Le 17 mai 2018

Caractérisation de l’état de surface terrestre par une classification non supervisée à l’aide de la théorie de Dempster-Shafer et de Dezert-Smarandache : cas des surfaces végétalisées, aquatiques et minérales

Sié OUATTARA *

* enseignant-chercheur au DFR-GEE /Institut National Polytechnique Félix Houphouët-Boigny (INP-HB), Yamoussoukro, république de Côte d’Ivoire

Résumé :

Dans ce travail, nous proposons une démarche de classification non supervisée fondée sur la théorie de Dempster-Shafer (TDS) et la théorie de Dezert-Smarandache pour caractériser les surfaces végétalisées, aquatiques et minérales. A partir d’images satellitaires ASTER prétraités (géo-référencement, correction géométrique et reéchantillonnage à 15 m), des néo-canaux ont été produits par détermination des indices spectraux NDVI , MNDWI et NDBaI , considérés comme les sources d’informations pour la classification d’un pixel donné. Puis, il a été modélisé respectivement les formalismes de la DST et de la DSmT, et implémenté les algorithmes et codes réalisés sous l’environnement MATLAB.

Notre contribution réside dans la prise en compte des imperfections (imprécisions et incertitudes) liées aux informations des sources par l’utilisation de fonctions de masse fondées sur un modèle de support simple à distribution gaussienne afin de modéliser chaque élément focal indépendamment des autres et d’évaluer l’appartenance d’un pixel à une classe par rapport à la majorité des éléments représentant ladite classe.

Les résultats qui en découlent montrent que l’approche selon la DST est relativement satisfaisante pour la classification non supervisée des surfaces minérales et des surfaces aquatiques tandis qu’elle ne l’est pas pour les surfaces végétalisées selon tous les modèles proposés. Quant à la DSmT, elle présente des résultats satisfaisants pour tous les modèles proposés. Le modèle avec la contrainte d’intégrité d’exclusion EÇV Ç M= f a été retenu comme le meilleur modèle parce que présentant, outre un taux moyen de pixels bien classés de 93,34%, un taux de conformité (96,37%) avec le terrain supérieur à ceux des autres modèles implémentés.

Mots clés : Classification non supervisée, DST, DSmT, images satellitaires ASTER, NDVI, MNDWI, NDBaI, PCR5