Rapport de stage - Planet Action

Maitrise de la cohérence des processus
de production pour la mise en place
d’une base de données géographiques
combinaison particulière de données sont apparus adéquats à la situation, il est difficile d’extrapoler et
de déterminer quelles seront les meilleures données et les meilleures méthodes de traitement pour une
nouvelle région, y compris pour une application similaire. Les causes des incertitudes sont donc à
chaque fois méconnues. L’approche développée par Schott (2007) amène à mieux appréhender cette
difficulté, grâce à la notion de « chaîne image ». Chaque « chainon » pris individuellement représente
les différentes étapes du processus de traitement qui composent la chaine complète, c'est-à-dire la
somme des processus intervenant entre l’image d’origine et le résultat. Ce principe permet de retracer
les différentes étapes réalisées et les interrelations. Il devient ainsi plus facile de comprendre les
limites de chaque chainon, et donc de mieux comprendre et évaluer les multiples sources
d’incertitudes au sein de chaque application particulière. L’idée est d’être en mesure de préciser la
contribution qu’apporte chacune d’elle dans les incertitudes reportées au document final. L’une des
illustrations des plus évidentes de ce phénomène est l’effet de différents algorithmes de classification
sur les incertitudes. D’autres éléments sont également à prendre en considération dans ces incertitudes,
comme l’effet de corrections atmosphériques et radiométriques sur une classification, ou sur la
détection de changements pour des processus de traitements calibrés à partir d’images prises en
différents lieux et/ou temps, sur les images utilisées au final (Song et al, 2001).
Des travaux émettent la possibilité d’associer aux données spatiales qualifiées d’incertaines, la
cartographie des intervalles de confiance des pixels attribués à une classe (Foody et al, 1992 ;
Carpenter et al, 1999 ; McIver et Friedl, 2001). Plusieurs algorithmes de classifications peuvent ainsi
être configurés pour donner ces renseignements, comme l’erreur quadratique moyenne (RMSE)
reportée sur les cartes finales.
Comme nous venons de le voir, de nombreuses étapes sont susceptibles de présenter des limites pour
les résultats, incluant calibration des images, corrections radiométriques, traitements atmosphériques
et autres processus plus ou moins complexes. Ces quelques exemples, pris dans le domaine de la
télédétection, illustrent quelques-uns des chainons à identifier pour éclaircir toute la complexité
inhérente à la transformation d’une donnée brute pour son exploitation. Caractériser ces incertitudes et
tenir compte des liens entretenus entre les divers paramètres et processus mis en œuvre tout au long de
cette chaine améliore nettement la précision, la pertinence des données, et donc l’intégration des
produits dérivés de la télédétection dans les systèmes d’informations géographiques.
2.3.3 Les domaines d’incertitudes en télédétection
Qu’elles relèvent des relations entre propriétés intrinsèques des images, paramètres utilisés pour
l’exploitation de cette information, ou encore algorithme de classification utilisé, les incertitudes en
télédétection sont multiples. On les englobe généralement dans plusieurs grands « domaines », et que
l’on illustre chacun ci-dessous par un exemple.
2.3.3.1 Incertitudes au niveau des paramètres
L’un des premiers paramètres d’incertitude intervenant dans la chaine identifiée par Schott serait tout
d’abord la transformation des valeurs digitales en valeur de réflectance. Chaque image satellite
présente, de par ses propriétés intrinsèques, différents paramètres tels que la profondeur optique,
l’angle de prise de vue, la valeur de radiance, etc., chacun apportant son lot d’erreurs, si minimes
soient-elles, comme variable dans le modèle de transformation, créant ainsi de l’incertitude. Draper et
Smith (1998) précisent que la certitude relative des paramètres peut être vue comme un contraste entre
des intervalles de confiance pour une moyenne et des intervalles de prédiction pour des valeurs non
mesurées
2.3.3.2 Incertitudes par rapport aux modèles
Il s’agit de ce que Draper (1995) appelle les incertitudes « structurales », car relatives à la forme ou à
la structure du modèle, comme les résultats d’une classification effectuée avec un algorithme en
maximum likelyhood et de ceux d’une classification effectuée avec le plus proche voisin. L’incertitude
Rapport Fivel Master 2 TGAE – Année 2010-2011 Page 10