scholarly journals Renforcement de la qualité d’information de l’occupation du sol par l’intégration de données satellitaires optiques et radar en support à la modélisation hydrologique

2018 ◽  
Vol 31 (3) ◽  
pp. 177-199
Author(s):  
Kim Huong Hoang ◽  
Monique Bernier ◽  
Sophie Duchesne ◽  
Minh Y Tran

Afin de suivre l’évolution de l’occupation du sol du bassin versant de la rivière Cau (nord du Vietnam), des images HRVIR 2 du satellite SPOT-4 ont été acquises fin novembre 2007 et début janvier 2008. Dans un premier temps, l’approche de classification hiérarchique avec le mode de classification « avec caractéristiques liées aux classes (class-related features) » a été développée et appliquée afin d’extraire sept classes d’occupation du sol pertinentes à la modélisation hydrologique, sans distinguer les rizières des autres types de culture. Cette approche a montré son efficacité, la précision globale de la classification étant de 91 %. Une diminution significative de la confusion entre les milieux urbains, les terres agricoles et les plantations a été remarquée par rapport à une classification antérieure d’une image LANDSAT-7 de 2003, dont la précision globale était de 78 %. Par la suite, afin de distinguer les rizières des autres types de culture, deux séries d’images du satellite RADARSAT-2 en bande-C (double polarisation et polarimétriques) ont été utilisées. Ces images ont été acquises de mai 2009 à mai 2010 et couvrent deux périodes de croissance du riz, soit la période de la principale récolte (saison traditionnelle du riz) et celle du printemps. Pour les images double polarisation, en mode standard (S5), une méthode de seuillage a été appliquée sur la variation temporelle du signal entre les images acquises en début de saison et celles à la mi-saison. Cette méthode a permis de détecter 74 % des rizières de la saison traditionnelle du riz et 63 % des rizières de la saison de riz du printemps, selon une comparaison avec des données statistiques de la province de Thai Nguyen. La précision globale de la classification obtenue, pour toutes les classes d’occupation du sol, est de 71 % pour la saison traditionnelle de riz et de 67 % pour la saison de riz du printemps. Pour les images polarimétriques, en mode fin (FQ21), la matrice de cohérence a été choisie pour identifier les rizières d’une zone hétérogène. La classification a été réalisée à l’aide de l’algorithme SVM (Support Vector Machine). Ces dernières informations ont ensuite été intégrées à la carte thématique dérivée d’images SPOT-4 pour obtenir la carte finale. Cette carte sert directement à la modélisation hydrologique. Les calculs des besoins en eau pour la culture du riz ont montré que les rizières prennent une grande proportion du débit total dans les deux sous-bassins versants utilisés en exemple. Ces calculs montrent l’importance de détecter les rizières si l’on souhaite réaliser des simulations hydrologiques réalistes sur le bassin versant de la rivière Cau et confirment une des hypothèses de nos travaux, qui est que l’identification des rizières sur la carte d’occupation du sol améliore les évaluations et prédictions liées au cycle hydrologique.

Author(s):  
Anis Gasmi ◽  
Antoine Masse ◽  
Danielle Ducrot

Le papier présente les résultats de l'étude de l'évolution spatiale et temporelle de l'occupation du sol dans le bassin de l'Oued Chiba (200 km2) situé au nord-est de la Tunisie. Cette analyse est basée sur une classification de données de télédétection (images Landsat TM des années 1992, 2011 et une image ASTER de l'année 2001) et de photos aériennes (des années 1962, 1974, 1984). La méthode de classification des images utilisées est un classifieur de type Support Vector Machine (SVM) avec noyau Gaussien.L'analyse de l'occupation des sols sur une période de 49 ans se traduit par une augmentation de l'espace agricole de 24 km2 en 1962 à 75 km2 en 2011. Ces changements d'occupation et d'utilisation du sol sont liés directement à la création du barrage de l'oued Chiba en 1963.


2019 ◽  
Vol 65 (No. 1) ◽  
pp. 18-26
Author(s):  
Sinan Bulut ◽  
Alkan Günlü ◽  
Sedat Keleş

The objective of this study is to estimate stand development stages (SDS) and stand crown closures (SCC) of forest using different classification methods (maximum likelihood, support vector machine: linear, polynomial, radial and sigmoid kernel functions and artificial neural network) based on satellite imagery of different resolution (Landsat 7 ETM+ and IKONOS). The results showed that SDS and SCC were estimated with Landsat 7 ETM+ image using the artificial neural network with a 0.83 and 0.78 kappa statistic value, and 92.57 and 89.77% overall accuracy assessments, respectively. On the other hand, SDS and SCC were predicted with IKONOS image using support vector machine (polynomial) method with a 0.94 and 0.88 kappa statistic value, and 95.95 and 91.17% overall accuracy assessments, respectively. Our results demonstrated that IKONOS satellite image and support vector machine (polynomial) method produced a better estimation of SDS and SCC as compared to Landsat 7 ETM+ and other supervised classification methods used in this study.


2020 ◽  
Author(s):  
V Vasilevska ◽  
K Schlaaf ◽  
H Dobrowolny ◽  
G Meyer-Lotz ◽  
HG Bernstein ◽  
...  

2019 ◽  
Vol 15 (2) ◽  
pp. 275-280
Author(s):  
Agus Setiyono ◽  
Hilman F Pardede

It is now common for a cellphone to receive spam messages. Great number of received messages making it difficult for human to classify those messages to Spam or no Spam.  One way to overcome this problem is to use Data Mining for automatic classifications. In this paper, we investigate various data mining techniques, named Support Vector Machine, Multinomial Naïve Bayes and Decision Tree for automatic spam detection. Our experimental results show that Support Vector Machine algorithm is the best algorithm over three evaluated algorithms. Support Vector Machine achieves 98.33%, while Multinomial Naïve Bayes achieves 98.13% and Decision Tree is at 97.10 % accuracy.


2011 ◽  
Vol 131 (8) ◽  
pp. 1495-1501
Author(s):  
Dongshik Kang ◽  
Masaki Higa ◽  
Hayao Miyagi ◽  
Ikugo Mitsui ◽  
Masanobu Fujita ◽  
...  

Author(s):  
Ryoichi ISAWA ◽  
Tao BAN ◽  
Shanqing GUO ◽  
Daisuke INOUE ◽  
Koji NAKAO

Sign in / Sign up

Export Citation Format

Share Document