Variabilité spatio-temporelle de la chlorophylle en surface de la mer ...

seuil Ű ». Sachant que la probabilité d’obtenir un changement selon une distribution
binomiale dans une série de k tirages : ⎛n
⎞ k n−k
.Le NFA de cette différence
P(
x = k)
= ⎜ ⎟P
( 1−
k)
⎝k
⎠
est sa probabilité d’apparition dans un environnement aléatoire uniforme tel qu’on a une
chance sur deux pour qu’elle se réalise : NFA(diff)=P k N , où N : le nombre d’éléments de
la différence.
3. Résultats :
Nous avons testés cette démarche pour différentes valeurs de seuils, allant de 1 à 10 -85.
Et en fonction des résultats obtenus, d’abord nous avons établies la carte des changements
(fig.1), ensuite nous avons tracés la courbe relative aux taux de bonne identification des
changements (TBC) en fonction des seuils Ű-significatifs (Fig.2), ainsi que la courbe
représentant le taux de fausses identification des changements (TFC) en fonction du
nombre d’itérations(Fig.3). Nous constatons que plus le seuil est petit plus le taux de bonne
identification des changements s’approche de 1. En ce qui concerne le TFC, il devient
presque nul après un certain nombre d’itérations.
Fig.1 : Carte de changements-
SPOT4 (2000)-SPOT5(2003)
Fig.2 : Taux de bonne
identification des
changements
138
Fig.3 : Taux de fausse
identification des
changements
La détection de changements basés sur l’approche a contrario nous a permis de calculer
des taux de changements globaux, une étude plus approfondies nous permettra d’avoir des
taux de changement relatif à chaque thème. Ainsi que l’intégration d’informations
complémentaires dans le processus de détection des changements que nous avons établies
nous permettrons de perfectionner notre approche.
Mots clés : Détection de changement a contrario, changement ε-significatif , taux de bonne identification
des changements et taux de fausses identification des changements.
Bibliographiques :
- Coppin et al, 2003: P. R. COPPIN, I. JONCKHEERE AND K. NACHAERTS, 2003. Digital change
detection in ecosystem monitoring. a review, Int. J. of Remote Sensing, vol. 24, pp. 1–33 (2003).
- Desolneux A., Moisan L., and MOREL J-M, 2002. Gestalt theory and computer vision. Technical
report, preprint CMLA N o 2002-06, 2002.
- Desolneux A., Moisan L., and Morel J.-M, 2003: A grouping principle and four applications. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 25(4) :508–513, April 2003.
- Lu D., Mausel P., Brondizio E.and Moran E., 2004, “Change detection techniques’’, Int. J. of Remote
Sensing, vol. 25, no. 12, pp. 2365–2407 (2004).