{"id":7091,"date":"2018-12-05T08:25:32","date_gmt":"2018-12-05T07:25:32","guid":{"rendered":"http:\/\/www.sigterritoires.fr\/?p=7091"},"modified":"2018-12-05T08:25:32","modified_gmt":"2018-12-05T07:25:32","slug":"tutoriel-classification-dimages-avec-arcmap-2-5-exploration-des-donnees","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/tutoriel-classification-dimages-avec-arcmap-2-5-exploration-des-donnees\/","title":{"rendered":"Tutoriel classification d’images avec ArcMap: 2.5- Exploration des donn\u00e9es"},"content":{"rendered":"\r\n

Les donn\u00e9es de bandes multispectrales diff\u00e9rentes ont souvent une corr\u00e9lation tr\u00e8s \u00e9lev\u00e9e et contiennent de l’information similaire. Par exemple, les capteurs de la bande 4 et 5 de Landsat MSS (vert et rouge respectivement) produisent des images d’apparence visuelle tr\u00e8s semblable \u00e9tant donn\u00e9 que la r\u00e9flectance pour le m\u00eame type de surface est presque identique. Des transformations d’images bas\u00e9es sur des traitements statistiques complexes des donn\u00e9es multispectrales peuvent \u00eatre utilis\u00e9es pour r\u00e9duire la redondance des donn\u00e9es et la corr\u00e9lation entre les bandes. L’analyse des composantes principales<\/strong> est une transformation de ce genre. Le but de cette transformation est de r\u00e9duire le nombre de dimensions (nombre de bandes) et de produire une compression de l’information de plusieurs bandes dans un nombre plus restreint de bandes. Les \u00ab\u00a0nouvelles\u00a0\u00bb bandes qui r\u00e9sultent de cette compression statistique sont appel\u00e9es composantes<\/strong>. Ce proc\u00e9d\u00e9 vise \u00e0 maximiser (statistiquement) la quantit\u00e9 d’information (ou variance) des donn\u00e9es originales dans un nombre restreint de composantes. Par exemple, l’analyse des composantes principales, peut transformer des donn\u00e9es provenant de sept bandes du capteur TM\/Landsat (Thematic Mapper) de fa\u00e7on \u00e0 ce que les trois principales composantes de la transformation contiennent plus de 90% de l’information contenue dans les sept bandes initiales. L’interpr\u00e9tation et l’analyse de ces trois composantes, en les combinant visuellement ou num\u00e9riquement, est plus simple et plus efficace que l’utilisation des sept bandes initiales. L’analyse des composantes principales ou d’autres transformations complexes peuvent \u00eatre utilis\u00e9es comme techniques de rehaussement visuel pour faciliter l’interpr\u00e9tation ou pour r\u00e9duire le nombre de bandes qui seront fournies comme donn\u00e9es d’entr\u00e9e \u00e0 une proc\u00e9dure de classification num\u00e9rique.<\/p>\r\n\r\n\r\n\r\n

<\/p>\r\n\r\n\r\n\r\n

L’outil Composantes principales d’ArcMap<\/h2>\r\n\r\n\r\n\r\n
L\u2019outil Composantes principales<\/em><\/strong> permet de convertir des donn\u00e9es dans des canaux en entr\u00e9e dans l\u2019espace attributaire multivari\u00e9 lorsque vous faites pivoter les axes par rapport \u00e0 l\u2019espace d\u2019origine. Les axes (attributs) du nouvel espace ne sont pas corr\u00e9l\u00e9s. La raison principale de transformer les donn\u00e9es dans une analyse des composants principale est de compresser des donn\u00e9es en \u00e9liminant la redondance.<\/p>\r\n\r\n\r\n\r\n
Il est \u00e9vident que les donn\u00e9es sont redondantes dans un raster multicanal comprenant des valeurs d’altitude, de pente et d’exposition (sur une \u00e9chelle continue). \u00c9tant donn\u00e9 que la pente et l’exposition sont g\u00e9n\u00e9ralement d\u00e9riv\u00e9es de l’altitude, une grande proportion de la variance peut s’expliquer, dans la zone d’\u00e9tude, par l’altitude.<\/p>\r\n\r\n\r\n\r\n
Le r\u00e9sultat est un raster multicanal ayant le m\u00eame nombre de canaux que les composants d\u00e9sign\u00e9s (un canal par axe dans le nouvel espace multivari\u00e9). La premi\u00e8re composante principale aura la variance la plus \u00e9lev\u00e9e, la deuxi\u00e8me composante la variance la plus \u00e9lev\u00e9e qui n’est pas d\u00e9crite par la premi\u00e8re, et ainsi de suite. Souvent, les trois (ou quatre) premiers rasters issus du raster multicanal g\u00e9n\u00e9r\u00e9 avec l\u2019outil Composantes principales peuvent d\u00e9crire plus de 95\u00a0% de la variance. Vous pouvez supprimer les canaux individuels restants. Dans la mesure o\u00f9 le nouveau raster contient moins de couches et plus de 95\u00a0% de la variance du raster d’origine, les calculs sont plus rapides et la pr\u00e9cision est conserv\u00e9e.<\/p>\r\n\r\n\r\n\r\n
L\u2019outil Composantes principales<\/em><\/strong> n\u00e9cessite un raster multicanal en entr\u00e9e, le nombre de composantes principales pour convertir les donn\u00e9es, le nom du fichier de statistiques en sortie et le nom du raster en sortie. Le raster en sortie comprend le m\u00eame nombre de canaux que le nombre de composantes d\u00e9fini. Chaque canal d\u00e9crit une composante.<\/p>\r\n\r\n\r\n\r\n
Concepts d’analyse en composantes principales<\/h2>\r\n\r\n\r\n\r\n
Th\u00e9oriquement, en utilisant un raster \u00e0 deux canaux, le d\u00e9calage, la rotation des axes et la transformation des donn\u00e9es sont effectu\u00e9s comme suit\u00a0:<\/p>\r\n\r\n\r\n\r\n
\r\n
Les donn\u00e9es sont trac\u00e9es dans un diagramme \u00e0 nuage de points.<\/li>\r\n
Une ellipse est calcul\u00e9e pour lier les points contenus dans le nuage de points<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
\r\n
$\"\"$ \r\n
Limite d’ellipse trac\u00e9e<\/figcaption>\r\n<\/figure>\r\n<\/div>\r\n\r\n\r\n\r\n
\r\n
Le grand axe de l’ellipse est indiqu\u00e9 . Le grand axe devient le nouvel axe des x, la premi\u00e8re composante principale (PC1). PC1 d\u00e9crit la variance la plus importante car elle repr\u00e9sente la plus grande section transversale \u00e0 travers l’ellipse. La direction de PC1 est le vecteur propre, et sa grandeur la valeur propre. L’angle de l’axe des x par rapport \u00e0 PC1 est l’angle de rotation utilis\u00e9 dans la transformation. <\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
\r\n
$\"\"$ \r\n
Premi\u00e8re composante principale<\/figcaption>\r\n<\/figure>\r\n<\/div>\r\n\r\n\r\n\r\n
\r\n
Le syst\u00e8me calcule une ligne perpendiculaire \u00e0 la ligne orthogonale PC1. Cette ligne est la deuxi\u00e8me composante principale (PC2) et le nouvel axe pour l’axe des y d’origine (voir la figure ci-dessous). Le nouvel axe d\u00e9crit la deuxi\u00e8me variance la plus importante qui n\u2019appara\u00eet pas dans PC1.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
\r\n
$\"\"$ \r\n
Deuxi\u00e8me composante principale<\/figcaption>\r\n<\/figure>\r\n<\/div>\r\n\r\n\r\n\r\n
A l’aide des vecteurs propres, des valeurs propres et de la matrice de covariance calcul\u00e9e de l’entr\u00e9e du raster multicanal, une formule lin\u00e9aire d\u00e9finissant le d\u00e9calage et la rotation est cr\u00e9\u00e9e. Cette formule est appliqu\u00e9e pour transformer chaque valeur de cellule par rapport au nouvel axe.<\/p>\r\n\r\n\r\n\r\n
Exemple<\/h2>\r\n\r\n\r\n\r\n
Nous allons reprendre l’image Landsat 8 des chapitres pr\u00e9c\u00e9dents. Nous allons tout d’abord cr\u00e9er une image composite avec l’ensemble des 11 bandes .<\/p>\r\n\r\n\r\n\r\n
Avec l’outil\u00a0 Bandes Composites<\/strong> de la toolbox:<\/p>\r\n\r\n\r\n\r\n
$\"\"$ <\/figure>\r\n\r\n\r\n\r\n
Le r\u00e9sultat s’affiche dans ArcMap<\/p>\r\n\r\n\r\n\r\n
$\"\"$ <\/figure>\r\n\r\n\r\n\r\n
Nous allons utiliser l’outil de la Toolbox-> Outils Spatial Analyst -> Multivari\u00e9es -> Composantes Principales<\/strong><\/p>\r\n\r\n\r\n\r\n
$\"\"$ <\/figure>\r\n\r\n\r\n\r\n
Rentrez un nom pour le raster r\u00e9sultant. Il contiendra les valeurs calcul\u00e9es pour chaque composante demand\u00e9e, pour chaque pixel de l’image.<\/p>\r\n\r\n\r\n\r\n
Le nombre de composantes principales peut \u00eatre laiss\u00e9 par d\u00e9faut au nombre de bandes en entr\u00e9e, mais pour gagner du temps de calcul et produire des rasters r\u00e9sultat moins volumineux, on peut directement rentrer 3 comme composantes \u00e0 calculer. Il est presque impossible de trouver des images o\u00f9 une quatri\u00e8me composante apporte une information compl\u00e9mentaire significative.<\/p>\r\n\r\n\r\n\r\n
Le dernier fichier est le fichier o\u00f9 on trouvera les r\u00e9sultats de l’analyse. Pour notre exemple, tout en bas du fichier on a:<\/p>\r\n\r\n\r\n\r\n
$\"\"$ <\/figure>\r\n\r\n\r\n\r\n
La colonne Percent EigenValues <\/em><\/strong>donne le pourcentage de variance expliqu\u00e9 par chacune des composantes calcul\u00e9es. dans notre cas:<\/p>\r\n\r\n\r\n\r\n
\r\n
La premi\u00e8re composante principale explique 92% de la variance des donn\u00e9es des 11 canaux en entr\u00e9e<\/li>\r\n
La deuxi\u00e8me composante principale explique 7%<\/li>\r\n
La troisi\u00e8me et derni\u00e8re explique 1% de la\u00a0 variance totale.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
Voici le rendu de chaque bande calcul\u00e9e<\/p>\r\n\r\n\r\n\r\n
$\"\"$ \r\n
Bande 1 des composantes principales<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
$\"\"$ \r\n
Bande 2 des composantes principales<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
$\"\"$ \r\n
Bande 3 des composantes principales<\/figcaption>\r\n<\/figure>\r\n\r\n\r\n\r\n
Selon le type de cible recherch\u00e9\u00a0 dans la classification, il peut \u00eatre beaucoup plus simple de constituer un fichier de signatures \u00e0 partir de ce nouveau raster que du raster d’origine.<\/p>\r\n\r\n\r\n\r\n
<\/p>\r\n","protected":false},"excerpt":{"rendered":"
Les donn\u00e9es de bandes multispectrales diff\u00e9rentes ont souvent une corr\u00e9lation tr\u00e8s \u00e9lev\u00e9e et contiennent de l’information similaire. Par exemple, les capteurs de la bande 4 et 5 de Landsat MSS (vert et rouge respectivement) produisent des…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[145,146,147],"tags":[1552,357,15,65,1480,1554,1490],"class_list":["post-7091","post","type-post","status-publish","format-standard","hentry","category-arcgis","category-arcmap","category-images","tag-analyse-fr","tag-analyse-exploratoire","tag-arcgis","tag-arcmap","tag-classification","tag-composantes-principales-fr","tag-image"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-1Qn","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/7091","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=7091"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/7091\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=7091"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=7091"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=7091"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}