Classification bas\u00e9e sur les trois bandes d\u2019origine \u2018RVB)<\/a><\/h1>\n\n\n\nCe premier traitement est r\u00e9alis\u00e9 \u00e0 partir du chargement des trois bandes originales, pr\u00e9alablement extraites de l\u2019image RVB. On retrouve alors un band set<\/strong> tel que le suivant :<\/p>\n\n\n\n![\"classement](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a1.png?resize=640%2C489&ssl=1\")
<\/a><\/figure>\n\n\n\nCe qui donne en visualisation :<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a1-1.jpg?resize=640%2C324&ssl=1\")
<\/a><\/figure>\n\n\n\nO\u00f9 l\u2019on a entour\u00e9 les trois grandes zones recherch\u00e9es :la zone d\u2019herbiers de Spartines, celle de zost\u00e8res et les s\u00e9diments nus.<\/p>\n\n\n\n
Comme nous le ferons pour toutes les autres configurations de bandes, on commence par effectuer une premi\u00e8re s\u00e9rie rapide de ROIs repr\u00e9sentatifs des trois classes recherch\u00e9es.<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a2.png?resize=640%2C306&ssl=1\")
<\/a><\/figure>\n\n\n\nCe qui donne au niveau des donn\u00e9es d\u2019entrainement la configuration suivante<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a3.png?resize=640%2C663&ssl=1\")
<\/a><\/figure>\n\n\n\nOn charge les trois classes dans le Graphique de Signatures Spectrales du plugin SCP pour avoir une vue de la signature spectrale de chacune des classes.<\/p>\n\n\n\n
Le but est d\u2019avoir une id\u00e9e d\u2019en quelle mesure nous arriverons \u00e0 discriminer les trois classes recherch\u00e9es.<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a4.png?resize=640%2C489&ssl=1\")
<\/a><\/figure>\n\n\n\nOn voit rapidement que, si la classe s\u00e9diments est bien s\u00e9par\u00e9e dans la premi\u00e8re bande (rouge), la superposition des deux types d\u2019herbier (Spartine et zost\u00e8re) est importante.<\/p>\n\n\n\n
Pour quantifier cette impression visuelle, on utilise l\u2019outil \u00ab Calculer les distances spectrales \u00bb (bouton entour\u00e9 dans l\u2019image pr\u00e9c\u00e9dente).<\/p>\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a5.png?resize=617%2C413&ssl=1\")
<\/a><\/figure>\n\n\n\nPour chaque paire possible de classes, on retrouve 4 calculs de distance diff\u00e9rents. A partir de ces valeurs on a deux informations importantes :<\/p>\n\n\n\n
- Quel est le meilleur type d\u2019algorithme de classification \u00e0 utiliser<\/li>
- A quel point, cet algorithme sera capable de discriminer les classes recherch\u00e9es.<\/li><\/ul>\n\n\n\n
Nous verrons plus loin en d\u00e9tail comment est r\u00e9alis\u00e9 le calcul de chacune de ces distances. Mais d\u00e8s \u00e0 pr\u00e9sent on peut donner les crit\u00e8res de choix.<\/p>\n\n\n\n
Nous avons trois algorithmes de classification :<\/p>\n\n\n\n
- Minimum Distance : Distance minimale<\/li>
- Maximum Likelihood : maximum de ressemblance<\/li>
- Spectral Angle Mapping : calcul de l\u2019angle spectral<\/li><\/ul>\n\n\n\n
Le calcul des distances affiche les distances spectrales des signatures, qui sont utiles pour l\u2019\u00e9valuation de la s\u00e9parabilit\u00e9 des ROI. Pour plus de d\u00e9tails, consultez le manuel du plugin SCP<\/a><\/p>\n\n\n\nLes distances spectrales suivantes sont calcul\u00e9es :<\/p>\n\n\n\n
\u2014Distance Jeffries-Matusita <\/em><\/strong>: plage [0 = identique, 2 = diff\u00e9rente] ; utile en particulier pour les classifications de vraisemblance maximale. Cet indice s\u2019applique \u00e0 des distributions et non \u00e0 des vecteurs comme les deux indices ci-apr\u00e8s. Un avantage pratique de la distance J-M, c\u2019est que cette mesure tend \u00e0 supprimer les valeurs de s\u00e9parabilit\u00e9 \u00e9lev\u00e9es, tout en exag\u00e9rant les faibles valeurs de s\u00e9parabilit\u00e9.<\/p>\n\n\n\n\u2014Angle Spectral <\/em><\/strong>: plage [0 = identique, 90 = diff\u00e9rent] ; utile en particulier pour les classifications de calcul d\u2019angles spectraux ;<\/p>\n\n\n\n\u2014Distance euclidienne <\/em><\/strong>: utile en particulier pour les classifications de distance minimale ;<\/p>\n\n\n\n\u2014 Similarit\u00e9 de Bray-Curtis<\/em><\/strong>: plage [0 = diff\u00e9rente, 100 = identique] ; utile en g\u00e9n\u00e9ral ;<\/p>\n\n\n\nLes valeurs sont affich\u00e9es en rouge si les signatures sont particuli\u00e8rement similaires.<\/p>\n\n\n\n
![\"classement](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2021\/01\/a1.png?ssl=1\")
<\/a><\/figure>\n\n\n\nCe qui donne en visualisation :<\/p>\n\n\n\n O\u00f9 l\u2019on a entour\u00e9 les trois grandes zones recherch\u00e9es :la zone d\u2019herbiers de Spartines, celle de zost\u00e8res et les s\u00e9diments nus.<\/p>\n\n\n\n Comme nous le ferons pour toutes les autres configurations de bandes, on commence par effectuer une premi\u00e8re s\u00e9rie rapide de ROIs repr\u00e9sentatifs des trois classes recherch\u00e9es.<\/p>\n\n\n\n Ce qui donne au niveau des donn\u00e9es d\u2019entrainement la configuration suivante<\/p>\n\n\n\n On charge les trois classes dans le Graphique de Signatures Spectrales du plugin SCP pour avoir une vue de la signature spectrale de chacune des classes.<\/p>\n\n\n\n Le but est d\u2019avoir une id\u00e9e d\u2019en quelle mesure nous arriverons \u00e0 discriminer les trois classes recherch\u00e9es.<\/p>\n\n\n\n On voit rapidement que, si la classe s\u00e9diments est bien s\u00e9par\u00e9e dans la premi\u00e8re bande (rouge), la superposition des deux types d\u2019herbier (Spartine et zost\u00e8re) est importante.<\/p>\n\n\n\n Pour quantifier cette impression visuelle, on utilise l\u2019outil \u00ab Calculer les distances spectrales \u00bb (bouton entour\u00e9 dans l\u2019image pr\u00e9c\u00e9dente).<\/p>\n\n\n\n Pour chaque paire possible de classes, on retrouve 4 calculs de distance diff\u00e9rents. A partir de ces valeurs on a deux informations importantes :<\/p>\n\n\n\n Nous verrons plus loin en d\u00e9tail comment est r\u00e9alis\u00e9 le calcul de chacune de ces distances. Mais d\u00e8s \u00e0 pr\u00e9sent on peut donner les crit\u00e8res de choix.<\/p>\n\n\n\n Nous avons trois algorithmes de classification :<\/p>\n\n\n\n Le calcul des distances affiche les distances spectrales des signatures, qui sont utiles pour l\u2019\u00e9valuation de la s\u00e9parabilit\u00e9 des ROI. Pour plus de d\u00e9tails, consultez le manuel du plugin SCP<\/a><\/p>\n\n\n\n Les distances spectrales suivantes sont calcul\u00e9es :<\/p>\n\n\n\n \u2014Distance Jeffries-Matusita <\/em><\/strong>: plage [0 = identique, 2 = diff\u00e9rente] ; utile en particulier pour les classifications de vraisemblance maximale. Cet indice s\u2019applique \u00e0 des distributions et non \u00e0 des vecteurs comme les deux indices ci-apr\u00e8s. Un avantage pratique de la distance J-M, c\u2019est que cette mesure tend \u00e0 supprimer les valeurs de s\u00e9parabilit\u00e9 \u00e9lev\u00e9es, tout en exag\u00e9rant les faibles valeurs de s\u00e9parabilit\u00e9.<\/p>\n\n\n\n \u2014Angle Spectral <\/em><\/strong>: plage [0 = identique, 90 = diff\u00e9rent] ; utile en particulier pour les classifications de calcul d\u2019angles spectraux ;<\/p>\n\n\n\n \u2014Distance euclidienne <\/em><\/strong>: utile en particulier pour les classifications de distance minimale ;<\/p>\n\n\n\n \u2014 Similarit\u00e9 de Bray-Curtis<\/em><\/strong>: plage [0 = diff\u00e9rente, 100 = identique] ; utile en g\u00e9n\u00e9ral ;<\/p>\n\n\n\n Les valeurs sont affich\u00e9es en rouge si les signatures sont particuli\u00e8rement similaires.<\/p>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n<\/a><\/figure>\n\n\n\n