La classification en présence/absence de l’eau

La classification en présence/absence de l’eau

L’arbre a été construit à partir de l’échantillonnage d’entrainement4 et des images acquises en 2005. Nous avons utilisé le paramètre par défaut de la validation croisée15 soit 10 itérations. Le paramètre de priorité optimal ajusté à 0.50 pour les sites secs et 0.50 pour les sites non- secs donne le meilleur résultat. Nous avons testé et comparé deux types de méthodes d’élagage soit celle du CV0-SE et celle du CV1-SE. Cette dernière donne le meilleur résultat, nous présenterons donc ici seulement l’arbre optimal obtenu avec cette méthode. b – L’arbre optimal et les formules de classification de la présence/absence d’eau A la racine de l’arbre, la bande MIR de SPOT (notée c4) seuil de réflectance strictement inférieur à 0.1436, permet de séparer (branche de droite) la majorité des sites en eau (136 sur 181) mais 5 sites secs font également partie de ce groupe. Dans la branche gauche (c4 supérieur ou égal à 0.1436), un deuxième niveau permet de séparer 33 sites en eau des 45 restants ayant une valeur de NDWIF2 supérieur ou égale à -0.5475. Les valeurs de NDWIF2 strictement inférieures à – 0.5475 représentent 21 des 34 sites secs et 12 des sites indiqués comme étant en eau. Enfin au troisième niveau, les 11 sites en eau restants ayant une valeur strictement inférieure à -0.5092 de l’indice DWV permettent d’obtenir une feuille pure de la classe 2. Les sites (8 indiqués comme appartenant à la classe 2 et 22 indiqués comme faisant partie de la classe 1) ayant une valeur supérieure ou égale à ce seuil sont considérés comme secs (Figure 51). Les formules permettant de classifier la présence/absence d’eau sont donc :  . La validation a été effectuée par estimation de la précision de la classification à partir de l’échantillonnage indépendant réalisé en 2006. La formule a été appliquée à chaque image acquise pour l’année 2006. Les cartes obtenues ont ensuite été combinées afin d’obtenir un résultat pour l’ensemble de l’année et pour deux périodes de développement de la végétation : la croissance et la sénescence. Les résultats pour deux types de marais sont également détaillés : ouverts à semi-ouverts ou fermés. De façon générale, sur l’ensemble des mois et des types de marais, la classification en présence/absence de l’eau obtient une précision totale de 76 % (Figure 52). Il apparaît que les pixels secs sont plus facilement classifiés (erreur de déficit de 16 % contre 32 % pour les sites en eau). Si l’on considère seulement les marais ouverts à semi-ouverts (ici représentés par les marais à herbiers et scirpaies), alors les pixels en eau sont mieux classifiés (erreur de déficit de 11% contre 18 % pour les sites secs) et la précision totale est de 86 %. Pour les marais fermés (ici représentés par les phragmitaies et les cladiaies), la précision totale est de 70 % et les pixels secs obtiennent un meilleur classement (erreur de déficit de 19 % contre 41 % pour les sites en eau). En période de croissance de la végétation (printemps et été) (Figure 53), il est plus facile de classer les pixels secs que les pixels en eau (erreur de déficit égale à 14 % contre 46 %). La précision totale est de 70 %. En période de sénescence de la végétation (automne et hiver) (Figure 54), la classification des pixels en eau et secs est assez proche (respectivement 21% et 29 % d’erreur de déficit) avec une précision totale de 75 %.

Suivi de la qualité et de l’intérêt avifaunistique des roselières de Camargue

Nous avons réalisé des régressions multiples à l’aide des modèles linéaires généralisés selon la méthode pas à pas ascendante de sélection des variables afin de comprendre quelles mesures relevées sur le terrain pouvaient expliquer les mauvaises classifications des pixels en eau ou secs. Pour les marais ouverts à herbiers aquatiques, cela concerne principalement les pixels secs et peut être expliqué par le niveau d’eau. En effet, lorsque ce niveau est très bas (1 ou 2 cm) le site est susceptible d’être mal classé. Pour les marais à phragmitaies, la hauteur du phragmite et la date sont les seuls facteurs explicatifs. La classification sera la plus efficace dans les premiers mois de l’année et pour une roselière composée de phragmites ayant une hauteur moyenne de 188 cm (Figure 55). Le modèle linéaire généralisé sous forme de régression multiple a été appliqué aux variables présélectionnées avec une sélection pas à pas ascendante. Nous avons, dans un premier temps, cherché à mettre en évidence le meilleur modèle en tenant compte d’une puis de deux dates d’acquisition des images. Dans un deuxième temps nous avons cherché le meilleur modèle possible sans restriction sur le nombre de dates. Nous avons dans un troisième temps testé l’intérêt des indices multispectraux.