ESA - Eduspace FR - Changement global - Présentation de la région de Bardia - Traitement des images

Changements côtiers

Déforestation

Parc National de Bardia Bassin du Congo Kameng-Sonitpur Le Kilimandjaro Rondonia Shillong et Guwahati

La Glace

Analyse des glaciers avec l'imagerie radar Antarctica 2003 Changement climatique et glaciers Retrait des glaciers dans les Alpes L'écoulement des masses glaciaires Surveillance des glaciers de l'Himalaya La télédétection de la glace et de la neige

Urbanisation

Córdoba Le Caire Katmandou L'Himalaya Vallée de Katmandou Lagos

Végétation

Aire de Conservation de l’Annapurna Perdus dans les Andes Zone de Conservation du Ngorongoro Delta intérieur du Niger Amérique du Sud

Présentation de la région de Bardia - Traitement des images - partie 5

Cet exercice est divisé en huit parties et nécessite l'utilisation de LEOWorks.

Classification des images multispectrales

Le but de cet exercice est de te familiariser avec les techniques de classification des images multispectrales et d’en savoir plus sur Bardia.

La classification numérique est une tâche relativement difficile qui nécessite une bonne connaissance de la région étudiée afin d’extraire des informations exactes. La classification des images multispectrales est une méthode utile et fiable permettant non seulement de générer des cartes thématiques, mais aussi de souligner les changements au fil du temps, comme la couverture du sol.

Nous allons procéder à des classifications dirigées et non dirigées.

Classification non dirigée

La classification non dirigée est une méthode relativement approximative. Dans une classification non dirigée, tous les pixels d’une image sont groupés en un nombre spécifique de classes, en fonction de la similarité de leurs valeurs de niveau de gris.

Si tu ne maîtrises pas complètement le logiciel LEOWorks, consulte les sections correspondantes du didacticiel et utilise le bouton Aide.

Ouvre le programme LEOWorks. Ouvre les images suivantes

Bardia_Landsat_2002_Band_1.tif
Bardia_Landsat_2002_Band_2.tif
Bardia_Landsat_2002_Band_3.tif
Bardia_Landsat_2002_Band_4.tif
Bardia_Landsat_2002_Band_5.tif
Bardia_Landsat_2002_Band_7.tif

Va dans Multivariate Analysis>Unsupervised Classification puis sélectionne toutes les images.
STape 10 dans le champ Nr. of Classes et 5 dans le champ Nr. of Iterations. Plus il y a d’itérations, mieux les classes similaires sont formées, mais le temps de traitement est plus long. Avec 5 itérations, l’opération peut prendre plusieurs minutes
Après apparition du résultat, applique Multivariate Analysis>Post classification filer>5x5. Ceci permettra de 'nettoyer' le résultat. Enregistre la nouvelle image sous le nom de Bardia_2002_unsupervised (TIF) dans le dossier 'Bardia'.

Ajoute une légende à l’image classée.
Va dans Image>Add Legend et sélectionne la première classe.
Dans la fenêtre 'Current Item', tape le type d’utilisation des sols de ton choix, comparé à 'Bardia_Landsat_2002_Band_453.tif'.
Essaie de donner un nom à chaque classe en comparant l’image classée avec l’image en fausses couleurs 'Bardia_Landsat_2002_Band_453.tif'. et avec le résultat de ton interprétation des 5 classes proposées (forêt, prairies, terres agricoles, fleuves et lits de fleuves) dans l’exercice de combinaison d’images multispectrales.
TIl y a 10 classes. Si différentes couleurs comprennent la même classe d’utilisation des sols, tu peux regrouper les classes en associant 2 classes ou plus (parmi les 10) à une même couleur.

1. Pourquoi les couleurs d’origine (la classe) des champs cultivés, des prairies et de la végétation dans les plaines d’inondation étaient très similaires? Quelle est ton explication?

Enregistre la classification sous le nom 'Bardia_Landsat_2002_unsup.tif' dans ton dossier 'Bardia'.