Exercice 4 - Region Pokhara - suite
|  | Pokhara est la capitale de Kaski, au Népal | |
Classification non dirigée
L’objectif des exercices suivants est d’utiliser la classification des images pour en savoir plus sur la région de Pokhara. Tu penses peut-être qu’il suffit d’appuyer sur un bouton, mais c’est loin d’être le cas. Cela requiert de la recherche, du savoir et de la précision.
Pour les exercices suivants, nous appliquerons différentes méthodes de classification. Il s’agit de comprendre les principes de la classification des images et de comparer les résultats obtenus par différentes méthodes.
La classification est un outil très utile pour obtenir des informations servant aux mises à jour (planification, contrôle et cartographie). C’est un moyen relativement simple et peu onéreux d’obtenir des informations sur la couverture du sol, l’utilisation des sols et les changements du sol, surtout dans les zones isolées ou inaccessibles.
Cependant, même dans les parties du monde bien développées, les images satellite font partie de notre quotidien, Les images satellite et les cartes de classification sont également utilisées en cartographie. Pense à la précision avec laquelle les limites des forêts sont tracées dans les cartes topographiques. Les données proviennent des images satellite et des instruments de traitement des images.
Toute classification numérique, qu’elle soit dirigée ou pas, ne représente qu’une base d’une adaptation approfondie. Il est impossible d’obtenir une classification utile et précise sans intervention manuelle. Jusqu’à maintenant, le traitement des informations effectué par le cerveau humain a permis de procéder à des procédures plus complexes qu’avec un seul programme informatique. Il existe tellement de relations complexes entre différents types de surface qui ne sont pas identifiées par les différences spectrales ou géométriques.
Une méthode de classification relativement simple est la classification non dirigée. Tous les pixels d’une image sont groupés en un nombre spécifique de classes, en fonction de la similarité de leurs valeurs de niveau de gris.
Ouvre les images:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
dans LEOWorks.
Va dans Multivariate Analysis>Unsupervised Classification, puis sélectionne les images:
anapurna_landsat_2000_SE_band_2.tif
anapurna_landsat_2000_SE_band_3.tif
anapurna_landsat_2000_SE_band_4.tif
Tape 7 dans le champ Nr. of Classes et 10 dans le champ Nr. of Iterations. La procédure est effectuée pour le nombre donné d’itérations ou jusqu’à ce qu’une condition soit satisfaite. Enregistre la nouvelle image sous le nom Pokhara_432_2000_unsupervised au format TIFF dans le dossier Annapurna.
LEOWorks assigne de manière aléatoire les couleurs aux différentes classes. L’étape suivante consiste donc à modifier les couleurs pour sélectionner des couleurs qui se rapprochent plus de la nature. Double-clique sur la barre LUT au bas de l’image. Sélectionne une couleur dans le menu contextuel et change la couleur au moyen des curseurs RGB. Choisis un vert pour la végétation, un beige pour le sol nu, ainsi de suite. Après avoir changé toutes les couleurs, enregistre à nouveau l’image.
Observe l’image classée et compare-la avec l’image proche infrarouge en vraies couleurs et l’image infrarouge en fausses couleurs.
Quelles caractéristiques sont nettement définies?
Lesquelles apparaissent faiblement?
Explique les raisons de ces imprécisions.
Essaie de procéder à d’autres classifications non dirigées en appliquant différentes combinaisons de bandes, par ex. 1,4,7 ou 1,2,3 ; 4,5,7. Compare les différents résultats de classification obtenus.
Quelles caractéristiques ont changé et lesquelles sont restées identiques ?
| 
