Classification Supervisée [PDF]

Zitiervorschau

TP3 Télédétection Réalisation d’une carte d’occupation du sol par classification supervisée d’une image Landsat

Dans ce TP, vous allez réaliser une carte d’occupation du sol par classification supervisée d’une image satellite Landsat représentant la commune Maarif – Casablanca et la mise en page de la carte obtenue. Les grandes étapes à suivre pour la réalisation d’une classification supervisée sont :

1. Observation de l’image

1.1. Identification des classes d’occupation du sol

Analyser visuellement votre image et repérez les grands types d’occupation du sol : * Centres urbains (ville et village, bâtiments, gare, …) * Routes (autoroute, route, rail) * Zones boisées (forêt, bois,…) * Terres agricoles (champ cultivé et champ nu) * Cours d’eau (fleuves, canaux,…) ……… Décidez des classes que vous essayerez de retrouver par classification automatique de l’image (entre 5 et 8 classes).

1.2 Utilisation de données complémentaires pour l’analyse visuelle d’une image La photo-interprétation (reconnaissance des différentes occupations du sol par analyse visuelle) d’une image est parfois difficile : * Soit parce que l’image ne présente pas une qualité suffisante (résolution spatiale et spectrale adéquate), * Soit à cause d’un manque d’expérience du photo-interpréteur ou d’un manque de connaissance de la zone. La photo-interprétation peut être facilitée grâce à l’utilisation de données complémentaires sur la zone étudiée, par exemple :

* Analyse visuelle de la zone dans Google Earth. Google Earth dispose d’image à très haute résolution spatiale pour une partie sans cesse grandissante de la planète. Attention toutefois à garder à l’esprit que les images de Google Earth ne datent probablement pas de la même période que celle qui fait l’objet de votre étude. * Cartes topographiques * Une enquête de terrain avec relevé GPS * Divers documents donnant des informations sur l’occupation du sol de la zone 1.3 Amélioration de contraste une amélioration de contraste facilite l’interprétation visuelle de l’image L’amélioration de contraste consiste en une transformation virtuelle des données afin d’utiliser toute la gamme d’intensité de couleur disponible (256 niveaux) pour visualiser les données à l’écran. Cette amélioration ne modifie donc pas vos données sources (la valeur des pixels). Elle ne fait qu’attribuer différemment la palette de couleur disponible à votre image afin de faire ressortir certains éléments plus clairement.

2. Classification supervisée de l’image Réaliser une classification supervisée d’une image satellite sous entend que vous possédez une très bonne connaissance de l’occupation du sol réelle de la zone de l’image à l’époque où l’image a été prise. Cette connaissance peut venir de plusieurs sources . Cette connaissance peut venir de plusieurs sources comme expliqué ci-dessus « Utilisation de données complémentaires pour l’analyse visuelle d’une image ».

2.1 Définition de la légende de la carte (taxon) A partir de l’examen de la composition colorée de la zone à classifier (également avec l’amélioration de contraste), et de votre connaissance de la région étudiée, définissez la légende de la carte, c’est-à-dire les classes d’occupation du sol que vous désirez voir apparaitre dans la carte d’occupation du sol qui sera produite. 2.2 Définition du nombre de classes spectrales A partir de l’examen de la composition colorée de la zone à classifier (également avec l’amélioration de contraste), identifiez également combien de signatures spectrales différentes correspondent à chaque taxon de la légende. En effet, une occupation du sol telle que « culture » peut présenter différentes signatures spectrales au moment de l’enregistrement de l’image, selon l’espèce cultivée et son stade végétatif. Il s’agit donc de définir autant de classes spectrales qu’il existe de situations spectralement bien différentes pour chaque occupation du sol. L’algorithme de classification pourra ainsi traiter chaque signature spectrale de manière indépendante. 2.3 Sélection des aires d’entrainement ou « ROI – Region Of Interest» pour chaque classe Il s’agit de sélectionner un minimum de 30 pixels spectralement représentatif de chaque signature spectrale identifiée précédemment. Ces échantillons, ou « aires d’entrainement » serviront à la « CALIBRATION » de votre classification. Elles sont définies à l’écran par la numérisation d’un ou plusieurs polygones pour chaque classe spectrale. Sur base des polygones ainsi définis, l’extraction automatique des valeurs de pixels contenues à l’intérieur des polygones et le calcul de leur moyenne et écart-type produiront la signature spectrale de chaque classe à partir des 3 canaux de l’image .

Les aires d’entrainement doivent être représentatives de chaque classe spectrale considérée. Voici quelques conseils pour la sélection des aires d’entrainement : * Il est souvent préférable que ces aires d’entrainement soient bien réparties sur toute l’image. En effet, ceci permettra de prendre en compte : o Les éventuels gradients de luminosité entre les différentes zones de l’image (conditions atmosphériques, relief/exposition,…) o Une légère différence spectrale entre une même classe d’occupation du sol dans des régions différentes (gradient ou classes pédologiques, variation des espèces végétales ou de leur état de développement, etc). o … * Un minimum de 30 pixels par classe spectrale et un nombre suffisant d’aires d’entrainement pour qu’elles soient représentatives de la classe considérée. Le nombre d’aires d’entrainement nécessaire dépendra donc de la complexité spectrale de chaque classe et de la complexité de l’image. Par exemple, une image ne comprenant comme occupation du sol que le désert et la mer sera extrêmement facile à classifier et cela pourra se faire avec peu d’aires d’entrainement. A l’inverse une image d’une zone agricole africaine présentera une beaucoup plus grande complexité d’occupation du sol (parcelles avec différentes cultures à différents stades de développement, différents états de sol et différents sols, arbres dans les parcelles, etc) et nécessitera l’utilisation de nombreuses aires d’entrainement afin qu’elles soient bien représentatives de toutes les variations d’une classe spectrale donnée.

* La courbe de la distribution du nombre de pixels en fonction de leur réflectance (pour une bande spectrale donnée) doit être uni-modale (ou s’en rapprocher). Si elle est multimodale, ceci constitue une indication que ces aires correspondent à plusieurs classes spectralement distinguables et qu’il faut donc les séparer en autant de classes qu’il n’y a de mode dans la courbe. * Ne considérer que des « pixels purs », c’est-à-dire des pixels correspondant uniquement à la classe d’occupation du sol visée et non des pixels couvrant plusieurs classes d’occupation du sol (« mixel » : pixel mixte). Par exemple, pour des zones d’entrainement d’un fleuve, ne pas considérer des pixels se trouvant proche de la berge car leur réflectance risque d’être influencée par la berge. Faites attention à faire apparaitre la mention « cal » dans le nom de ces classes qui seront utilisées à des fins de calibration (par exemple : « forêt_cal »), et ce afin de facilement faire la distinction entre vos classes de calibration

3. Validation des résultats de la classification 4. Production de la carte d’occupation du sol dérivée de la classification

Classification supervisée (A l’aide des outils de Qgis)

* Ouverture de Qgis ---- Nouveau projet intitulé « Classification supervisée »----système de coordonnées projeté EPSG:32629 * Ajout de données (Image Landsat « zetudeimage6c.img» dans le dossier « Classification supervisée »)

8

• • •

Ajout du shapefile « Maarif » dans le même dossier On découpe l’image raster « zetudeimage6c.img» » en utilisant comme masque le shapefile « Maarif » Le raster obtenu sera nommé « MaarifSat »

Propriété de la couche raster obtenue « MaarifSat» ---- rubrique « style » puis faites les changements comme suit:

10

Menu « SCP » ------ « Semi-Automatic Classification Plugin » Puis rafraichir Puis dans « Input image » sélectionnez : « MaarifSat » 4

Pour L’amélioration de contraste de l’ image ---Show

3

1

2

Activez la projection automatique à la volée 1

2 3

3

Ajoutez les carte topographique de Casablanca géoréférencée dans le « TP1 teledetection » (la superposition des cartes topographique avec l’image satellite nous permet une meilleure reconnaissance des différentes occupations du sol )

Création de Shapefile des aires d’entrainement (ROI)

1

2

3

Le Shapefile crée apparait dans la liste des couches de Qgis , c’est une couche encore vide mais comporte des noms des champs du Shapefile « ROI » 2

1

Création de fichier de signature spectrale La signature spectrale représente les variations spectrales, c'est-à dire les variations de la réflectance des éléments en fonction de la longueur d'onde d'enregistrement prise dans les zones du spectre électromagnétique utilisable en télédétection.

1

2

3

Commencez la numérisation du shapefile « ROI »

1

2 3 4 5

L’enregistrement « Bati » apparait dans « Training shapefile » du shapefile « ROI »

Choisissez les classes suivantes:

On fusionne les deux zones qui représentent la même classe « Végétation »:

On obtient la classe fusionnée « MergedVégétation » puis on supprime les deux anciennes classes

Changez les paramètres comme suit, puis appuyez sur « + » puis sur l’image

On obtient une image similaire à celle-ci:

Ensuite , on commence la classification: On obtient une image Raster et une couche vecteur

Le shapefile contient plusieurs entités de la même classe

Pour réaliser le calcul des superficies par classe, regroupons les entités appartenant à la même catégorie. Toutes les entités ayant des valeurs identiques de ce champ sont combinées pour former une seule entité.

22

Supprimer l’entité « 0 » du champs « C_ID » Puis ajouter un champs comportant les noms des classes : 2

3 1

4

Puis on entre les noms des différentes classes comme indiqué ci-dessous:

Pour calculer la superficie de chaque classe, on doit créer un champs « Superficie » dans la table attributaire de la couche « QgisClassification »

Utilisez la symbologie suivante :

Edition cartographique La carte est un support particulièrement efficace pour communiquer les résultats de vos recherches. Elle permet en effet de synthétiser et de donner une vue d’ensemble sur une masse d’informations parfois considérable en un seul coup d’oeil. Il est très important de veiller à ce qu’elle soit la plus lisible, attractive et « parlante » possible, afin que la personne qui lira votre carte puisse comprendre aisément ce que vous avez décidé d’y représenter. Eléments indispensables sur une carte Toute carte doit comporter les éléments suivants : Un titre Une échelle graphique Une légende Une flèche indiquant le Nord Les informations relatives au système de coordonnées utilisé L’auteur (personne et / ou « Société ») La date de création de la carte On peut ajouter une carte de situation Représentez vos résultats sur une carte que vous réalisez dans QGIS (voir TP Qgis « tuto10». Mise en page : le composeur d'impression (page:12) ). Puis exportez votre mise en page au format « Jpeg » selon le modèle ci-dessous:

Classification supervisée (A l’aide des outils de Erdas Imagine)

* Ajout de données (Image Landsat « zetudeimage6c.img» dans le dossier « Classification supervisée »)

• Pour amener l’image « zetudeimage6c.img» soit visible sur l’ecran: • Clique droit sur la couche ,puis « fit layer to window »

• Ajout du shapefile de la commune « Maarif » dans le même dossier

Selection du shapefile Maarif (1 puis 2) Cliquez sur « Past from selected object » (3) Puis cliquez sur la nouvelle couche créée « AOI » (4) 1 3

4 2

• On découpe l’image raster « zetudeimage6c.img» » suivant la couche créee qui représente les limites de la commune « Maarif » Le raster obtenu sera nommé « MaarifSat » 1 1 2

2

3

4

5

6

3

Afin de réaliser une classification supervisée à l’aide des outils d’Erdas, on doit d’abord créer un fichier de signature à partir des échantillons d'apprentissage,

Commencez la numérisation des échantillons :

2

1

3 4

Choisissez les classes suivantes:

Pour regrouper les deux zones qui représentent la même classe « Végétation » Utilisez le menu suivant:

Enregister le fichier de signature sous le nom « Signature »:

On peut maintanant commencer la classification:le raster classifié sera nommé « maarifclass »

On obtient une couche qui ressemble à l’image ci-dessous:

Pour changer les couleurs des classes: cliquez droit sur la couche des classes et faites comme indiqué ci-dessous:

Utilisez la palette suivante: