pages 162-195 - Réseaux de chercheurs | Télédétection
pages 162-195 - Réseaux de chercheurs | Télédétection
pages 162-195 - Réseaux de chercheurs | Télédétection
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1). Le premier module permet <strong>de</strong> représenter le contenu <strong>de</strong> l’image satellitale par <strong>de</strong>s modèles<br />
ontologiques. Cette modélisation prend en compte le type <strong>de</strong> capteur utilisé pour l’acquisition<br />
<strong>de</strong> l’image, l’ensemble <strong>de</strong>s objets et leurs primitives, les relations spatiales entre les objets, et<br />
les contraintes et les conditions figurant dans l’image.<br />
Nous proposons un processus automatisé permettant <strong>de</strong> générer ces modèles et les attacher<br />
aux images satellitales. En premier lieu, on segmente l’image en régions, puis on calcule leurs<br />
primitives (signature spectrale, forme, texture, etc.) et les relations spatiales entre eux, enfin,<br />
nous appliquons un algorithme d’apprentissage pour créer le modèle d’image.<br />
Le <strong>de</strong>uxième module permet <strong>de</strong> rechercher <strong>de</strong>s images similaires à partir d’une base <strong>de</strong><br />
modèles ontologique représentant les images satellitales. L’objectif <strong>de</strong> cette phase est<br />
d’exploiter les informations <strong>de</strong>s cas précé<strong>de</strong>nts afin <strong>de</strong> maximiser les connaissances sur les<br />
phénomènes naturels et leur impact sur les objets <strong>de</strong> la scène. Nous proposons que la<br />
recherche s’effectue en mesurant la similarité entre les modèles ontologiques associés aux<br />
images et non pas par les images eux même.<br />
Le troisième module exploite le résultat <strong>de</strong> l’étape précé<strong>de</strong>nte (requête enrichie d’un<br />
ensemble d’images similaires), et permet <strong>de</strong> déduire la susceptibilité <strong>de</strong>s images à un risque<br />
naturel donné, en opérant <strong>de</strong>s inférences sur ces connaissances.<br />
3. Résultats :<br />
L’érosion est la principale menace pesant sur la dégradation <strong>de</strong> sols et ses conséquences<br />
graves sur l’environnement, l’économie, etc. Nous proposons d’appliquer notre méthodologie<br />
pour traiter ce problème afin <strong>de</strong> prévenir les zones à risque contre l’érosion en Tunisie et plus<br />
particulièrement à la région du Kef. Nous avons conçu une base <strong>de</strong> connaissances contenant<br />
<strong>de</strong>s informations sur les objets <strong>de</strong> la zone (caractéristiques pédologique, couverture du sol,<br />
pente, etc.) et les connaissances sur le phénomène <strong>de</strong> l’érosion. Nous avons élaboré une base<br />
d’images satellitales issues <strong>de</strong> différents types <strong>de</strong> capteur (radar et optique), multi-datées et<br />
corrigées <strong>de</strong> différents effets perturbateurs (atmosphère, capteur et topographie), représentant<br />
la zone d’étu<strong>de</strong>. Ensuite, nous avons procédé à l’extraction <strong>de</strong>s connaissances <strong>de</strong>s images<br />
satellitales en appliquant <strong>de</strong>s algorithmes <strong>de</strong> segmentation (FCM et hiérarchique) et <strong>de</strong>s<br />
algorithmes d’apprentissage (Arbre <strong>de</strong> décision et SVM) permettant <strong>de</strong> générer <strong>de</strong>s<br />
annotations d’images afin <strong>de</strong> constituer la base <strong>de</strong> modèles. Nous avons utilisé le langage<br />
OWL-DL pour modéliser le contenu <strong>de</strong>s images et générer <strong>de</strong>s interprétations et <strong>de</strong>s<br />
déductions sur la susceptibilité <strong>de</strong>s images au risque d’érosion.<br />
Mots clés : Image satellite, représentation <strong>de</strong> connaissances, ontologie, érosion.<br />
169