Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté.

Présentation au sujet: "Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté."— Transcription de la présentation:

1 Comparaison post-classification

2 Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté Métropolitaine de Montréal dans les 20 dernières années: images Landsat

3 Un exemple 5 août 199614 juillet 2011 Problème  isoler le couvert arborescent du reste par date et ensuite comparer

4 L’approche classique Classification dirigée par date  sites d’entraînement : boisés, gazon, bâti, etc. Comparaison des images classifiées Avantage: bilan détaillé de telle classe à telle classe Désavantage: des nombreuses classes dans un milieu urbain; présences des quartiers résidentiels avec du couvert arborescent (mixels dans le cas de Landsat)

5 Notre approche par date Isoler les pixels avec du couvert végétal NDVI  seuillage  masque Classifier à l’intérieur du masque avec un classificateur non-dirigée Établir les classes qui correspondent à une couverture arborescente

6 1. NDVI Normalized Vegetation Index ou NDVI= (PIR-ROUGE)/(PIR+ROUGE) Rouge 1996 PIR 1996

7 2. NDVI 1996: Seuillage (>0.15) NDVI 1996Masque

8 3. Classification par K-means Classification de l’image Landsat à l’intérieur du masque NDVI Recherche des classes qui correspondent à une couverture arborescente  création d’une carte thématique

9 Classification non dirigée

10 Recherche des pics et des vallées: histogramme multidimensionel

11 Classification non dirigée (par coalescence) ou (clustering): K-clusters L’analyste spécifie a) le nombre de classes (K) b) les paramètres d’arrêt de l’algorithme L’algorithme 1.regroupe les données (processus itératif) – il établit les centres des classes (une classe = un cluster) spectrales, spatiales,… 2. classifie tous les pixels selon leur proximité aux centres des clusters 3. produit l’image classifiée L’analyste trouve la signification des clusters (il se peut que certains clusters soient regroupés)

12 Comment établissons-nous les centres? illustration

13 Exemple: regrouper en deux classes

14 Début: choix des deux centres arbitraires Centres initiaux

15 Assigner un pixel à un des deux centres selon sa distance euclidienne

16 Calculer la nouvelle position des deux centres selon les positions des pixels assignés à l’étape précédente

17 Réassigner les pixels aux nouveaux centres

18 Arrêter lorsque les déplacements des centres est inférieur à un seuil

19 Exemple: Image à classifier: 3 bandes spectrales (V-R-PIR) + 15 m de résolution spatiale + été 16 clusters demandés

20 Exemple de classification non dirigée