Année Universitaire 2015‐2016

Mémoire de Master 2ème année

Domaine : Sciences, Technologies, Santé

Mention : Géomatique
Spécialité : Information Géographique : Analyse Spatiale et Télédétection
Co-habilité UPEM – ENSG

Méthode d'identification et de cartographie de

l'occupation du sol à fine échelle par analyse d'images

Auteur: Halimo ELMI ALI

Laboratoire : LEHNA
Responsable de stage: Arnaud BELLEC
Date de soutenance : Le 28/09/2016

Université de Marne‐la‐Vallée
5 Bd Descartes – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2

Ecole Nationale des Sciences Géographiques

6 et 8 avenue Blaise Pascal – Cité Descartes – Champs sur Marne – 77454 Marne‐la‐Vallée Cedex 2
Remerciement

Je tiens tout d’abord à remercier, Arnaud BELLEC, doctorant et tuteur de ce stage pour m’avoir accueilli
à bras ouvert et accompagné tout au long de ce travail. Sa disponibilité, son écoute, sa confiance et
son partage de connaissance m’ont beaucoup apporté, je lui en suis très reconnaissante.

Je remercie le LabEX Intelligences des Mondes Urbains, sans lequel le financement de ce stage n’aurait
été possible.

J’adresse mes sincères remerciements à l’ensemble du personnel du laboratoire LEHNA.

Mes remerciements vont également à mes collègues de bureau Mathieu, Jérôme, Mélanie, Xavier et
Mathias pour leur échange constructif.

Aussi, je remercie fortement M. Pierre-Louis FRISON, enseignant-chercheur et tuteur pédagogique, et

particulièrement Cécile DUCHÊNE, Bénédicte FRUNEAU et Jean-Paul RUDANT pour leur disponibilité,
écoute et professionnalisme ainsi que l’ensemble du corps enseignant du Master 2 IGAST pour la
qualité de leur enseignement et encadrement.

Enfin, j’ai une pensée particulière à tous mes camarades de promo en particulier à Youssouf, Quy-Thy,
Zackaria et Quentin pour leur soutien ainsi que pour la bonne ambiance de travail.

2
Résumé

Depuis l’arrivée des nouveaux capteurs à très haute résolution spatiale (THRS), les données de
télédétection sont aujourd’hui de plus en plus utilisées. La cartographie de l’occupation des sols est
une application très répandue. En effet, son apport suscite un intérêt à la fois pour les scientifiques
mais aussi les gestionnaires des territoires.

Cette étude porte sur les méthodes d’identification et de cartographie de l’occupation des sols à partir
des images aériennes à THRS (0,16m. ; 0,8m.) et multi-temporelle, sur un territoire périurbain (bassin
versant de l’Yzeron).

La classification de l’occupation des sols à partir de ces données a été réalisée avec la méthode orientée
objet sous le logiciel eCognition. La méthodologie développée consiste à définir un processus global
de classification servant à discriminer dix classes correspondantes à une nomenclature en tenant
compte des caractéristiques spectrales et spatiales de trois images traitées. Pour faciliter l’extraction
des objets, la classification s’appuie sur des données auxiliaires.

Les résultats obtenus ont été évalués à partir d’une matrice de confusion. Nous avons obtenu pour les
trois images, une précision globale de 69% (2009), 68% (1986) et 56% (2003). Ces résultats peuvent
être améliorés pour pouvoir augmenter la précision de la classification.

Mots-clés : Télédétection, THRS, Occupation du sol, Classification orientée-objet, eCognition

3
Glossaire

ANR: Agence Nationale de la Recherche

AVuPUR: Assessing the Vulnerability of Peri-Urban Rivers

BV: Bassin versant

EVS : Environnement, Ville et Société

IMU : Intelligence des Mondes Urbains

LabEx : Laboratoire d’Excellence

LEHNA : Laboratoire d’Ecologie des Hydrosystèmes Naturels et Anthropisés

PLU : Plan Local d’Urbanisme

SCOT : Schèma de COhèrence des Territoires

SIG : Systèmes d’informations Géographiques

4
Table des matières

Remerciement .................................................................................................................. 2
Résumé ............................................................................................................................ 3
Glossaire........................................................................................................................... 4
Introduction ..................................................................................................................... 7
Partie I : Eléments de contexte .......................................................................................... 8
1. Contexte de l’étude ..................................................................................................................... 8
2. Projet de recherche « Armature »............................................................................................... 8
3. Objectif du stage ......................................................................................................................... 9
4. Zone d’étude ............................................................................................................................... 9
Partie II : Méthodes et données ...................................................................................... 11
1. Etat de l’art des méthodes de classification de l’occupation du sol ......................................... 11
2. Méthode orientée objet ............................................................................................................ 12
3. Données utilisées ...................................................................................................................... 14
3.1 Acquisition des images et géo référencement ........................................................................ 14
3.2 Caractéristiques des images aériennes ................................................................................... 14
Partie III : Traitement des images .................................................................................... 16
1. Définition d’une nomenclature ................................................................................................. 16
2. Description du processus de classification ................................................................................ 17
2.1 Calcul des indices..................................................................................................................... 18
2.2 Données auxiliaires.................................................................................................................. 19
2.3 Segmentation .......................................................................................................................... 23
2.4 Classification ............................................................................................................................ 25
2.5 Calcul de l’indice Kappa ........................................................................................................... 27
Partie VI : Traitement post-classification et interprétation des résultats .......................... 29
1. Traitement de la dynamique de l’occupation du sol ................................................................. 29
2. Interprétation des résultats ...................................................................................................... 31
3. Perspectives............................................................................................................................... 32
Conclusion ...................................................................................................................... 32
Références bibliographiques ........................................................................................... 33

5
Annexes.......................................................................................................................... 34
Annexe 1 : Processus de classification (image 1986) ........................................................................ 35
Annexe 2 : Les matrices de confusion (2003 et 1986) ...................................................................... 35
Annexe 3 : Carte d’occupation du sol (1986) .................................................................................... 37
Annexe 4 : Carte d’occupation du sol (2003) .................................................................................... 38
Annexe 5 : Carte d’occupation du sol (2009) .................................................................................... 39

Figure 1 : Carte de situation .................................................................................................................. 10

Figure 2 : Algorithmes de segmentation (eCognition) .......................................................................... 12
Figure 3 : Principe de la segmentation multirésolution ........................................................................ 13
Figure 4: Classification par pixel (a) ; classification orientée objet (b).................................................. 13
Figure 5 : Illustration des différentes classes définies dans la nomenclature....................................... 16
Figure 6 : Schéma récapitulatif .............................................................................................................. 17
Figure 7 : Présentation de la méthode de détection de changement : a) Image 2003, b) Image 2009,
c) Différence des images (a et b), d) Classification IsoCluster à partir de l’image (c), e)Vectorisation de
la classe issue de (d.) ............................................................................................................................. 21
Figure 8: Délimitation des zones de végétation (a : image 1986, b : Image binaire) ............................ 22
Figure 9: Trois niveaux de segmentation sur l'image (2009) ................................................................ 23
Figure 10: Trois niveaux de segmentation sur l'image (2003) .............................................................. 24
Figure 11: Trois niveaux de segmentation sur l'image (1986) .............................................................. 25
Figure 12: Exemple de classification ..................................................................................................... 26
Figure 13: Classification a) 1986, b) 2003, c) 2009 ................................................................................ 26
Figure 14: Illustration extraite (modifié A. BELLEC, 2016) (1. Culture, 2. Bâti, 3.Eau) .......................... 29
Figure 15: Automatisation du traitement sous SIG (Modelbuilder)...................................................... 30
Figure 16: Evolution des surfaces d’occupation du sol au cours de trois périodes .............................. 31

Tableau 1 : Caractéristiques des scènes utilisées.................................................................................. 14

Tableau 2: Résumés des indices utilisés ................................................................................................ 18
Tableau 3: Matrice de confusion (image 2009)..................................................................................... 27
Tableau 4: Taux d’évolution de huit classes .......................................................................................... 32
Tableau 5: Matrice de confusion (image 2003)..................................................................................... 36
Tableau 6: Matrice de confusion (image 1986)..................................................................................... 36

6
Introduction

Au cours de deux dernières décennies, l’expansion des villes n’a eu de cesse d’augmenter en France.
En 2010, la superficie de l’espace urbain avait progressé de 19% sur une période de dix ans selon une
étude de l’INSEE. Cet étalement urbain induit des changements dans l’occupation des sols, notamment
une artificialisation des sols qui se fait aux dépens des territoires agricoles et naturels. Ce phénomène
contribue également à la fragmentation du paysage.

La cartographie de l’occupation des sols est pour les gestionnaires territoriaux, un outil nécessaire leur
permettant d’appréhender, d’analyser et de suivre les tendances de la couverture des sols pour mieux
aménager les territoires. De plus, la disponibilité des données satellitaires qui ont l’avantage de couvrir
les territoires à toutes les échelles, offrent la possibilité de réaliser cette cartographie. Cependant les
méthodes de traitement sont nombreuses et inhérentes aux caractéristiques de l’image.

Ce mémoire porte sur la cartographie de l’occupation du sol à partir d’imageries aériennes

multirésolution et multitemporelle. Le site d’étude est le bassin versant de l’Yzeron situé en périphérie
de Lyon. L’objectif de cette étude tend à proposer des méthodes de traitement d’images pour détecter
les éléments du paysage à fine échelle.

Nous aborderons dans un premier temps les éléments de contexte, puis les méthodes et données
utilisées. Ensuite, nous présenterons la méthodologie développée pour la classification de l’occupation
des sols à partir de trois images de résolution spectrale différente pour terminer par le traitement
post-classification et interprétation des résultats.

7
Partie I : Eléments de contexte

1. Contexte de l’étude

Au cours de vingt dernières années, l’occupation du sol a connu un changement rapide sur l’ensemble
du territoire français, induit par une urbanisation galopante. C’est le phénomène de l’étalement
urbain. Cela génère une forte consommation des espaces bâtis au détriment des territoires agricoles
et naturels. Cet étalement urbain induit également une modification de la forme du paysage. Les
frontières qui autrefois, séparaient les villes des compagnes se sont estompées progressivement au
cours du temps. Le paysage est plutôt marqué par des tâches urbaines de plus en plus diffuses, où dans
certain cas le mitage est la forme dominante. On parle de fragmentation du paysage.

Pour réguler ce phénomène, une prise de conscience sur les questions liées à l’environnement se fait
sentir parmi les politiques à partir des années 1990. En 2002, l’union européenne préconisait une
politique soutenue en faveur de la préservation de l’environnement et de son intégration dans les
politiques d’aménagement au niveau national. (Décision n° 1600/2002/CE). De plus, elle implique les
différents acteurs concernés, qu’ils soient citoyens scientifiques ou acteurs territoriaux à œuvrer
ensemble afin de trouver un meilleur compromis entre l’organisation territoriale et la protection de
l’environnement et à vulgariser les informations et données relatives à ce domaine auprès du grand
public.

C’est dans ce contexte qu’en France, les lois dites « Grenelle 1 » et « Grenelle 2 » ont été adoptées
respectivement en 2009 puis 2010. Ces lois fixent plusieurs objectifs. Parmi les thèmes spécifiés, deux
concernent plus directement la gestion des territoires à savoir l’urbanisme et la biodiversité. Il s’agit
entre autres, de maitriser l’étalement urbain et de « maintenir et développer la biodiversité », en
favorisant ainsi un aménagement des territoires qui tient compte du développement durable. C’est la
naissance de plusieurs concepts environnementaux, en référence ici au concept des trames verte et
bleue (TVB).

En effet, la trame verte et bleue est l’aboutissement de cette politique environnementale, en ce sens
qu’elle est désignée comme étant un « outil alliant préservation de la biodiversité et aménagement
du territoire » (Centre de ressources pour la mise en œuvre de la TVB). L’objectif est de matérialiser
cet outil dans les documents d’urbanisme au niveau local par les collectivités territoriales, notamment
dans le Schéma de COhérence des Territoires (SCOT) et le Plan Local d’Urbanisme (PLU) afin de
préserver les continuités écologiques au sein des territoires.

Le territoire qui nous concerne, relève des compétences de la métropole de Lyon (créée le 1er janvier
2015 pour remplacer la communauté urbaine de Lyon). De ce fait, la métropole de Lyon porte la
réalisation d’objectifs définis dans le cadre de ces lois à l’échelle de son territoire composé de 59
communes situées dans le département du Rhône.

2. Projet de recherche « Armature »

8
Ce stage s’inscrit dans le cadre du projet Armature qui est un projet de recherche pluridisciplinaire. Ce
dernier est lancé en 2014 et conduit par le LabEx IMU (Intelligence des Mondes Urbains). Ce
Laboratoire d’Excellence réunit une pluralité des chercheurs, essentiellement de laboratoires de
l’université de Lyon, entres autres EVS (UMR 5600) et LEHNA (UMR 5023), et d’autres partenaires
scientifiques en collaboration avec les collectivités territoriales et les entreprises. Il intervient sur
plusieurs axes de recherche et traite principalement des enjeux et problématiques relatives au système
urbain.

Plus spécifiquement, le projet Armature porte sur l’étude des armatures vertes urbaines. Elles sont
introduites comme étant « l’ensemble des surfaces végétales d’une aire urbaine, quelles que soient
leur taille, leur origine (plantée ou spontanée) ou leur position géographique » (Appel à projets IMU,
2014).

Ce projet a pour ambition d’analyser l’armature verte urbaine sous trois aspects : structure spatiale,
flux et mouvements et dynamiques temporelles. Il a surtout, pour objectif de développer des «
méthodologies d’évaluation des armatures vertes applicables à toutes les aires urbaines ». La zone
d’étude concernée par ce projet est la métropole de Lyon dont le territoire se caractérise par une
diversité de modèles d’urbanisation. (Appel à projets IMU, 2014)

Par ailleurs, le présent projet fait l’objet d’une thèse qui s’intitule « Dynamiques spatiales, temporelles
et écologiques de l’armature verte de la métropole de Lyon ». Cette thèse est menée par Arnaud
BELLEC (encadrant du stage – LabEx IMU).

3. Objectif du stage

La cartographie de l’occupation et l’utilisation des sols constitue aujourd’hui un outil essentiel à la

compréhension de l’évolution des territoires. En effet, on peut mesurer et quantifier le changement
d’occupation et d’usage des sols intervenus dans le temps par l’analyse d’images aérienne et
satellitaire. De plus, la forte périodicité de ces données à l’heure actuelle, la performance de leur
résolution spatiale s’avèrent intéressants pour approcher plus finement cette évolution.

Les objectifs de cette étude s’intègrent plus précisément dans le troisième aspect du projet Armature
décrit précédemment. A cet effet, le but de l’étude est de réaliser une cartographie de l’occupation du
sol des années 1950 à aujourd’hui à partir d’imagerie aérienne multi-résolution et multi-temporelle.
Ces images sont issues notamment des missions de l’IGN (téléchargeable sur le Géoportail) et de celles
commandées par le Grand Lyon (disponible sur sa plateforme Smart Data).

Il s’agira de proposer une méthodologie de traitement de ces données permettant :

 D’identifier et détecter les éléments paysagers par analyse d’images,

 De les classer au sein d’une typologie adaptée,
 D’en déterminer des indicateurs environnementaux spatialisés.

4. Zone d’étude

9
Le site d’étude couvre un territoire qui s’étend sur une superficie de 124 km² où se répartissent seize
communes situées à l’ouest de Lyon, sur le bassin versant de l’Yzeron (cf. Carte de situation).

Figure 1 : Carte de situation

Le bassin de l’Yzeron fait partie des bassins versants périurbains lesquels ont été approché dans les
travaux du projet ANR AVuPUR (Assessing the Vulnerability of Peri-Urban Rivers) en 2007. La
particularité de ces bassins réside sur la composition de leurs territoires où sont juxtaposées des zones
rurales naturelles ou agricoles et des zones urbaines artificialisées.

Cependant, notre étude ne couvre pas tout le périmètre du bassin versant (en couleur marron) du fait
que les scènes utilisées n’imagent pas toute la zone dans son intégralité pour les différentes dates
utilisées. Et parmi les seize communes qui composent le territoire d’étude, douze appartiennent à la
métropole de Lyon.

10
Partie II : Méthodes et données

1. Etat de l’art des méthodes de classification de l’occupation du sol

Depuis l’avènement des capteurs à haute (HRS) et très haute résolution spatiale (THRS) lancés à partir
des années 1990, les méthodes de traitement d’images sont de plus en plus développées. Ces capteurs,
qu’ils soient satellitaires ou aéroportés, fournissent des images dont la résolution spectrale est pour la
plupart inhérente au domaine d’application visé par la mission du capteur notamment pour ce qui
concerne les satellites. En effet, le nombre de bande spectrale peut varier en fonction des capteurs.
De plus, ces données de télédétection sont de plus en plus diversifiées. Elles peuvent répondre aux
attentes des utilisateurs finaux par leur disponibilité, coût, fréquence d’acquisition.

Parmi les méthodes de traitement des données de télédétection utilisées aujourd’hui, on distingue
principalement les méthodes de classification. La cartographie de la couverture des sols est une
application très répandue. De nombreuses études ont été menées dans ce sens et sont disponibles
dans la littérature. (Sparfel et al, 2008 ; Hoang et al, 2009 ; Achbun et al, 2011)

La classification est définie comme étant « une représentation abstraite de la situation sur le terrain
en utilisant des critères de diagnostic bien définis: les classificateurs », mais aussi « l'ordonnancement
ou l'agencement des objets dans des groupes ou des ensembles sur la base de leurs relations »
(Spécification technique de l’Observatoire du Sahara et du Sahel, 2014).

Ainsi, se distinguent deux types de classification : non supervisé (automatique) et supervisé (par
apprentissage ou règle de décision).

La première méthode de classification (apparue dans les années 1970) est celle qui est basée sur
l’approche pixellaire (ou classification par pixel). Cette méthode dite « classique » permet de regrouper
les pixels individuellement en fonction de leur caractéristique radiométrique « contenue dans les
valeurs d’une ou plusieurs bandes spectrales ». Plusieurs méthodes portant sur cette approche se sont
développées, telles que les méthodes de K-Means, cluster Isodata et celles utilisant des distances ou
encore par maximum de vraisemblance…etc.

Cependant, la classification issue de cette méthode montre ses limites quant à l’application aux zones
très hétérogènes comme le milieu urbain (Thi-Thanh-Hiên et Dong-Chen, 2013), les zones spécifiques
comme le littoral mais aussi à l’utilisation des images à haute et très haute résolution (Sparfel et al,
2008). « Plus la résolution spatiale est fine, plus l’hétérogénéité des objets à extraire croît, rendant les
méthodes spectrales de moins en moins performantes». (Sparfel et al, 2008) Ainsi, l’information
spectrale à elle seule ne permet pas de discriminer les différentes classes d’occupation des sols. Ce qui
nécessitait la prise en compte d’autres informations permettant de caractériser le pixel dans son
voisinage.(Blaschke et Strobl, 2001)

Afin de corriger les limites de la méthode précédente, plusieurs auteurs dont T. Blaschke (Blasckhe,
2001, 2009) ont contribué à l’introduction et au développement d’une seconde méthode, appelée
« orienté objet ».

11
 2. Méthode orientée objet

A la différence de la classification par pixel, la méthode basée sur l’approche orientée objet regroupe
les pixels selon leur appartenance à des régions homogènes en tenant compte à la fois de leur
caractéristiques spectrale, spatiale, morphologique, texturale, contextuelle, temporelle et
thématique. L’objectif principal est de gommer l’effet « poivre et sel » présent dans la classification
des méthodes traditionnelles. (Blaschke, 2009)

Ainsi, ces groupes de pixel sont considérés comme des objets pour lesquels on peut accéder à leur
propriété. Cette méthode est actuellement implémentée dans plusieurs logiciels du marché (ENVI,
ERDAS, ..) mais c’est le logiciel eCognition qui propose une version qui se rapproche de l’interprétation
humaine. (Navulur, 2007) La démarche de la classification sous ce logiciel se fait en deux étapes :
segmentation et classification.

---Segmentation

La première étape consiste à la segmentation de l’image. Le logiciel propose également plusieurs types
de segmentation illustrés dans la figure ci-dessous. (cf. Documentation du logiciel).

Figure 2 : Algorithmes de segmentation (eCognition)

Dans le cadre de cette étude, nous avons utilisé la « segmentation multirésolution » dont le principe
se base sur une méthode ascendante de croissance de région présenté dans la figure 2. (Sparfel et al,
2008)

Elle présente plusieurs atouts :

 Les objets sont regroupés suivant des critères définis par l’utilisateur tels que le paramètre
d’échelle, de couleur, de forme et de compacité,
 On a la possibilité d’effectuer plus finement la segmentation de l’image aux différents niveaux
hiérarchiques afin d’isoler au mieux les objets qui partagent les mêmes caractéristiques,
 Elle prend en compte également des données externes (de type raster ou vectoriel).

12
 Figure 3 : Principe de la segmentation multirésolution

---Classification

Une fois définie les différents paramètres permettant de segmenter au mieux l’image, la seconde
étape est celle de la classification. Elle se déroule en deux temps :

 L’affectation des objets à leurs classes respectives en définissant des seuils,

 Par la suite, les objets de chaque classe peuvent être fusionnés.

Nous utilisons ci-après une illustration extraite de (Xiaoxiao Li et Guofan Shao, 2014) qui montre bien
la différence de performance de deux méthodes de classification présentées plus haut.

Figure 4: Classification par pixel (a) ; classification orientée objet (b)

13
 3. Données utilisées

3.1 Acquisition des images et géo référencement

Même si cette étape a été réalisée avant le stage, il est intéressant de préciser les différentes étapes
de prétraitement des données effectuées. Ces dernières sont acquises de deux sources différentes (cf.
Tableau 1). Ces étapes de prétraitement se sont déroulées en quatre phases :

 La première phase a consisté au téléchargement des photographies via le Géoportail,

 Ensuite la seconde est celle de la création d’une mosaïque d’image pour regrouper les
différentes scènes découpées à partir des images brutes téléchargées, sous le logiciel
Photoscan (Phase 2),
 La troisième phase a permis d’effectuer le géo référencement des images sous le logiciel
ArcGIS en déterminant des points de contrôle suffisants afin de caler l’image sur une image de
référence,
 Une fois que l’opération de géoréférencement est réussie, on passe à l’étape de validation et
d’export des données.

3.2 Caractéristiques des images aériennes

Nous présentons ci-après un tableau récapitulatif des informations des différentes scènes mises à
notre disposition pour réaliser la cartographie de l’occupation des sols de la zone d’étude.

Tableau 1 : Caractéristiques des scènes utilisées

Exemple d’image Résolution Bandes Date Producteur

spatiale spectrales d’acquisition
0.16m R, V, B, PIR 14 au 16 août EUROSENSE
(Rouge, 2009 (pour le
Vert, Bleue, compte du
Proche Grand Lyon)
InfraRouge)

0.8m R, V, B 8 et 9 juillet I2G

2003 (pour le
compte du
Grand Lyon)

14
 0.8m Monobande entre 13 juin et IGN
07 juillet 1986

0.8m Monobande 15 et 16 août IGN

1978

0.8m Monobande été 1966 IGN

0.8m Monobande 7 et 26 mai IGN

1954

Quant à l’aspect temporel de ces données, elles couvrent une période assez longue (1954 -2009) et
leur résolution spectrale diffère d’une image à l’autre. Au cours de ce stage, nous avons traité les trois
premières images (2009, 2003, 1986). L’objectif principal consiste à élaborer une méthodologie
permettant une classification orientée-objet à partir des images disponibles en tenant compte de leurs
caractéristiques spectrales.

15
Partie III : Traitement des images

Nous présenterons dans cette troisième partie, les différents traitements effectués au cours de cette
étude, en commençant d’abord par la définition des classes utilisées et par la suite la description
générale du processus de classification adopté.

1. Définition d’une nomenclature

Avant tout, la classification de l’occupation du sol de cette étude se base sur une nomenclature
définissant dix types de classes différents (Figure ci-dessous).

Figure 5 : Illustration des différentes classes définies dans la nomenclature

Nous décrivons l’ensemble des classes en les catégorisant par leurs espaces respectifs comme ci-
dessous :

 L’espace artificialisé regroupe les classes définies comme étant imperméables tels que les
« Bâti », « Réseaux de communication », « Autres surfaces imperméables » (telles que les
parkings) et « Piscine »,
 Ensuite, l’espace agricole qui comprend les classes « Cultures » et « Prairies »,
 Quant à l’espace naturel, y sont catégorisées les classes « Végétation arbustive» et « Surfaces
en eau »,

16
  Enfin, nous distinguons en plus une quatrième catégorie de classe spécifiant les surfaces
perméables telles que les sols nus (de type gravier ou en terre…) que l’on peut trouver dans
l’espace urbain et hors urbain, c’est le cas donc des classes 5 et 6 (cf. Légende de l’image).

2. Description du processus de classification

Techniquement, la méthodologie de classification adoptée tente de répondre à deux objectifs

principaux. En effet, les fortes variabilités spectrale et spatiale relatives aux images aériennes à THRS
et le développement d’un arbre de décision global applicable sur toute la zone d’étude nous a amené
à définir un processus de classification (cf. Figure 6).

Figure 6 : Schéma récapitulatif

Ce processus de classification comprend cinq étapes de traitement qui sont à la fois liées et
consécutives. Nous l’avons conceptualisé et adopté au cours de deux premiers mois du stage durant
lesquels nous avons eu à nous familiariser à la méthode de classification orientée objet d’image à THRS

17
en réunissant d’une part, les références bibliographiques utiles et d’autre part, en appliquant sous
eCognition un jeu de donnée test.

Ainsi, nous avons travaillé sur trois dalles pour tester parallèlement deux approches de la classification
totalement différentes, à savoir celle où on classifie l’image sans données externes et inversement
celle avec des données externes. L’intérêt de la première approche est dans notre cas de classifier les
images anciennes pour lesquelles on ne dispose pas des données auxiliaires. Malheureusement, cette
dernière s’est avérée chronophage et la classification est malaisée. Typiquement, les surfaces
réfléchissantes comprennent à la fois des objets des classes « Bâti », « Routes », « Perméable»,
« Cultures ». De même, il est difficile de distinguer les classes « Eau » et « Végétations » sans avoir des
données renseignant les périmètres de classes au préalable.

C’est dans ce sens que nous avons pris le parti de commencer la classification à partir de la dernière
année, donc la plus récente (2009) dont on dispose des données externes et ainsi remonter dans le
temps. Cela permettait d’utiliser les données issues de la dernière classification comme données
auxiliaires pour faciliter la classification de l’occupation du sol de l’année t-1.

Nous détaillerons ci-après l’ensemble des étapes présentées dans le schéma récapitulatif.

2.1 Calcul des indices

La classification est effectuée à partir du logiciel eCognition Developer 9. Comme décrit

précédemment, ce logiciel offre un certain nombre de paramètres permettant de calculer des
caractéristiques liées aux objets (appelés « features objects ») et aidant le travail de photo-
interprétation.

Etant donnée la différence des caractéristiques spatiale et spectrale des données de notre étude, il
nous est paru judicieux, dans un premier temps de mobiliser les indices (disponibles dans la littérature)
nous permettant de réaliser de façon objective une classification qui se rapproche le plus possible de
la réalité terrain.

Ainsi, nous avons utilisés différents types d’indices, en fonction des caractéristiques de chacune de
trois images traitées, qui sont détaillés dans le tableau ci-après. Ces indices peuvent être regroupés
dans 3 catégories :

 Indices spécifiques à la détection de la végétation, [1]

 Indices « prenant en compte l’influence des sols », [2]
 Indices personnalisés, [3]

Tableau 2: Résumés des indices utilisés

Indices Formules Images Références

correspondantes
1. DVI (Difference PIR - R 2009 [1]
Vegetation Index ou (réflectance dans les Cf. Bacour et al
indice de végétation bandes proche (2006)
brut) infrarouge et rouge)

18
 2. NDVI (Normalised PIR – R /PIR +R 2009 [1]
Difference Vegetation Cf. Rouse and
Index) Haas (1973)

3. CVI (Color V–R 2009, 2003 [1]

Vegetation Index) (réflectance dans la Cf.
bande verte et
rouge)
4..SAVI (Soil Adjusted PIR – R/ PIR + R + 2009 [1], [2]
Vegetation Index ou L*(1+L) Cf. Huete (1988)
indice de végétation
ajusté pour le sol) (où L = 0.5)

5. Coloration R – B/R 2009, 2003 [2]

Cf. Coulibaly et
(réflectance dans la Gwyn (2005)
bande bleue et
rouge)
6. Indice de Cuirasse 3*V-R - 100 2009,2003 [2]
Cf. Pouchin
(2001)
7. Indice de Rougeur R² / V^3 2009,2003 [2]
Cf. (Mane et al.,
(il est donné par le 1997; Mathieu et
rapport des valeurs al., 1997)
de pixels de la bande
rouge au carré sur
celles de la bande
verte au cube)
8. Indice de contenu PIR / R 2009,2003 [2]
en eau Cf. (Mougenot et
al., 1990)
9. Indice de Couleur R – V/ R+V 2009, 2003 [2]
d’un sol (CSI) Cf. (Carré, 2002;
Mane et al., 1997;
Wassenaar, 2001)

10. Teinte 1/tan(R*2) –(V- 2009, 2003 [2]

B)/3*0.5*(V-B) Cf. Coulibaly et
Gwyn (2005)
11. Autres indices Mean Layer – 1986 [3]
personnalisés * Brightness Personnalisé

2.2 Données auxiliaires

Afin d’améliorer la performance de la classification, nous avons utilisé des données auxiliaires que nous
décomposons en 2 sections présentées ci-dessous.

19
Données acquises

Nous avons eu à disposition, en plus des images aériennes, des données vectorielles issues de la BD
Topo de l’IGN datant de 2009. Elles sont constituées des couches de bâtiments, de réseaux de
communication (routes, rails), des cours d’eau. Des couches dérivées des différentes données de
référence ont été créées. Il s’agit des couches vectorielles, dérivées des données de la BD Topo,
notamment issues de géotraitement sous le SIG, comme la couche «Tâches urbaines » obtenue à partir
d’une zone tampon délimitée à 200 m autour des bâtiments ainsi qu’une couche MNE (Modèle
Numérique d’Elévation).

De plus, nous avons acquis des couches, d’occupation du sol de Corine Land Cover (CLC) et des
parcelles agricoles du registre parcellaire graphique (RGP).

Ces données ont toutes été intégrées dans la classification de l’occupation du sol à partir de l’image de
2009. Ces données auxiliaires ont permis, en plus de l’utilisation des indices décrits préalablement, de
discriminer les différentes classes en les distinguant notamment par leur emprise (à l’aide des couches
géométriques) et la hauteur (avec la donnée MNE). Par la suite, les données issues de cette
classification ont servi comme données vectorielles de référence pour la classification de l’image de
2003 (la démarche étant similaire pour l’année antérieure, c’est-à-dire l’image de 1986) auxquelles il
sera effectué une mise à jour pour prendre en compte l’évolution temporelle. Ce qui nous a amené à
définir des méthodes permettant de créer des nouvelles données auxiliaires qui spécifient l’image en
cours de traitement.

Données créées

Comme expliqué ci-dessus, l’objectif a été : d’une part de détecter le changement intervenu au cours
de 2 périodes traitées (de 2009 à 2003 et de 2003 à 1986) et d’autre part de disposer des données qui
caractérisent le pus possible l’image t-1 (dans notre cas) facilitant la classification des éléments du
paysage.

---Détection des changements

Détecter les changements de la précédente année sur l’image à traiter, est un traitement intéressant
en ce sens que la mise à jour de la classification à partir des données de la dernière classification, sera
plus aisée à réaliser.

Nous présentons à travers les images ci-dessous, les différentes étapes de cette méthode dont le
traitement est effectué sous ArcGIS. La première étape est réalisée en utilisant l’opération de
traitement d’image appelée « Différence » qui calcule la différence de 2 images « à l’aide d’une
comparaison pixel à pixel ». Nous obtenons alors une nouvelle image temporaire (cf. Figure 7 - c) dont
les comptes numériques sont recalculés. Ainsi, les pixels dont les trois valeurs contenues
respectivement dans les 3 bandes (RVB) de l’image sont négatives apparaissent en noir sur l’image
composite. L’image issue montre bien les zones qui correspondent aux zones de changements, par leur
fort contraste.

Or, parmi les pixels dont les valeurs sont négatives, certains caractérisent de zones de changements
radiométriques. De plus, l’image issue est trop volumineuse (117 GB).

20
Figure 7 : Présentation de la méthode de détection de changement : a) Image 2003, b) Image 2009, c) Différence des
images (a et b), d) Classification IsoCluster à partir de l’image (c), e)Vectorisation de la classe issue de (d.)

21
Pour remédier à ces 2 contraintes, l’opération qui suit, fait appel à une interprétation humaine. C’est
pourquoi, on a calculé une classification iso cluster dont nous avons pris le parti de réduire le nombre
de classes pour identifier uniquement les zones de changement d’occupation du sol. (cf. Figure 7 - d).

Enfin la dernière étape (cf. Figure 7 - e) consistait à convertir cette classification en donnée vectorielle
pour l’utiliser dans le traitement de la classification réalisée sous eCognition.

---Nouvelles données spécifiques à l’image traitée

Les images datant de 2003 et 1986 ont des caractéristiques spectrales différentes de l’image de 2009.
Bien que l’image acquise en 2003, est une image en vraie couleur, on ne dispose pas pour autant de la
bande (PIR). Cette différence par rapport à celle de 2009, fait que l’arbre de décision défini pour cette
même année ne sera pas réutilisé.

Il a fallu alors élaborer un nouvel arbre de processus de classification spécifique à l’image 2003 (cf.
Annexes). En l’absence du PIR, ce dernier se base en plus des indices utilisés, sur l’utilisation des valeurs
des composantes principales (ACP) calculées sous ArcGIS.

Globalement, nous avons réussi à discriminer les classes dont les valeurs spectrales se confondent,
telles que les classes « perméable », « imperméable », « piscine ».

Quant à l’image acquise en 1986, ses caractéristiques sont tout aussi différentes par rapport à celles
en couleur. De même que pour les deux autres images, nous avons eu à développer un nouvel arbre
de décision. Il se base outre les données issues de la classification de 2003, sur deux couches rasters
dont le traitement est réalisé sous le logiciel ArcGIS.

Nous avons créé d’abord deux masques générés par le calcul d’une fonction binaire. Ces masques
permettent de distinguer très nettement les zones de végétation et les zones de non végétation (cf.
Image b). Les zones sombres représentent la végétation (valeur nulle) et les zones plus claires
correspondent à notre masque de zones de non végétation. Et nous arrivons par ce biais, à

Figure 8: Délimitation des zones de végétation (a : image 1986, b : Image binaire)

22
Pour le reste, nous avons calculé une deuxième couche, NDVI à l’aide de fonction de traitement
d’image d’ ArcGIS. Cette donnée nous a permis de distinguer les autres types de classes compris dans
le masque délimitant les zones de non végétation.

2.3 Segmentation

Nous illustrons ci-après le principe de la segmentation multirésolution appliquée sur les trois images.
Cette dernière peut être réalisée à plusieurs niveaux. Dans notre cas, nous avons fait le choix de
segmenter les images que sur trois niveaux (cf. images a, b, c) afin de réduire le temps de traitement
en essayant toutefois de définir à l’issue de plusieurs tests, la segmentation la plus optimale.

Concernant l’image de 2009, la segmentation se base principalement sur des données auxiliaires
(composées des couches de la BD Topo, du MNE). Les paramètres d’échelle utilisés sont décroissants
de façon à segmenter les objets très finement. C’est le cas de la classe « Piscine » dont les objets sont
les plus fins (cf. encadré jaune, image d). Ainsi, seul le bassin des piscines (en bleu) est à classer en
piscine et à discriminer le contour de la piscine (généralement très clair) pour les classer comme
surface imperméable.

Figure 9: Trois niveaux de segmentation sur l'image (2009)

23
Nous avons effectué la même démarche pour choisir les différents paramètres de segmentation pour
les deux autres images illustrées ci-dessous. Généralement, pour les indices de forme et de compacité
dont la valeur est égale à 1, on a trouvé intéressant d’utiliser la valeur d’un indice parmi les indices
calculés qui servant à segmenter au mieux les objets selon leurs forme et réflectance.

Figure 10: Trois niveaux de segmentation sur l'image (2003)

24
 Figure 11: Trois niveaux de segmentation sur l'image (1986)

2.4 Classification

A l’issue de la segmentation, on procède à la classification des objets. De la même manière que l’étape
précédente, la classification est précisée en descendant jusqu’au dernier niveau pour justement classer
les objets dans leurs classes respectives. Sous eCognition, elle se base sur des seuils définis par
l’utilisateur à l’aide des caractéristiques calculés pour chaque objet par le logiciel (cf. Capture ci-
dessous). Nous détaillerons en annexes les trois processus de classification réalisés.

25
 Figure 12: Exemple de classification

Afin de répondre au deuxième objectif (cf. partie III.2), nous choisissions des zones test sur lesquelles
on appliquait la démarche en essayant d’ajuster l’extraction des objets à chaque niveau avant
d’étendre le processus de classification sur toute la zone. Typiquement, on a testé cinq dalles choisies
en fonction de la dominance des espaces (agricoles, naturels, artificialisés et mixtes) pour l’image de
2009 et quatre zones pour les deux dernières.

Nous illustrons ci-dessous les classifications réalisées à partir des trois images (zoom sur un secteur de
Chaponost).

Figure 13: Classification a) 1986, b) 2003, c) 2009

26
 2.5 Calcul de l’indice Kappa

La dernière étape consiste à calculer un indice statistique appelé indice de Kappa. Cet indice est utilisé
pour valider les résultats de la classification. Il est calculé à partir des informations d’une matrice de
confusion dont les lignes correspondent aux données d’observations (ou terrain) et les colonnes aux
données de la classification (cf. Tableau 3). C’est donc un « estimateur de qualité qui tient compte des
erreurs en lignes et en colonnes». Sa valeur est comprise entre 0 et 1.

Pour calculer cet indice, nous avons généré une couche ponctuelle sous QGis dont les points sont
répartis de manière aléatoire sur toute la zone d’étude. Tout d’abord, nous avons réduit le nombre de
classe à huit en regroupant les trois classes (« Bâti », « Reseaux de communication », et
« imperméables ») dans une classe nommée « imperméables ». Ensuite, nous avons défini un total de
300 points en affectant à chaque classe un nombre de points (cf. Total lignes renseigné dans Tableau
3).

Les points sont renseignés à partir des informations de l’image. Cette couche nous a servi comme
donnée terrain. Par la suite, nous avons effectuée une opération d’intersection de cette couche avec
celle issue de la classification pour obtenir une couche dans laquelle les points sont affectés à leur
classe d’occupation du sol. A l’aide de requête sql sous SIG, les données de la matrice de confusion ont
été renseignée.

Tableau 3: Matrice de confusion (image 2009)

Classification
Producer
1 2 3 4 5 6 7 8 Total Accuracy
1 50 0 0 0 0 0 0 0 50 100%
2 1 7 0 1 0 1 0 0 10 70%
3 8 0 13 1 0 3 0 0 25 52%
Donnée Terrain 4 0 0 2 19 12 6 11 0 50 38%
5 1 0 1 1 34 8 5 0 50 68%
6 5 0 6 6 9 23 1 0 50 46%
7 0 0 0 0 3 0 47 0 50 94%
8 0 0 0 0 1 0 0 14 15 93%
Total 65 7 22 28 59 41 64 14 300
User Accuracy 77% 100% 59% 68% 58% 56% 73% 100%
Précision globale : 69%
Indice de Kappa: 0,6
(1. Imperméables, 2. Piscine 3. Perméable, 4.
Cultures, 5. Prairies, 6. Jardins et Pelouses, 7.
Végétation, 8. Eau)

Ainsi, nous avons obtenu pour les trois classifications des indices dont les valeurs sont comprises entre
0.5 et 0.6 (cf. Annexe 2). La précision globale est aussi importante dans l’évaluation de la classification.

27
Elle est donnée par le rapport entre le nombre des pixels bien classés et le total des pixels
d’observations. Les précisions globales obtenues sont respectivement de 69% (2009), 68% (1986) et
56% (2003) pour les trois dates. Ce qui signifie un accord modéré entre nos classifications et nos
données de vérification.

28
Partie VI : Traitement post-classification et interprétation des
résultats

1. Traitement de la dynamique de l’occupation du sol

Les données issues de la classification de l’occupation des sols peuvent servir pour diverses
applications entre autres l’analyse de la dynamique de l’occupation des sols. Cela permet d’identifier
le changement au profit de quels autres espaces par exemple. Nous présentons dans cette section,
une méthode permettant de suivre et quantifier l’évolution des espaces.

Nous décrivons la méthode en trois parties, qui comprend :

----Suivi de l’évolution des parcelles

Tout d’abord, on s’intéresse au suivi du changement des parcelles (cf. illustration ci-après). Comme
nous montre la figure, on souhaiterait renseigner les objets de manière rétrospective. Ainsi, nous
avons développé un traitement automatique sous ArcGIS permettant de réaliser toutes les étapes de
la méthode (Figure 11) et les encadrés rouges concernent cette étape

Figure 14: Illustration extraite (modifié A. BELLEC, 2016) (1. Culture, 2. Bâti, 3.Eau)

Etape 1 :

- on effectue une superposition des données issues de la classification (par exemple : occupation du
sol étalé sur 3 intervalles de temps : 2009 et 2003, 2003 et 1986, 2009 et 1986). On nomme la couche
issue (Union_ocs86_03)

29
 Figure 15: Automatisation du traitement sous SIG (Modelbuilder)

Etape 2 :

-Ensuite, on crée dans la couche « Union_ocs86_03 », un nouveau champ (nommé comme suivant :
concat_IDcl_2) qui contiendra la concaténation des identifiants de deux champs d’occupation du sol
(exemple : id_classif1986 *10 + id_classif2003 ou avec cette formule sous QGis id_classif1986 ||
id_classif2003 => on obtient des identifiants à 2 chiffres : 11, 12, 13…etc). Ainsi, on peut sélectionner
par requête les objets qui n’ont pas évalués en précisant dans la condition de la requête, les objets qui
ont un identifiant à 2 chiffres identiques, c’est le cas du polygone vert dans l’illustration. On pourra
procéder de la même manière pour identifier les objets qui ont changé de type d’occupation. Ces
étapes sont répétables pour créer la couche (Union_ ocs8603_09) ainsi que le champ (concat_IDcl_3)
qui contiendra la concaténation des identifiants mais cette fois à trois chiffres. Et le nombre de chiffre
de ce champ augmentera en fonction du nombre d’années que l’on voudrait calculer l’évolution. A
travers la composition des chiffres, on pourra décrire pour chaque parcelle les types d’occupation qui
se sont succédés (ex : pour l’année 2009, le polygone « 131 » est passé de type culture, ensuite eau et
redevenu culture).

----Calcul de la matrice de transition

Il est intéressant aussi de calculer un matrice de transition pour quantifier les évolutions. Cette étape
se fait dans la continuité de la précédente (cf. les cercles bleus dans la figure 11).

Etape 3:

Toujours dans la couche de superposition, on ajoute un second champ (intitulé « area ») qui calcule la
superficie.

Etape 4:

Par la suite, on calcule un résumé statistique qui consiste pour notre cas à agréger les surfaces des
polygones qui ont le même concat_ID. Ce résumé statistique est exportable en format dbf. Cette étape
est à réaliser sous Excel en calculant une matrice de transition que l’on renseignera avec les données
du résumé statistique (par exemple : en colonne, l’occupation du sol de 2003 et en ligne celle de 1986).

30
Sachant que la diagonale de cette matrice nous donne les surfaces inchangées. Ce qui est intéressant
à quantifier, ce sont les gains et/ ou les pertes des surfaces, l’évolution entre les 2 années (obtenus par
la différence des stocks de 2 années, ex : stock2003 – stock1986 pour chaque classe d’occupation).

----Cartographie de la dynamique

La dernière étape est celle de la cartographie de la dynamique temporelle, en jouant sur la symbologie
de façon à donner à voir les zones de changement.

2. Interprétation des résultats

Les résultats issus de trois couches d’occupation des sols montrent une évolution importante des
surfaces des classes « imperméables », « Piscine », « Jardins, pelouses » et « Végétation » entre 1986
et 2003 (Figure 12). Typiquement, la classe «Piscine» a enregistré une hausse de 7% (Tableau 4).

Tandis que la superficie des classes « Cultures » et « Prairies » a fortement diminué au cours de cette
même période. Cette déprise agricole bénéficie majoritairement aux espaces artificialisés qui
augmentent au cours de trois périodes considérées, notamment en ce qui concerne les cultures
localisées dans le secteur Est de la zone d’étude. De même, les prairies régressent au bénéfice de la
classe végétation (cf. Cartes en annexes).

Figure 16: Evolution des surfaces d’occupation du sol au cours de trois périodes

31
 Tableau 4: Taux d’évolution de huit classes

Imperméable Piscine Perméable Cultures Prairies Jardins, pelouses Végétation Surfaces en eau
évolution 1986 à 2003 (%) 0,5% 7,4% 0,4% -0,7% -0,3% 0,4% 0,7% 0,1%
évolution 1986 à 2009 (%) 0,7% 7,4% 0,4% -0,3% -0,4% -0,3% 0,7% 0,1%
évolution 2003 à 2009 (%) 0,1% 0,0% 0,0% 2,5% -0,2% -0,4% 0,0% 0,0%

Et les classes « Perméable » et « surfaces en eau » ont très légèrement augmenté. Bien que le site
d’étude abrite un réseau hydrographique important, il est néanmoins couvert par une végétation
ligneuse (cf. Annexes 3, 4 et 5). Cette information ne peut donc pas être extraite à partir des données
de cette étude d’où la présence quasi minime de cette classe au sein de ce territoire. C’est le cas
également pour la classe qui définit les réseaux de communication.

Dans les résultats de ce travail, nous avons constaté d’une part une sur-classification de certaines
classes comme la classe «Perméable» qui se confond très souvent avec les classes «Cultures»,
«Prairies» lorsque les surfaces de celles-ci présentent moins d’herbes et avec la classe «Autres surfaces
imperméables» (cf. Partie III.1). D’autre part, la classe «Piscine» est sous- classée, souvent là aussi
confondue avec la classe «Perméable». Et surtout pour l’année 1986, même si il n’y en avait pas
beaucoup, elles ne sont pas vraiment discernables sur l’image en noir et blanc.

Globalement, cette cartographie de la dynamique de l’occupation des sols du site d’étude rend compte
de la forte urbanisation du bassin versant et de l’expansion urbaine de la métropole de Lyon (Secteur
Est).

3. Perspectives

Désormais, l’étude de la dynamique spatio-temporelle de l’occupation du sol ne se limite pas

seulement à l’analyse de la classification à partir des images multi-dates. Elle peut être complétée et
enrichie par l’analyse des métriques spatiales (ou paysagères) pour quantifier et qualifier les formes
du paysage.

A l’origine, les métriques spatiales ont été développées pour l’écologie du paysage dans les années
1980. (Skupinski et al, 2009) Elles sont utilisées pour décrire l’organisation et l’hétérogénéité spatiale
des paysages à une échelle spatiale donnée. (Aguejdad et Hubert-Moy, 2016)

Les métriques paysagères sont aujourd’hui appliquées dans des études urbaines dont l’objectif est de
caractériser l’évolution de la forme des paysages dans un contexte de forte croissance urbaine.
(Skupinski et al, 2009 ; Aguejdad et Hubert-Moy, 2016). Le calcul des métriques spatiales se fait à partir
des données des images classifiées sous le logiciel FragStat. Elles portent sur trois échelles d’analyse à
savoir (tâche, patch et paysage). Pour chacune de ces échelles, il existe des indices spécifiques.

Conclusion

32
Cette étude avait pour objectif d’identifier et cartographier les différents éléments paysagers à partir
d’images aériennes multi-dates et à très haute résolution. La classification de l’occupation des sols
avec la méthode orientée objet sous eCognition nous a amené à adapter un processus de traitement
spécifique à chacune de trois images traitées (1986, 2003 et 2009).

Les résultats de classifications obtenus sont satisfaisants. Ces résultats nous ont permis de constater
des changements importants entre les différentes classes d’occupation du sol au cours de trois
périodes étudiées (1986-2003, 1986-2009 et 2003-2009). Et la cartographie réalisée montre bien
également l’étalement urbain qui caractérise la zone d’étude.

Cependant, les résultats de trois classifications accusent quelques imperfections notamment des
confusions entre certaines classes dont les caractéristiques sont très rapprochées (telles que les classes
perméable, cultures, prairies et autres surfaces imperméables). Aussi, ces résultats sont évalués
respectivement à 69% (2009), 68% (1986) et 56% (2003) de précision globale avec des indices de Kappa
inférieure à 0,7. Etant donné la durée du traitement, nous n’avons pas pu refaire la classification pour
pouvoir améliorer les résultats. Un indice de kappa supérieur à 0,7 serait intéressant pour réaliser in
fine des traitements post-classification tel que les métriques spatiales.

Références bibliographiques

33
Aguejdad, R. et Hubert-Moy, L. (2016) «Suivi de l’artificialisation du territoire en milieu urbain par
télédétection et à l’aide de métriques paysagères. Application à une agglomération de taille moyenne,
Rennes Métropole». Cybergéo (https://cybergeo.revues.org/27465)

Blaschke, T., (2009) «Object based image analysis for remote sensing». ISPRS Journal of
Photogrammetry and Remote Sensing.

Blaschke, T., and Strobl, J., (2001) «What’s wrong with pixels ? Some recent developments interfacing
remote sensing and GIS».

eCognition Developer 9.0 (2014) «Reference Book», Trimble Germany GmbH

Hoang, K.H., Bernier M. et Villeneuve, J.-P., (2007) «Les changements de l’occupation du sol et ses
impacts sur les eaux de surface du bassin versant de la rivière Câu (Viêt-nam)». Actes des JSIRAUF,
Hanoi

Lefebvre, A., Corpetti, T. et Hubert Moy, L. (2009) «Détection de changements dans des images à très
haute résolution spatiale par analyse de texture : application en milieu urbain». Neuvièmes Rencontres
de Théo Quant, Besançon

Navulur, K., (2007) «Multispectral image analysis using the object-oriented paradigm». pp.1-105

Skupinski, G., BinhTran, D., et Weber, C. (2009) «Les images satellites Spot multi-dates et la métrique
spatiale dans l’étude du changement urbain et suburbain – Le cas de la basse vallée de la Bruche (Bas-
Rhin, France)». Cybergéo (https://cybergeo.revues.org/21995#tocto2n4)

Sparfel, L., Gourmelon, F. et Le Berre, I., (2008) «Approche orientée-objet de l’occupation des sols en
zone côtière». Revue Télédétection, vol. 8, n°4, p. 237-256.

Thi-Thanh-Hièn, P. et Dong-Chen, H. (2012) «Classification orientée objet d’une image Quickbird de la

ville de Hanoi(Viêtnam) : Etude empirique des paramètres de segmentation». Revue Télédétection, vol.
11, n°2, p.287-305.

Tourino Soto, I., (2005) «Mise en relation de la cartographie du rendement avec la distribution spatiale
de l’état de surface du sol observée par la télédétection. Application dans un contexte d’agriculture de
précision». Thèse, Toulouse, INP, 2005, p.105

Site Internet :

http://www.eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX:32002D1600
http://www.developpement-durable.gouv.fr/La-documentation,29894.html
http://www.grandlyon.com/metropole/bienvenue-a-la-metropole.html
http://www.oss-online.org/rep-sahel/index.php?option=com_content&view=article&id=20:etudes-
r%C3%A9gionales&catid=48&lang=fr&Itemid=143
http://www.riviere-yzeron.fr/

Annexes

34
Annexe 1 : Processus de classification (image 1986)

Annexe 2 : Les matrices de confusion (2003 et 1986)

35
 Tableau 5: Matrice de confusion (image 2003)

Classification
Producer
1 2 3 4 8 Total
5 6 7 Accuracy
1 48 0 1 0 0
0 500 1 96%
2 1 6 2 0 0
0 101 0 60%
3 9 0 10 1 2
0 253 0 40%
Donnée Terrain 4 2 0 8 6 19
0 10
50 5 12%
5 2 0 0 2 28
0 12
50 6 56%
6 2 0 4 0 7
0 36
50 1 72%
7 0 0 0 0 2
0 500 48 96%
8 0 0 0 0 1
13 150 1 87%
Total 64 6 25 9 59 62 62 13 300
User Accuracy 75% 100% 40% 67% 47% 58% 77% 100%
Précision globale : 56%
Indice de Kappa: 0,54
(1. Imperméables, 2. Piscine 3. Perméable, 4. Cultures,
5. Prairies, 6. Jardins et Pelouses, 7. Végétation, 8. Eau)

Tableau 6: Matrice de confusion (image 1986)

Classification
Producer
1 2 3 4 8 Total
5 6 7 Accuracy
1 42 0 0 0 5
0 50 3 0 84%
2 0 1 1 3 3
0 10 1 1 10%
3 2 0 18 2 2
0 25 1 0 72%
Donnée Terrain 4 4 0 3 24 15
0 50 4 0 48%
5 0 0 0 15 34
0 50 1 0 68%
6 1 0 0 11 13
0 50 25 0 50%
7 0 0 0 0 4
0 50 1 45 90%
8 0 0 0 0 0
14 15 0 1 93%
Total 49 1 22 55 76 36 47 14 300
User Accuracy 86% 100% 82% 44% 45% 69% 96% 100%
Précision globale : 68%
Indice de Kappa: 0,6
(1. Imperméables, 2. Piscine 3. Perméable, 4. Cultures, 5.
Prairies, 6. Jardins et Pelouses, 7. Végétation, 8. Eau)

36
Annexe 3 : Carte d’occupation du sol (1986)

37
Annexe 4 : Carte d’occupation du sol (2003)

38
Annexe 5 : Carte d’occupation du sol (2009)

39