La vallée de Katmandou - Vue générale par imagerie optique - suite
|  | Classification non dirigée de Katmandou | |
Classification numérique
Une 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.
Pour comparer notre classification manuelle avec la classification non dirigée, nous devons utiliser le même nombre de classes.
Ouvre le programme LEOWorks.
Va dans File>Open. Une boîte de dialogue apparaît à l’écran.
Clique sur le dossier Katmandou et sélectionne les images:
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_7.tif.
Va dans Multivariate Analysis>Unsupervised Classification, puis sélectionne toutes les images. Tape 5 dans le champ Nr. of Classes et 10 dans le champ Nr. of Iterations. Une itération est la répétition d’une série d’instructions informatiques pour un nombre de fois pré-établi ou jusqu’à satisfaction d’une condition particulière. Enregistre la nouvelle image sous le nom Kathmandu_2001_unsupervised au format TIFF dans le dossier Katmandou.
Compare la classification non dirigée avec la classification manuelle.
Quelles caractéristiques de l’image sont très facilement identifiables?
Pourquoi la zone fortement urbanisée de Katmandou ne se distingue-t-elle pas des champs et des terres cultivées avoisinantes?
Pour répondre à cette question, observe les deux photographies des routes et des immeubles dans la ville de Patan dans la vallée de Katmandou.
Essayons maintenant d’améliorer la classification non dirigée de Katmandou afin de faire ressortir la zone urbanisée.
L’image thermique nous serait très utile à cet effet.
Ouvre l’image dans LEOWorks.
Comme tu peux le constater, les environs de Katmandou chauffent plus que la ville elle-même et apparaissent en niveau de gris plus clair. Ceci est singulier, car ce sont généralement les zones fortement urbanisées qui sont plus chaudes que les environs, et ce en raison de la circulation, de l’éclairage et de l’activité industrielle qui y règnent. La ville de Katmandou est moins développée en raison des sources de chaleur. Autre élément, l’image a été prise en hiver aux environs de 10 heures du matin. Prends l’image de gauche et explique ce qui se passe en surface en termes de réchauffement. Dessine les rayons du soleil, les zones d’ombre et les surfaces de chauffe élevée et faible ; explique ensuite le schéma de chauffe que suit Katmandou et ses environs.
Nous pourrions aussi utiliser une image NDVI. Cependant, puisque nous utilisons des données de 2001 pour la classification, il est inutile de produire une image NDVI hivernale, en raison de l’absence de végétation. Suis les instructions ci-dessous pour générer une nouvelle image.
Ouvre le programme LEOWorks et les images
Kathmandu_Landsat_2001_Band_1.tif
Kathmandu_Landsat_2001_Band_4.tif, et
Kathmandu_Landsat_2001_Band_61.tif
Bien évidemment, il y a une raison derrière le choix de LANDSAT bande 1 et bande 4 pour la classification non dirigée. Ceci est expliqué dans l’étude de cas Katmandou - 'Hier et aujourd’hui - Détection des agglomérations par imagerie optique'.
Va dans Multivariate Analysis>Unsupervised Classification, puis sélectionne toutes les images. Tape 5 dans le champ Nr. of Classes et 10 dans le champ Nr. of Iterations. Une itération est la répétition d’une série d’instructions informatiques pour un nombre de fois pré-établi ou jusqu’à satisfaction d’une condition particulière. Enregistre la nouvelle image sous le nom Kathmandu_2001_unsupervised au format TIFF dans le dossier Katmandou.
| | Classification non dirigée de Katmandou à l’aide d’une image thermique | |
Le plus souvent, les couleurs ne correspondent pas aux attributs naturels des classes. Nous utilisons habituellement le vert foncé pour les forêts, le rouge pour les zones fortement urbanisées et le bleu pour l’eau. Afin de mieux comprendre les classes, nous allons remplacer nos couleurs par des couleurs qui te seront plus familières.
Va dans Image>Add Legend et vérifie la combinaison des couleurs et des noms de classes.
Va dans Edit LookUp Table et sélectionne la couleur de la classe Forêt (ombragée).
Change la couleur en vert foncé. Change toutes les autres couleurs de la même façon.
La forêt, les sous-bois, les champs et les terres cultivées sont nettement visibles. Attention, il s’agit d’une classification non dirigée, sans intervention manuelle.
Quelle caractéristique géographique a la même couleur que la forêt montagneuse ombragée ? Comment expliques-tu cela ?
Quelles classes supplémentaires sont maintenant clairement identifiables lorsque tu compares les deux classifications non dirigées ?
Cette partie de notre étude de cas vise à obtenir une classification de base mais néanmoins correcte. Nous avons procédé à une classification manuelle et avons essayé d’en faire une autre numérique. Mais comme nous l’avons vu, sans analyse des images satellite, le résultat n’est pas aussi bon que celui anticipé.Alors faisons un petit effort pour la classification numérique et essayons de procéder à une classification dirigée de Katmandou pour voir ce qui se passe. N’oublie pas que nous voulons superposer notre carte manuelle à une classification numérique. Et pour cela, il faut que l’image soit relativement similaire.
La classification par maximum de vraisemblance est une méthode de classification dirigée. Elle repose sur des méthodes statistiques sophistiquées. Elle utilise des champs de référence représentant les différentes classes d’utilisation des sols. Chaque classe d’utilisation des sols possède 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 de l'image (pixel) à l'une des classes données des types d’utilisation du sol.
Entre-temps, tu es devenu un spécialiste de Katmandou et tu ne devrais avoir aucun mal à sélectionner les champs de référence. Attention, plus tu sélectionnes de champs de référence pour une classe et plus tu les sélectionnes avec précision, plus le résultat sera précis.
Nous allons utiliser le spectre entier des bandes LANDSAT. Pour cela, ouvre les images
Kathmandu_Landsat_2001_Band_1.tif,
Kathmandu_Landsat_2001_Band_2.tif,
Kathmandu_Landsat_2001_Band_3.tif,
Kathmandu_Landsat_2001_Band_4.tif,
Kathmandu_Landsat_2001_Band_5.tif,
Kathmandu_Landsat_2001_Band_61.tif,
Kathmandu_Landsat_2001_Band_7.tif
et pour sélectionner les champs de référence
Kathmandu_Landsat_2001_Band_453.tif.
Sélectionne (active) l’image Kathmandu_LANDSAT_2001_Band_453.tif et choisis Multivariate Analysis>Supervised Classification>Select Training Fields.
Sélectionne Draw Polygon dans la barre d’outils.
Commence par la forêt. Trace un polygone à l’intérieur de la forêt Nord-Ouest et nomme la classe « Forêt et sous-bois ». Trace un deuxième polygone à l’intérieur de la forêt Sud-Ouest et nomme à nouveau la classe « Forêt et sous-bois ». Trace d’autres polygones à l’intérieur de la zone boisée et nomme les classes. Fais pareil pour toutes les autres classes.
Classes de haut niveau
- Fleuves
- Zones fortement urbanisées
- Zones modérément urbanisées
- Pistes d’atterrissage
- Forêts et sous-bois
- Champs et terres cultivées
Choisis Multivariate Analysis>Supervised Classification>Maximum Likelihood et sélectionne toutes les images (sauf Kathmandu_LANDSAT_2001_Band_453.tif).
Règle l’option Threshold Value sur 5%.
Tu devras modifier les couleurs de la classification.
Va dans Image>Add Legend et vérifie la combinaison des couleurs et des noms de classes.
Va dans Edit LookUp Table et sélectionne la couleur de la classe forêt. Sélectionne le vert foncé comme couleur. Change également toutes les autres couleurs.
Enregistre la classification sous le nom « Kathmandu_2001_maximlike.tif » dans ton dossier Katmandou.
Pourquoi y a-t-il dans la classification dirigée de Katmandou des zones non classées (blanches)?
Quelles situations géographiques ne sont pas classées?
En combien de classes diviserais-tu la zone blanche?
Quelles couleurs attribuerais-tu à ces classes?
Que s’est-il passé avec la classe Fleuve? Quelle classe n’a toujours pas été classée?
| 
