Intérêt de la fusion d’images à haute résolution spatiale pour la classification de l’occupation du sol en milieu urbain

Cornet Yves, Binard Marc et Donnay Jean-Paul

Unité de Géomatique – Laboratoire SURFACES (Université de Liège)
Bâtiment B5, Allée du 6 Août, 17, 4000 Liège (Belgique)
Téléphone : +32 4 366 -53.71 -53.13 -54.24 Fax : +32 4 366.56.93
Email : ycornet@ulg.ac.be - marc.binard@ulg.ac.be – donnay@geomatique-liege.be

Version couleur de la figure 3 parue en noir et blanc dans la Revue Internationale de Géomatique (2004).

Figure 3. Résultat de la classification selon le type de données utilisées.

Analyse visuelle des classifications et illustrations

Lorsqu’on affine la résolution des saisies destinées à une classification et que l’espace analysé présente des caractéristiques urbaines avec une grande hétérogénéité et des structures déterminées par un voisinage d’éléments de dimensions variées parfois très petits en largeur et/ou en longueur, des hautes fréquences résultant, par exemple, de la juxtaposition de couvertures du sol différents sur de courtes distances (route, pelouse, alignement d’arbres, leurs ombres portées, trottoir, façade, toit exposé et non exposé au soleil, l’ombre portée du bâtiment …), il devient difficile et dangereux de juger de la qualité d’une classification uniquement par le calcul d’une matrice de confusion. C’est la raison pour laquelle nous proposons une analyse visuelle portant sur la façon dont les structures et les limite, forme et homogénéité des segments des classifications ont été déterminées à partir des différentes données testées. C’est à ce niveau que de réelles différences apparaissent et sont particulièrement difficiles à mettre en évidence par une procédure de validation quantitative.

Une première constatation s’impose. La classification réalisée à partir des données FFS montre des segments beaucoup plus massif avec moins de bruit. Leurs limites sont souvent lissées. Ceci est plutôt défavorable à la restitution de la forme des objets anthropiques de forme géométriques anguleuses. La plus grande homogénéité des segments est notamment à l’origine de plus grande performance lors de la classification des grandes parcelles de culture.

Une seconde observation concerne les caractéristiques des limites de segments de la classification réalisée à partir des données standards XS&P où l’aliasing implique une plus grande imprécision sur la position des limites. Par ailleurs, la non identification des objets de petite dimension liée au manque d’information à haute fréquence malgré l’utilisation de la saisie P produit des classifications incorrectes dans des espaces typiquement urbains. Les éléments linéaires tels que champs en lanières (Bare-soil, Crops, Grey) ou chemin (Grey), par exemple, sont très incomplètement reconnus et discontinus. Cette imperfection dépend cependant fortement du type d’occupation du sol dans le voisinage de ces objets. Ces éléments sont par contre très bien mis en évidence sur les classifications FFS et Pansharpened.

Les confusions importantes entre la classe Shrub-tree et Grass, Crops ou Shadow existent pour toutes les classifications. En ce qui concerne les deux premières confusions, elle ne sont pas particulièrement problématiques étant donné que les zones classifiées en Grass et Crops au sein des vastes segments Shrub-tree sont souvent très petites et isolées et peuvent donc facilement être éliminée par post-traitement. En ce qui concerne, les zones d’ombre au sein des espaces Shrub-tree, elles constituent souvent une réalité qui caractérise cette coexistence. La classification FFS montre une nouvelle fois une plus grande homogénéité des zones de type Shrub-tree. Les faces des arbres exposées au soleil sont souvent mal classées dans tous les cas. La signature spectrale de ces surfaces est très comparable de celle des cultures.

Les objets correspondant à des couvertures du sol de type urbain ou industriel (Grey) sont souvent beaucoup mieux restitués sur les classifications du produit Pansharpened et dans une moindre mesure de la fusion ESL. Plus spécifiquement, les toits complexes sont mieux restitués à l’aide du produit Pansharpened. Par contre, les objets correspondant aux couvertures du sol à caractère urbain de la classe Orange-red sont, dans toutes les classifications et plus particulièrement celle du produit ESL, très mal délimités ; ils empiètent sur leur voisinage (illustrations 3 et 13).

La contamination des zones d’ombre et parfois de la classe Grey correspondant généralement à des bâtiments par la classe Water est particulièrement importante dans le cas de la fusion FFS. Elle l’est un peu moins pour les classifications des produits Pansharpened et ESL. Inversement et plus particulièrement dans la classification des données ESL, les surfaces d’eau peuvent être très fortement contaminées par la classe Shadow. Néanmoins, l’effet rebond mis en évidence par l’évaluation subjective de la qualité des produits de la fusion ESL ne semble pas compromettre la classification (illustration 8). Au sein des segments de la classe Shadow, les zones classées Water sont plus massives pour la classification ESL. Elles sont plus diffuses et irrégulières pour la classification Pansharpened.

La forme et certains détails fins de grands bâtiments industriels ou autres (classes Grey) sont beaucoup mieux restitués sur la classification ESL et/ou Pansharpened (illustrations 5 et 9). Il en va de même pour de nombreux petits objets et structures fines en réseau (parking) appartenant aux classes Grey et correspondant à des structures. Mais dans ce cas, la classification Pansharpened est nettement plus précise. En ce qui concerne les espaces végétaux de petite dimension isolés dans les zones de type Grey, ils sont mieux restitués sur les classifications des produits FFS et Pansharpened.

Il existe de nombreux exemples de restitution fine sur la classification Pansharpened des alignements parallèles tels que ceux cités plus haut. Il semble cependant qu’une sur-texturation y introduit parfois des objets linéaires inexistants entre ces alignements. Les performances du produit FFS semblent un peu moins bonnes que le Pansharpened. Les alignements de grands arbres séparés par des espaces de type Grey ou Grass ainsi que les ombres portées de ces arbres sont particulièrement bien rendus par la classification du produit Pansharpened

Une confusion importante entre les classes Grey et Bare-soil produit de fréquentes contaminations de la première par la seconde. Cette contamination est beaucoup plus dommageable sur les classifications ESL et, dans une moindre mesure, FFS, mais cela ne se marque pas nettement au niveau de la matrice de confusion. Par contre, à ce niveau, la contamination de la classe Bare-soil par la classe Grey apparaît très nettement.