Département de Géologie

Master spécialisé en Sciences de l’eau et de l’environnement

(M2S2E)

Module Télédétection II et cartographie numérique

CARTOGRAPHIE PAR TELEDETECTION

DE L’OCCUPATION DU SOL DANS LE

BASSIN VERSSANT DU HAUT ZIZ

Préparé par : Encadré par :

Zouhir Dichane Pr. My Hachem AOURAGH

Année universitaire : 2020/2021

Liste des figures ............................................................................................................ 2
Liste des tableaux.......................................................................................................... 2
Introduction .................................................................................................................. 3
1. Présentation de la zone d’étude ................................................................................... 4
2. Données et matériel ....................................................................................................... 4
3. Corrections des images ................................................................................................. 5
4. Classifications non supervisées .................................................................................... 6
4.1. IsoData (Iterative Self-Organizing Data Analysis Technique) ............................ 6
4.2. K-means .................................................................................................................. 6
5. Classifications supervisées............................................................................................ 7
5.1. Sélection des régions d’intérêts (Regions Of Interest) ....................................... 8
5.2. Maximum likelihood.............................................................................................. 8
5.3. Parallelepipied ....................................................................................................... 9
5.4. Mahalanobis ......................................................................................................... 10
5.5. Support Vector Machine ..................................................................................... 11
6. Post classification ........................................................................................................ 12
6.1. Agrégation de classification (classification aggregation) ................................. 12
6.2. Regroupement des classes (Clumping classes) .................................................. 13
6.3. Analyse de la majorité (Majority Analysis) ...................................................... 13
6.4. Détection des erreurs (Matrice de confusion /Confusion Matrix) .................. 14
6.4.1. Précision globale ............................................................................................ 14
6.4.2. Indice de kappa............................................................................................... 15
6.4.3. Erreurs de la Commission .............................................................................. 15
6.4.4. Erreurs d'omission .......................................................................................... 15
6.4.5. Précision du producteur .................................................................................. 15
6.4.6. Précision de l'utilisateur ................................................................................. 15
6.5. Résultats ............................................................................................................... 16
6.5.1. Maximum Likelihood ..................................................................................... 16
6.5.2. Parallelepipied ................................................................................................ 17
6.5.3. Mahalanobis ................................................................................................... 18
6.5.4. Support Vector Machine ................................................................................ 20
6.6. Discussion ............................................................................................................. 22
Conclusion ................................................................................................................... 23
Références bibliographique ....................................................................................... 24
Références Internet..................................................................................................... 24
1
 Liste des figures
Figure 1 : situation géographique de la zone d’étude ............................................................................................. 4
Figure 2 : image de la zone d’étude en vrai couleur après les corrections .............................................................. 5
Figure 3 : carte des classes obtenues par l’algorithme Iso Data ............................................................................. 6
Figure 4 : carte des classes obtenues par le K-means ............................................................................................. 7
Figure 5 : signature spectrale des régions d’intérêt choisi ...................................................................................... 8
Figure 6 : carte des classes obtenues par Maximum Likelihood ............................................................................ 9
Figure 7: carte des classes obtenue par Parallelepipied ........................................................................................ 10
Figure 8: carte des classes obtenues par Mahalanobis .......................................................................................... 11
Figure 9: carte des classes obtenues par SVM ...................................................................................................... 12
Figure 10: image de la classification maximum likelihood avant à gauche et à droite après agrégation ............. 12
Figure 11: image de la classification maximum likelihood à gauche avant et à droite après Clumping .............. 13
Figure 12:image de la classification maximum likelihood à gauche avant et à droite après Analyse Majoritaire 13
Figure 13: carte de la répartition géographique de points de référence ................................................................ 14
Figure 14: carte de la classification finale obtenue par Maximum Likelihood .................................................... 16
Figure 15: carte de la classification finale obtenue par Parallelepipied ................................................................ 17
Figure 16: carte finale de la classification obtenue par Mahalanobis ................................................................... 19
Figure 17: carte de la classification finale obtenue par Support Vector Machine ................................................ 20

Liste des tableaux

Table 1: Matrice de confusion et les précisions (maximum likelihood) ............................................................... 17
Table 2: Matrice de confusion et les précisions (Parallelepipied) ........................................................................ 18
Table 3: Matrice de confusion et les précisions (Mahalanobis) ............................................................................ 20
Table 4: Matrice de confusion et les précisions (Support Vector Machine) ......................................................... 21

2
 Introduction
Depuis l’avènement des capteurs à haute (HRS) et très haute résolution spatiale (THRS)
lancés à partir des années 1990, les méthodes de traitement d’images sont de plus en plus
développées. Ces capteurs, qu’ils soient satellitaires ou aéroportés, fournissent des images dont
la résolution spectrale est pour la plupart inhérente au domaine d’application visé par la mission
du capteur notamment pour ce qui concerne les satellites. En effet, le nombre de bande spectrale
peut varier en fonction des capteurs. De plus, ces données de télédétection sont de plus en plus
diversifiées. Elles peuvent répondre aux attentes des utilisateurs finaux par leur disponibilité,
coût, fréquence d’acquisition.

Parmi les méthodes de traitement des données de télédétection utilisées aujourd’hui, on

distingue principalement les méthodes de classification. La cartographie de la couverture des
sols est une application très répandue. De nombreuses études ont été menées dans ce sens et
sont disponibles dans la littérature.

La classification est définie comme étant « une représentation abstraite de la situation sur
le terrain en utilisant des critères de diagnostic bien définis : les classificateurs », mais aussi «
l'ordonnancement ou l'agencement des objets dans des groupes ou des ensembles sur la base
de leurs relations ». Ainsi, se distinguent deux types de classification : non supervisé
(automatique) et supervisé (par apprentissage ou règle de décision).

L’objectif de cette étude est d’essayer de cartographier les formations géologiques du

Jurassique répandues dans le Haut Ziz, nous aborderons en premier lieu la classification non
supervisées, ainsi on passera vers les classifications supervisées, puis en mettra l’accent sur les
opérations post-classification pour vérifier la validité des algorithmes utilisées.

3
 1. Présentation de la zone d’étude
La zone d’étude fait partie de la région du Draa-Tafilalt, situé au sud-Est du Maroc, ce
territoire se caractérise par des contraintes environnementales importantes, une faiblesse
relative des ressources naturelles, dans des vastes étendues de territoires peu peuplés. C’est le
bassin versant de Ziz, plus précisément le Haut Ziz.

La zone d’étude (Figure 1) s’étende sur une superficie de 4022 km2, elle présente une
végétation dense mais limitée au tour des cours d’eau, et des petite agglomérations des
bâtiments comme la ville de Rich, ce qui reste sont des sols nus principalement les
affleurements liasique et les marnes bajocienne.

Figure 1 : situation géographique de la zone d’étude

2. Données et matériel
Les images utilisées sont téléchargé à partir de « earthexplorer » pour la date de
07/05/2019. Pour les logiciels, les traitements des images sont faits sous ENVI 5.3, puis
exporter vers ArcMap 10.3 pour la mise en page.

4
 3. Corrections des images
La zone d’étude se situe à cheval entre deux scènes path 200, row 38, et path 200, row
37. Alors on est besoin de de mosaiquer les deux images. L’opération a été effectuée à l’aide
de l’outil seamless mosaic. Mais car le fichier de Metadata est indispensable pour la correction
radiométrique, on assistera à corriger chacune des images individuellement.

Donc la première étape consiste à une calibration radiométrique afin de convertir les
valeurs des pixels (digital number) en réflectance pour améliorer la qualité. La calibration
radiometrique se fait à l’aide de l’outil radiometric calibration.

Puis en passe à la correction atmosphérique à l’aide de l’algorithme dark substraction.

L’objectif de cette correction est d’extraire de ce signal une information indépendante des effets
de l’atmosphère, variables dans le temps et dans l’espace, et concernant la seule surface
terrestre, qui est l’objet à étudier. Et enfin en arrive à l’étape de mosaiquage comme déjà
mentionner au-dessus, enfin notre images sont prête pour l’utilisation.

La figure suivante (Figure 2) est une image vrai couleur de la zone d’étude, on peut
distinguer la végétation, la retenue de barrage, les marnes grises et les calcaires.

Figure 2 : image de la zone d’étude en vrai couleur après les corrections

5
 4. Classifications non supervisées
Il existe une très large famille de méthodes dédiées à la classification non supervisée,
dans le cadre de notre étude nous allons appliquer deux algorithmes les plus répandues :
ISODATA et K-means.

4.1. IsoData (Iterative Self-Organizing Data Analysis Technique)

Cet algorithme calcule les moyennes des classes uniformément réparties dans l’espace
des niveaux de gris et regroupe les pixels restants de façon itérative en utilisant la technique de
la distance minimale. Cinq classes ont étais identifier par l’Iso Data (Figure 3).

Figure 3 : carte des classes obtenues par l’algorithme Iso Data

4.2. K-means
K-means est un algorithme non supervisé de clustering non hiérarchique. Il permet de
regrouper en K clusters distincts les observations du data set. Ainsi les données similaires se
retrouveront dans un même cluster. Par ailleurs, une observation ne peut se retrouver que dans
un cluster à la fois (exclusivité d’appartenance). Une même observation, ne pourra donc,
appartenir à deux clusters différents. Il fut longtemps utilisé sur les grands jeux de données en

6
raison de sa rapidité. L’algorithme a pu identifier 4 classes comme montre la figure suivante
(Figure 4).

Figure 4 : carte des classes obtenues par le K-means

5. Classifications supervisées
Les recherches sur les extractions de l’occupation du sol à l’aide d’images satellites
utilisent, pour beaucoup, les méthodes de classifications supervisées basées sur le pixel : il
s’agit d’une technique qui part du principe que l’on a une connaissance du terrain sur lequel
nous travaillons, la démarche scientifique reste la même pour chacune des méthodes de
classification, hormis le choix des algorithmes de classification. Les classifications supervisées
sont des méthodes qui permettent un résultat rapide et généralement assez efficace pour se
rendre compte des changements de l’occupation du sol, elles sont particulièrement utilisées
dans le cadre d’images dont la résolution spatiale n’est pas très élevée.

La méthode consiste à choisir différents échantillons d’entraînements que l’on va estimer

représentatifs des classes auxquelles on veut les affecter, puis d’appliquer un algorithme
classificateur qui selon certaines règles statistiques va attribuer chaque pixel de l’image à une
classe définie.

7
 5.1. Sélection des régions d’intérêts (Regions Of Interest)
Une classification supervisée commence donc par l'identification des classes
d'information qui sont ensuite utilisées pour définir les classes spectrales qui les représentent.
Elles sont des échantillons (ROIs) assez homogènes de l'image qui sont représentatifs de
différents types de surfaces (classes d'information). L’extraction automatique des valeurs de
pixels contenues à l’intérieur des ROIs et le calcul de leur moyenne et écart-type produiront la
signature spectrale de chaque classe à partir des bandes choisies de l’image Landsat.

Cinq classes ont étais choisi, la figure ci-dessous (Figure 5) montre la signature spatiale
moyenne pour chaque classe, on remarque qu’il peut y avoir une confusion entre les deux types
de sols et les zone construites.

Figure 5 : signature spectrale des régions d’intérêt choisi

5.2. Maximum likelihood

La classification par maximum de vraisemblance est l’une des classifications les plus
utilisées. Elle suppose que les statistiques de chaque classe dans chaque bande sont
normalement distribuées et calcule la probabilité qu'un pixel donné appartienne à une classe
spécifique. À moins que vous ne sélectionniez un seuil de probabilité, tous les pixels sont
classés. Chaque pixel est affecté à la classe qui présente la probabilité la plus élevée (c'est-à-
dire la probabilité maximale). Si la probabilité la plus élevée est inférieure à un seuil que vous
spécifiez, le pixel reste non classé.

8
 La carte obtenue (Figure 6) montre généralement une bonne classification pour les quatre
classes sauf qu’une petite confusion entre les zones construites (built up areas) et les marnes
(sol_2).

Figure 6 : carte des classes obtenues par Maximum Likelihood

5.3. Parallelepipied
La classification parallélépipédique utilise une règle de décision simple pour classer les
données multispectrales. Les limites de décision forment une classification parallélépipédique
à n dimensions dans l'espace des données d'image. Les dimensions de la classification
parallélépipédique sont définies en fonction d'un seuil d'écart type par rapport à la moyenne de
chaque classe sélectionnée. Si la valeur d'un pixel se situe au-dessus du seuil bas et au-dessous
du seuil haut pour l'ensemble des n bandes classées, il est affecté à cette classe.

La carte obtenue (Figure 7) montre une mauvaise classification de la végétation, et une

confusion totale entre les marnes (sol_2) et les zones construites (built up areas), la classe de
l’eau est la seule bien représentée. On remarque aussi qu’il existe des pixels un-classifiés qui
correspond en réalité aux marnes et zones construites.

9
 Figure 7: carte des classes obtenue par Parallelepipied

5.4. Mahalanobis
La classification par distance de Mahalanobis est un classificateur de distance sensible à
la direction qui utilise des statistiques pour chaque classe. Elle est similaire à la classification
par maximum de vraisemblance mais suppose que toutes les covariances de classe sont égales
et est donc une méthode plus rapide. Tous les pixels sont classés dans la classe de ROI la plus
proche, sauf si vous spécifiez un seuil de distance, auquel cas certains pixels peuvent être non
classés s'ils n'atteignent pas le seuil.

Pour l’algorithme Mahalanobis (Figure 8) on constate une bonne discrimination de la

classe des eaux (Water) aussi que la classe de la végétation, pour les classes des zones
construites (built up areas), des marnes (sol_2), et les calcaires (sole_1), on remarque une
grande confusion.

10
 Figure 8: carte des classes obtenues par Mahalanobis

5.5. Support Vector Machine

La machine à vecteurs de support (SVM) est une méthode de classification supervisée
dérivée de la théorie de l'apprentissage statistique qui donne souvent de bons résultats de
classification à partir de données complexes et bruyantes. Il sépare les classes à l'aide d'une
surface de décision qui maximise la marge entre les classes. Cette surface est souvent appelée
l'hyperplan optimal, et les points de données les plus proches de l'hyperplan sont appelés
vecteurs de support. Les vecteurs de support sont les éléments critiques de l'ensemble
d'apprentissage.

Le résultat de la classification par l’algorithme SVM (Figure 9) montre une bonne

discrimination pour les quatre classes, malgré une petite confusion entre la classe des zones
construites (built up areas) et la classe des marnes (sol_2) au nord-est de la zone d’étude.

11
 Figure 9: carte des classes obtenues par SVM

6. Post classification

6.1. Agrégation de classification (classification aggregation)

Cet outil est utilisé pour réunir des régions de classe adjacentes plus petites à une région
plus grande. L'agrégation est un processus de nettoyage utile lorsque le résultat de la
classification inclut de nombreuses petites régions (c’est le cas de notre classification, Figure
10).

Figure 10: image de la classification maximum likelihood avant à gauche et à droite après agrégation

12
 6.2. Regroupement des classes (Clumping classes)
Les images de classification souffrent souvent d'un manque de cohérence spatiale (taches
ou trous dans les zones classées). Le filtrage passe-bas pourrait être utilisé pour lisser ces
images, mais les informations de classe seraient contaminées par des codes de classe adjacents.
Clumping classes résout ce problème. Les classes sélectionnées sont regroupées en effectuant
d'abord une opération de dilatation puis une opération d'érosion sur l'image de classification en
utilisant un noyau de la taille spécifiée dans la boîte de dialogue des paramètres (Figure 11).

Figure 11: image de la classification maximum likelihood à gauche avant et à droite après Clumping

6.3. Analyse de la majorité (Majority Analysis)

Pour modifier les pixels parasites au sein d'une classe unique de grande taille l’analyse
majoritaire s'avère utile. Nous choisissons une taille de noyau et le pixel central dans le noyau
sera remplacé par la valeur de classe qui a la majorité des pixels dans le noyau (Figure 12).

Figure 12:image de la classification maximum likelihood à gauche avant et à droite après Analyse Majoritaire

13
 6.4. Détection des erreurs (Matrice de confusion /Confusion Matrix)
La matrice de confusion permet de donner un rapport qui regroupe les ROI (valeurs
vraies) avec les classes résultantes du classificateur pour montrer le pourcentage et le nombre
des pixels ROI contenus dans une classe résultante (elle révèle en quelque sorte les erreurs
commises par le classificateur). Afin de la déterminer 36 points de control repartis dans la zone
d’étude (Figure 13) à l’aide de Google earth à haute résolution ont étaient choisi.

Figure 13: carte de la répartition géographique de points de référence

6.4.1. Précision globale

La précision globale est calculée en additionnant le nombre de valeurs classées
correctement et en divisant par le nombre total de valeurs. Les valeurs correctement classées
sont situées le long de la diagonale supérieure gauche vers la droite inférieure de la matrice de
confusion. Le nombre total de valeurs c’est le nombre de valeurs dans les tableaux de vérité ou
de valeur prédite.

14
 6.4.2. Indice de kappa
Le coefficient kappa mesure l'accord entre les classes résultantes du classificateur et les
valeurs vraies. Une valeur kappa de 1 représente un accord parfait, alors qu'une valeur de 0 ne
représente aucun accord.

6.4.3. Erreurs de la Commission

Les erreurs de commission représentent la fraction des valeurs résultantes dans une classe
mais n'appartiennent pas à cette classe. Elles mesurent le faux positif. Les erreurs de
commission sont affichées dans les lignes de la matrice de confusion, sauf les valeurs
correctement classées.

6.4.4. Erreurs d'omission

Les erreurs d'omission représentent la fraction de valeurs qui appartiennent à une classe
mais ont été prédites dans une classe différente. Elles mesurent le faux négatif. Les erreurs
d'omission sont affichées dans les colonnes de la matrice de confusion, sauf les valeurs
correctement classées.

6.4.5. Précision du producteur

La précision des producteurs est un faux négatif, où les pixels d'une classe connue sont
classés ailleurs que dans cette classe. Cela est le cas par exemple lorsque l'image classée
identifie un pixel comme végétation, mais qu'il doit en réalité être un sol. Dans ce cas, la classe
sol ne comporte pas les pixels qui devraient être présents d'après les données de référence.

6.4.6. Précision de l'utilisateur

La précision des utilisateurs montre les faux positifs, où les pixels sont incorrectement
classés comme une classe connue alors qu'ils devraient être classés autrement. Cela est le cas
par exemple lorsque l'image classée identifie un pixel comme sol, mais que la référence
l'identifie comme bâtiments. La classe bâtiments comporte des pixels supplémentaires qui ne
devraient pas être présents d'après les données de référence.

15
 6.5. Résultats

6.5.1. Maximum Likelihood

Le résultat final pour la classification par l’algorithme Maximum Likelihood (Figure 14)
montre une dominance de la classe des marnes avec un pourcentage de 65%, suivi des calcaires
25%, la classe de la végétation et des zones construites sont respectivement de l’ordre de 5.7%
et 3.7%, alors que la classe des eaux représente 0.25% de la surface totale de la zone d’étude.

Figure 14: carte de la classification finale obtenue par Maximum Likelihood

Les résultats de la matrice de confusion montrent une précision globale de 91.67, avec
un indice de Kappa de 0.89. L’analyse du tableau ci-dessous indique que 33 pixels sont
correctement classés d’un total de 36 pixels. Ils se répartissent comme suit :

 4 pixels sont correctement classés comme built up areas d’un total de 5 pixels ;

 8 pixels sont correctement classés comme calcaires d’un total de 9 pixels ;

 6 pixels sont correctement classés comme marnes d’un total de 7 pixels ;

 11 pixels sont correctement classés comme végétation d’un total de 11 pixels

16
  4 pixels sont correctement classés comme eau d’un total de 4 pixels

Table 1: Matrice de confusion et les précisions (maximum likelihood)

Classe Vraie en pixels Précision de

classes résultants total
l'utilisateur (%)
built up areas limestone marle vegetation water
built up areas 4 0 1 0 0 5 80
limestone 0 8 0 0 0 8 100
marle 1 1 6 0 0 8 75
vegetation 0 0 0 11 0 11 100
water 0 0 0 0 4 4 100
total 5 9 7 11 4 36
Precision du producteur (%) 80 88.89 85.71 100 100 91.67

6.5.2. Parallelepipied
La classification par Parallelepipied (Figure 15) présente une abondance de la classe des
calcaires 66% de l’aire d’étude, suivi par la classe des marnes avec 19%, la végétation
représente 10%, et les zones construites et l’eau sont respectivement de l’ordre de 0.45% et
0.26%, les zones un-classifiées représentent 2.7% de la surface de la zone d’étude.

Figure 15: carte de la classification finale obtenue par Parallelepipied

17
 Les résultats de la matrice de confusion pour la classification obtenue par l’algorithme
Parallelepipied montrent une précision globale de 80.56, avec un indice de Kappa de 0.75.

L’analyse du tableau ci-dessous indique que 29 pixels sont correctement classés d’un
total de 36 pixels. Ils se répartissent comme suit :

 1 pixel est correctement classés comme built up areas d’un total de 5 pixels ;

 8 pixels sont correctement classés comme calcaires d’un total de 9 pixels ;

 5 pixels sont correctement classés comme marnes d’un total de 7 pixels ;

 11 pixels sont correctement classés comme végétation d’un total de 11 pixels ;

 4 pixels sont correctement classés comme eau d’un total de 4 pixels ;

 2 pixels qui doivent appartenir au classe des zones construites sont un-classés.

Table 2: Matrice de confusion et les précisions (Parallelepipied)

Classe Vraie en pixels Précision de

classes résultantes total
l'utilisateur (%)
built up areas limestone marle vegetation water
unclassified 2 0 0 0 0 2 0.0
built up areas 1 0 0 0 0 1 100.0
limestone 0 8 2 0 0 10 80.0
marle 2 0 5 0 0 7 71.4
vegetation 0 1 0 11 0 12 91.7
water 0 0 0 0 4 4 100.0
total 5 9 7 11 4 36

Précision du producteur (%) 20.0 88.9 71.4 100.0 100.0 80.56

6.5.3. Mahalanobis
La carte finale de cette classification (Figure 16) montre la dominance de la classe des
marnes avec 58%de la totalité de l’aire d’étude, suivi par la classe des calcaires 25%. La classe
des zones construites représente 13%, et la classe de la végétation et celle de l’eau représentent
respectivement 1.3% et 1.4% de la surface de la zone d’étude.

18
 Figure 16: carte finale de la classification obtenue par Mahalanobis

Les résultats de la matrice de confusion montrent une précision globale de 88.9, avec un
indice de Kappa de 0.86. L’analyse du tableau ci-dessous indique que 32 pixels sont
correctement classés d’un total de 36 pixels. Ils se répartissent comme suit :

 5 pixel est correctement classés comme built up areas d’un total de 5 pixels ;

 7 pixels sont correctement classés comme calcaires d’un total de 9 pixels ;

 5 pixels sont correctement classés comme marnes d’un total de 7 pixels ;

 11 pixels sont correctement classés comme végétation d’un total de 11 pixels ;

 4 pixels sont correctement classés comme eau d’un total de 4 pixels ;

19
 Table 3: Matrice de confusion et les précisions (Mahalanobis)

Classe Vraie en pixels Précision de

classes résultantes total
l'utilisateur (%)
built up areas limestone marle vegetation water
built up areas 5 0 2 0 0 7 71.4
limestone 0 7 0 0 0 7 100.0
marle 0 2 5 0 0 7 71.4
vegetation 0 0 0 11 0 11 100.0
water 0 0 0 0 4 4 100.0
total 5 9 7 11 4 36
Précision du producteur (%) 100.00 77.78 71.43 100.00 100.00 88.9

6.5.4. Support Vector Machine

Pour l’algorithme Support Vector Machine (Figure 17) ; la classe des marnes est
tellement la dominante avec 76% de la surface, suivi de la classe des calcaires 20%, la classe
de la végétation représente 2%, alors que les classes des zones construites et de l’eau sont
respectivement 0.53% et 0.26%.

Figure 17: carte de la classification finale obtenue par Support Vector Machine

20
 Les résultats de la matrice de confusion pour le support vector machine montrent une
précision globale de 86.1, avec un indice de Kappa de 0.82. L’analyse du tableau ci-dessous
indique que 31 pixels sont correctement classés d’un total de 36 pixels. Ils se répartissent
comme suit :

 2 pixel est correctement classés comme built up areas d’un total de 5 pixels ;

 7 pixels sont correctement classés comme calcaires d’un total de 9 pixels ;

 7 pixels sont correctement classés comme marnes d’un total de 7 pixels ;

 11 pixels sont correctement classés comme végétation d’un total de 11 pixels ;

 4 pixels sont correctement classés comme eau d’un total de 4 pixels ;

Table 4: Matrice de confusion et les précisions (Support Vector Machine)

Classe Vraie en pixels Précision de

classes résultantes total
l'utilisateur (%)
built up areas limestone marle vegetation water
built up areas 2 0 0 0 0 2 100
limestone 0 7 0 0 0 7 100
marle 3 2 7 0 0 12 58.33
vegetation 0 0 0 11 0 11 100
water 0 0 0 0 4 4 100
total 5 9 7 11 4 36
Précision du producteur (%) 40 77.78 100 100 100 86.11

21
 6.6. Discussion
L’analyse des résultats de la matrice de confusion pour les quatre algorithmes indique
une précision de producteur et d’utilisateur parfaite pour la classe de l’eau dont tous les pixels
sont correctement classés.

La classe de la végétation aussi montre une précision de producteur et d’utilisateur sauf

que pour l’algorithme Parallelepipied dont lequel un pixel des calcaires a été classé avec la
végétation. Cette confusion est due aux buissons et de petits arbres dispersés (romarin par
exemple).

Pour deux classes de sols et celle des zones construites, il existe toujours une confusion
entre elles pour les quatre algorithmes, ce qu’on peut expliquer par la ressemblance de leurs
signatures spectrales, ce qui est du principalement au faite que la majorité des constrictions de
la zone d’étude sont construites par des matériaux de même type que les deux sols.

Pour conclure les algorithmes qui présentent une classification proche à la réalité de la
zone d’étude sont Maximum Likelihood et Support Vector Machine avec des précisions
globales et des indices de kappa respectivement d’ordre de 91.66%, 0.89, 86.11%, 0.82.
Malgré que Mahalanobis présente une précision de 88%, son précision d’utilisateur pour les
zones construites et les marnes est très faible (71.4%).

22
 Conclusion
Le traitement des images satellitaires (classification) reste une étape primordiale dans
l’étude et l’interprétation des données brutes obtenues par les systèmes de télédétection,
néanmoins cette démarche demeure complexe et incertaine du fait qu’elle repose sur des lois
purement statistiques ou l’utilisateur doit faire tout un gymnase mathématique pour pouvoir
aboutir aux résultats relativement raisonnables et fiables.

Malgré les résultats satisfaisants que nous avons pu extraire à la fin de cette étude, il faut
dire quand même que la classification supervisée reste une estimation très délicate et qui
présente des erreurs au niveau de contribution des pixels aux classes appropriées, puisqu’elle
ne prend en considération que les signatures spectrales comme critère de distinction entre les
classes, ce problème était observable dans les classes marnes, calcaires et zones construites

23
 Références bibliographiques

DERDJINI Hamza, (2020), cartographie des changements de l’occupation du sol dans la plaine de
la MITIDJA à partir des images Landsat. Mémoire de master, ECOLE NATIONALE SUPERIEURE
D’HYDRAULIQUE -ARBAOUI Abdellah.

Références Webographiques
https://www.l3harrisgeospatial.com/docs/using_envi_Home.html

https://www.rncan.gc.ca/cartes-outils-publications/imagerie-satellitaire-photos-aer/tutoriels-sur-la-
teledetection/analyse-interpretation-dimages

24