Apprentissage de connaissances structurelles pour la classification automatique d’images satellitaires dans un environnement amazonien - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2013

Structural knowledge learning for automatic classification of satellites images in Amazonian environment

Apprentissage de connaissances structurelles pour la classification automatique d’images satellitaires dans un environnement amazonien

Résumé

Classical methods for satellite image analysis appear inadequate for the current bulky data flow. Thus, making the interpretation of such images automatic becomes crucial for the analysis and management of phenomena changing in time and space, observable by satellite. Consequently, this work aims to contribute to the dyna- mic land cover cartography from satellite images, by expressive and easily interpretable mechanisms, and by explicitly taking into account structural aspects of geographic information. It is part of the object-based image analysis framework, and assumes that it is possible to extract useful contextual knowledge from existing maps. Thus, a supervised parameterization method of an image segmentation algorithm is proposed, taking a seg- mentation derived from a land cover map as reference. Secondly, a supervised classification of geographical objects is presented. It combines machine learning by Inductive Logic Programming and the Multi-class Rule Set Intersection approach. Finally, prediction confidence indexes are defined to assist interpretation. These ap- proaches are applied to the French Guiana coastline cartography. The results demonstrate the feasibility of the segmentation parameterization, but also its variability as a function of the reference map classes and of the input data. Nevertheless, methodological developments allow to consider an operational implementation of such an approach. The results concerning the object supervised classification show that it is possible to induce expressive classification rules that convey consistent and structural information in a given application context and lead to reliable predictions, with overall accuracy and Kappa values equal to, respectively, 84.6% and 0.7. In conclusion, this work contributes to the automation of the dynamic cartography from remotely sensed images and proposes original and promising perspectives.
Les méthodes actuelles d'analyse et d'interprétation d'images satellitaires s'avèrent inadaptées au volume du flux actuel et futur des données. L'automatisation de l'interprétation contextuelle de ces images devient donc cruciale pour la caractérisation, le suivi, la modélisation et la prédiction des phénomènes observables par satellite et évoluant dans le temps et l'espace. Dans ce contexte, ce travail vise à contribuer à la cartographie dynamique de l'occupation/usage du sol à partir d'images satellitaires, par des mécanismes expressifs, facilement interprétables et faisant intervenir explicitement les aspects structurels de l'information géographique. Il s'inscrit dans le cadre de l'analyse d'images basée objet et fait l'hypothèse qu'il est possible d'extraire les connaissances contextuelles utiles à partir de cartes existantes. Ainsi, une méthode de paramétrage supervisé d'un algorithme de segmentation d'images, à partir d'une segmentation de référence fournie par une carte d'occupation du sol, est proposée. Dans un deuxième temps, une méthode de classification supervisée d'objets géographiques est présentée, combinant apprentissage automatique à partir de cartes, par Programmation Logique Inductive (PLI), et classement par l'approche Multi-class Rule Set Intersection (MRSI). Enfin, des indices de confiance de prédiction sont définis, facilitant l'interprétation et l'acceptabilité des résultats par l'utilisateur final. Ces approches sont évaluées et discutées dans deux contextes applicatifs relatifs à la cartographie de la bande côtière guyanaise. Les résultats démontrent la faisabilité du paramétrage de la segmentation, mais également la variabilité des valeurs optimales du paramètre en fonction des classes de la nomenclature de la carte de référence et des données d'entrée du processus de paramétrage. Des développements méthodologiques permettent cependant d'envisager une mise en oeuvre opérationnelle de la méthode. Les résultats de la classification supervisée montrent, quant à eux, qu'il est possible d'induire des règles de classification expressives, véhiculant des informations cohérentes et structurelles dans un contexte applicatif donné, et conduisant à des valeurs satisfaisantes de précision globale et de Kappa (respectivement 84,6% et 0,7). Ce travail de thèse contribue ainsi à l'automatisation de la cartographie dynamique à partir d'image de télédétection et propose des perspectives originales et prometteuses.
Fichier principal
Vignette du fichier
these.pdf (13.92 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-01133967 , version 1 (20-03-2015)

Identifiants

  • HAL Id : tel-01133967 , version 1

Citer

Meriam Bayoudh. Apprentissage de connaissances structurelles pour la classification automatique d’images satellitaires dans un environnement amazonien. Intelligence artificielle [cs.AI]. Université des Antilles et de la Guyane, 2013. Français. ⟨NNT : ⟩. ⟨tel-01133967⟩
690 Consultations
598 Téléchargements

Partager

Gmail Facebook X LinkedIn More