux en entrée. Chaque agrégat est statistiquement séparé des autres agrégats en fonction des valeurs de chaque canal de chaque cellule contenue dans les agrégats. Les statistiques établissant la définition d'agrégat sont stockées dans un fichier de signatures. La classification se déroule en quatre étapes : 1. Création et analyse des données en entrée. Figure 2: Les différentes bandes avec une résolution spatiale de 10 mètres dans arcgis 2. Génération de signatures pour l'analyse des classes et des agrégats. Figure 3 : Génération de signatures dans l’outils Spatial analyst tools > Multivariat > Iso cluster unpervised classification 3. Évaluation et, si nécessaire, mise à jour des classes et des agrégats. Figure 4 : Évaluation des classes avec les la composite vrai couleur. 4. Réalisation de la classification. Figure 5 : Nomenclature de Différentes classes uploads/Geographie/ classication-d-x27-image.pdf