|
|
Le Caire - Exercices sur les données Landsat - suite 
Pour accroître les possibilités d'interprétation des images satellite, on utilise souvent des images en fausses couleurs. Dans la plupart des cas, une image en fausses couleurs utilise au moins un canal infrarouge. La bande infrarouge du spectre est extrêmement utile pour identifier la nature d'une surface, parce qu'elle est constituée à la fois d'énergie réfléchie et d'énergie émise. L'infrarouge n'est pas visible pour l'œil humain, mais il transmet de nombreuses informations. Par exemple, les plantes reflètent beaucoup plus d'énergie dans le proche infrarouge que dans le visible du spectre électromagnétique. On peut même connaître l'état de santé d'une plante à partir de l'intensité de l'énergie refletée par cette plante dans le proche-infrarouge. Ouvrez le programme LEOWorks. Si vous n'avez pas encore téléchargé les images du Caire, faites-le maintenant. Choisissez File>Open. Une boîte de dialogue apparaîtra. Accédez au dossier LeCaire et sélectionnez la première image Cairo_Landsat_2000_Band_2.tif. Ouvrez également Cairo_Landsat_2000_Band_4.tif et Cairo_Landsat_2000_Band_7.tif. Choisissez Image>Combine from...>Red Green Blue. Un menu contextuel s'affichera. Sélectionnez l'image Cairo_Landsat_2000_Band_7.tif pour le rouge, l'image Cairo_Landsat_2000_Band_4.tif pour le vert et l'image Cairo_Landsat_2000_Band_2.tif pour le bleu, puis cliquez sur OK. Améliorez les données brutes en procédant comme décrit dans l'exercice sur les images composites en vraie couleur. Cette nouvelle image est une image composite en fausse couleur obtenue à partir de trois images en nuances de gris.
Décrivez l'image et essayez de subdiviser les caractéristiques de couverture du sol en 5 classes - parcs et exploitations agricoles, eau, désert et terres non cultivées, zones fortement urbanisées, zones faiblement urbanisées.
Les classes peuvent-elles être identifiées sur les deux images ? Quelle image préférez-vous pour différencier les caractéristiques de l'image satellite ? Essayez une autre combinaison. Choisissez Image>Combine from...>Red Green Blue. Un menu contextuel s'affichera. Sélectionnez l'image Cairo_Landsat_2000_Band_4.tif pour le rouge, l'image Cairo_Landsat_2000_Band_2.tif pour le vert et l'image Cairo_Landsat_2000_Band_1.tif pour le bleu, puis cliquez sur OK. Améliorez les données brutes en procédant comme décrit dans l'exercice sur les images composites en vraie couleur. Cette nouvelle image est une image composite en fausse couleur obtenue à partir de trois images en nuances de gris.
Décrivez l'image et essayez de subdiviser les caractéristiques de couverture du sol en 5 classes - parcs et exploitations agricoles, eau, désert et terres non cultivées, zones fortement urbanisées, zones faiblement urbanisées, et comparez-les avec l'image en vraie couleur.
Décrivez les différences entre les deux images en fausses couleurs. Sélectionnez les 5 classes dans les deux images en fausses couleurs et comparez les couleurs utilisées dans les images. Combinez une image en fausses couleurs en utilisant le canal 7 pour le rouge, le canal 1 pour le vert et le canal 2 pour le bleu.
Que pouvez-vous dire sur l'utilité de l'image ?
Maintenant, effectuez la combinaison de votre choix et notez les variations.
Dans l'exercice 2, vous avez subdivisé les objets et les éléments de la surface du Caire en plusieurs classes. Une classification visualisée est extrêmement utile pour interpréter les caractéristiques d'une image satellite. L'image classée est, avec quelques révisions de base, similaire à une carte thématique. Les principales classes d'occupation du sol du Caire sont : zones fortement urbanisées, zones faiblement urbanisées, forêt, terres agricoles, eau, désert et sol nu. Les outils de classification varient en fonction des méthodes de traitement des images. La méthode utilisée dépend des informations recherchées. Vous trouverez plus d'informations sur la classification des images dans le didacticiel LEOWorks sous la rubrique Traitement des images. Classification à l'aide de parallélépipèdes La classification à l'aide de parallélépipèdes est une méthode de classification dirigée. Elle se base sur les plages spectrales de différentes classes d'utilisation du sol à l'intérieur des différentes bandes. Elle utilise les champs de référence représentant les différentes classes d'utilisation du sol. Chaque classe d'utilisation du sol a sa propre signature spectrale. Pour chaque type de couverture du sol à classer, au moins un champ de référence doit être défini. LEOWorks évalue tous ces champs de référence et affecte chaque élément (pixel) de l'image à l'une des classes d'utilisation du sol données. Ouvrez le programme LEOWorks. Si vous n'avez pas encore téléchargé les images du Caire, faites-le maintenant. Choisissez File>Open. Une boîte de dialogue apparaîtra. Accédez au dossier LeCaire et sélectionnez la première image Cairo_Landsat_2000_Band_1.tif. Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif, Cairo_Landsat_2000_Band_7.tif. Améliorez les données brutes en procédant comme décrit dans l'exercice sur les images composites en vraie couleur. Sélectionnez (activez) l'image Cairo_Landsat_2000_Band_7.tif. Choisissez Multivariate Analysis>Supervised Classification>Select Training Fields. Sélectionnez Draw Polygon dans la barre d'outils. Remarque : Plus vous sélectionnez de champs de référence (training fields) pour une classe, plus le résultat sera précis. Commencez par les étendues d'eau et tracez un polygone à l'intérieur du Nil. Nommez la classe Eau. Trouvez une autre partie pour tracer un deuxième polygone à l'intérieur d'une zone d'eau et nommez à nouveau la classe Eau, et ainsi de suite. Quand vous aurez terminé avec l'eau, tracez un polygone à l'intérieur d'une zone désertique et nommez la classe Désert. Répétez l'opération sur les 7 classes principales présélectionnées. Choisissez Multivariate Analysis>Supervised Classification>Parallelepiped et sélectionnez toutes les images.
Notez les 8 couleurs et ajoutez les noms des classes. Il peut s'avérer utile d'ouvrir l'image Cairo_Landsat_2000_Band_321.tif pour faire une comparaison.
Choisissez Image>Add Legend et contrôlez la combinaison des couleurs et les noms des classes.
Enregistrez l'image classée sous cairo_class_parallel (TIF) dans le dossier LeCaire.
Examinez la précision de la classification dirigée à l'aide de parallélépipèdes.
Quelles sont les sources d'erreur possibles ?
La classification par maximum de vraisemblance est une autre méthode de classification dirigée. Elle se base sur des méthodes statistiques complexes. Elle utilise des champs de référence représentant les différentes classes d'utilisation du sol. Chaque classe d'utilisation du sol a sa propre signature spectrale. Pour chaque type de couverture du sol à classer, il faut définir au moins un champ de référence. LEOWorks évalue tous ces champs de référence et affecte chaque élément (pixel) de l'image à l'une des classes d'utilisation du sol données. Ouvrez le programme LEOWorks. Si vous n'avez pas encore téléchargé les images du Caire, allez dans la zone de téléchargement en haut de la Feuille de travail et suivez les instructions. Choisissez File>Open. Une boîte de dialogue apparaîtra. Accédez au dossier LeCaire et sélectionnez la première image Cairo_Landsat_2000_Band_1.tif. Ouvrez également Cairo_Landsat_2000_Band_2.tif, Cairo_Landsat_2000_Band_3.tif, Cairo_Landsat_2000_Band_4.tif, Cairo_Landsat_2000_Band_5.tif et Cairo_Landsat_2000_Band_7.tif. Améliorez les données brutes en procédant comme décrit dans l'exercice sur les images composites en vraie couleur. Utilisez les mêmes champs de référence que dans l'exercice sur la classification à l'aide de parallélépipèdes. Choisissez Multivariate Analysis>Supervised Classification>Maximum Likelihood et sélectionnez toutes les images (sauf cairo_class_parallel.tif si elle est encore ouverte). Réglez le paramètre Threshold Value sur 5%.
Notez les 8 couleurs et ajoutez les noms des classes. Il peut être utile d'ouvrir l'image Cairo_Landsat_2000_Band_321.tif pour faire une comparaison.
Choisissez Image>Add Legend et contrôlez la combinaison des couleurs et les noms des classes.
Examinez la précision de la classification dirigée par maximum de vraisemblance. Quelles sont les sources d'erreur possibles ?
Comparez les deux classifications (par parallélépipèdes et par maximum de vraisemblance) et recherchez et analysez leurs points communs et leurs différences.
Essayez d'autres valeurs de seuils (par ex. 50% et 75%) puis comparez l'image classée. Last update: 23 avril 2013
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
