Classification complète de l’occupation du sol à partir de l’imagerie spatiale

ANALYSE DES RESSOURCES ACTUELLES DES SOLS

L’étude des ressources territoriales actuelles est habituellement effectuée par la classification complète de l’occupation du sol à partir de l’imagerie spatiale. C’est une des applications les plus courantes de la télédétection. La procédure a été présentée dans la figure IV-2. Une description plus détaillée est montrée dans la section la suivante.. notamment, quand elles sont appliquées aux régions dont les composantes sont complexes et les types d’occupation du sol continus. Les algorithmes traditionnels nécessitent encore des améliorations pour mieux distinguer les différents types d’occupation du sol.

De nombreux travaux ont été menés pour améliorer la technique de la classification et son résultat à partir de différentes méthodes et algorithmes d’extraction de l’information ‘occupation du sol’, de cartographie et de suivi du changement (Haralick et al., 1973 ; Weismiller et al., 1977 ; Gordon, 1980 ; Thomas et al., 1987 ; Gong et al., 1989, 1990, 1992 ; Franklin et al., 1990 ; Chen et al., 1999, etc.). La classification conventionnelle à partir des données de télédétection est basée sur une technique de reconnaissance du modèle qui inclue les deux approches supervisées et non- supervisées, en supposant que la région étudiée se compose de plusieurs classes homogènes uniques mutuellement exclusives (Townshend, 1984).

Cependant, cette supposition ne s’applique pas aux régions où les types d’occupation du sol existent en continu plutôt que comme une mosaïque de classes distinctes. Par conséquent, les classes s’enchevêtrent les unes avec les autres et ne peuvent être séparées par des limites nettes (Kent et al., 1997). Notre région d’étude, le Ningxia Nord, est un site qui présente une géomorphologie complexe et des types d’occupation du sol variés mais non discernables sur les classifications. Par exemple, les résidus de charbon et les marais ne peuvent pas être discriminés sur les images de façon automatique du fait de la similarité spectrale globale entre eux.

Afin d’éviter les limites des classifications traditionnelles et pour augmenter la capacité de distinction et la logique des classes dans l’espace, nous avons ajouté certains traitements de pré- et – post classification. Ainsi les caractères de textures (Haralick et al., 1973 ; Chen et al.,1989 ; Franklin et al., 1990 ; Gong et al., 1992 ; Sali et al., 1992) ont été préalablement identifiés puis incorporés dans la sélection des zones d’apprentissage de pré-classification.

D’après Woodcook et al. (1987), la texture est une caractéristique fondamentale de l’image de télédétection, souvent essentielle pour distinguer les éléments de l’image. Les particularités de chaque classe sont dues à l’hétérogénéité des éléments de l’occupation du sol (Shaban et al., 2001). La majorité des classes a ses propres particularités spectrales et texturales, dans notre cas, on distingue les roches nues, les cônes d’épandage pluviaux, les étangs de pisciculture, les champs de riz, les prairies sablonneuses etc.

Ces caractéristiques peuvent être combinées avec les zones d’apprentissage comme critères de regroupement. Après l’analyse du maximum de vraisemblance, un traitement de post-classification a été réalisé pour ré-allouer les classes spectralement mal-classées et spatialement mal-réparties. Nous avons ensuite appliqué une agrégation pour homogénéiser des classes similaires ou proches. Les résultats issus de ce traitement fournissent une classification très précise des différents modes d’occupation du sol et de leur répartition spatiale.

CLASSIFICATION ET RE-CLASSIFICATION

Après la sélection des zones d’apprentissage basées sur les textures, nous avons réalisé une classification (maximum de vraisemblance). Les résultats ont été vérifiés par rapport à la composition colorée de bandes 7, 4 et 1 combinés avec les relevés de terrains. Les groupes bien classés, comme les champs de riz, la forêt, le désert, le désert de pierre (Gobi), la prairie et les cônes d’épandage, etc., ont été retenus. Une ou plusieurs nouvelles zones d’apprentissage ont été ajoutés aux groupes mal classés tels que : l’urbain, les retenues d’eau, les résidus de charbon et les marais, et une re-classification est relancée pour améliorer les résultats. Ce processus a été réitéré afin d’obtenir le meilleur résultat possible.. classifiée pour attribuer une classe aux pixels séparés ou solitaires. L’objectif de ce traitement est d’exclure les petits groupes de pixels considérés comme un ‘bruit’ et d’améliorer ainsi la lisibilité de la carte. Notre sélection d’une matrice 33 est liée à la résolution spatiale de TM (30m) et au choix de l’échelle cartographique (1/100 000).

Une agrégation est réalisée afin de regrouper les classes aux caractères semblables. Par exemple, trois classes “dépression imprégnée en eau”, “lac” et “étang de pisciculture” ont été regroupées au sein d’une nouvelle classe : “retenues d’eau”. Les classes “désert”, “désert de pierre” et “dunes de sable” appartiennent à la classe “désert”.

Les classes “terre humide”, “marais” ou “marécage” forment une nouvelle classe “marais”. Nous obtenons une classification finale de l’occupation du sol, constituée de 19 classes au lieu de 31 précédemment (figures IV-18 et tableau 4-4).Par souci de simplification, les 19 classes ont à nouveau été regroupées selon leur ressemblance. Par exemple, les classes “désert”, “gobi”, “cônes d’épandage pluviaux”, “roche nue” et “terre de sable” ont été regroupées en une classe unique “terre nue et sableuse” ; “rizière” et “terre irriguée” en “terre cultivée”, etc.… Finalement, la classification est constituée de 12 types d’occupation du sol utilisés pour l’analyse statistique (tableau 4-5 et figure IV-19).