Gains :
- Capacité à expliquer comment les données satellitaires multispectrales, les combinaisons de bandes et les indices spectraux (NDVI, etc.) sont utilisés avec l'IA
- Possibilité de configurer un flux de travail de classification supervisé/non supervisé et de cartographie de la couverture terrestre avec prise en charge de l'IA
- Capacité à tester les résultats de la classification avec des critères de vérité terrain et de matrice d'erreurs/précision
La télédétection est la science qui consiste à mesurer la surface de la Terre sans contact physique, avec des capteurs installés sur des satellites ou des plates-formes aériennes. Une image satellite n'est pas réellement une photographie, mais un ensemble de couches de mesures enregistrées à plusieurs longueurs d'onde, et en combinant intelligemment ces couches, la couverture terrestre (forêt, eau, agriculture, construction) peut être cartographiée. Dans cette unité, nous expliquons comment l'intelligence artificielle accélère ce flux de travail, des données multispectrales à la classification de la couverture terrestre, et où le jugement d'un expert est indispensable. Principe : l’IA génère ou code la classification ; La précision de la carte est mesurée par l'ingénieur par une matrice indépendante de vérité terrain et d'erreur.
Termes de base. Une image multispectrale est une image enregistrée dans plusieurs bandes de longueurs d'onde (bleu, vert, rouge, proche infrarouge, etc.) ; chaque bande est une couche. Les données hyperspectrales sont beaucoup plus riches mais difficiles à traiter, contenant des dizaines à des centaines de bandes étroites. L'indice spectral est le nombre qui met en évidence un phénomène grâce à la combinaison mathématique de bandes ; le plus connu, le NDVI (Normalized Difference Vegetation Index), mesure la vigueur de la végétation verte en utilisant la différence entre le proche infrarouge et la bande rouge. La classification supervisée implique la formation du modèle avec des zones d'échantillon pré-étiquetées et la classification de l'image entière. La classification non supervisée consiste à regrouper les données sur la base de la similarité sans étiquettes et à les interpréter ultérieurement.
Le rôle de l'IA dans la télédétection
L’intelligence artificielle contribue dans ce domaine à trois niveaux :
- Sélection du flux de travail et de la méthode. "Quelles bandes, quel indice, quel classificateur conviennent à cette question ?" vous guide dans votre décision ; produit le squelette de code.
- Le classement lui-même. Les modèles modernes d’apprentissage profond classent des millions de pixels en classes de couverture terrestre ; Il s’agit du domaine de contribution moyenne à élevée dans lequel l’IA fait le vrai travail.
- Interprétation des résultats et reporting. Il transcrit les statistiques de classe, l'analyse des changements et le rapport d'exactitude en texte lisible.
Angle mort : le modèle dépend des données sur lesquelles il est formé et des exemples que vous fournissez. L'ombre des nuages et l'eau, le sol nu et le champ après la récolte, l'eau peu profonde et le sol humide se mélangent facilement. Ainsi, une carte de classification n’est pas vraie simplement parce qu’elle est jolie ; la précision doit être mesurée.
Astuce : Clarifiez votre question avant de commencer à classer. « Classer la couverture terrestre » est vague ; « Cartographier la perte de terres agricoles au profit de la construction entre 2020-2025 » détermine à la fois la classe fixée et le critère de vérification.
Étape par étape : une classification de la couverture terrestre
- Préparez les données et les bandes. Confirmez la couverture nuageuse de l'image, la date de prise de vue, la résolution (taille des pixels) et l'ordre des bandes. Différentes classes de changement de date/saison.
- Définissez l’ensemble de classes. Combien de classes, lesquelles (eau, forêt, agriculture, construction, terrain nu) ? Des classes moins nombreuses et plus distinctes sont plus fiables.
- Calculez les indices. Des indices tels que NDVI (plante), NDWI (eau) distinguent les classes ; devient une entrée dans le classificateur.
- Recueillir des échantillons de formation (pour supervisé). Échantillons de polygones confirmés par vérification du terrain pour chaque classe. La qualité de l'échantillon détermine l'exactitude.
- Classer et vérifier. Entraînez le modèle, puis créez une matrice d'erreurs avec des échantillons indépendants (non entraînés) et calculez la précision globale et le Kappa.
Matrice de vérité et d'erreur sur le terrain
L’exactitude d’une classification ne se mesure pas par le jugement visuel. La vérité terrain est constituée d'échantillons indépendants de classe réelle connue sur le terrain ou dans une source fiable à haute résolution. Avec ces exemples, une matrice de confusion est établie : on compte combien de fois chaque classe est correcte et combien de fois elle est confondue avec quelle classe. À partir de là, la précision globale (la proportion correctement classée) et le Kappa (une mesure de concordance qui corrige l'effet du hasard) sont calculés. De plus, la précision du producteur (la quantité capturée dans cette classe) et la précision de l'utilisateur (la fiabilité de cette classe) sont rapportées par classe.
Attention : Ne mesurez pas la précision avec les exemples que vous utilisez pour la formation. Si les mêmes exemples s’entraînent et testent, la précision devient artificiellement élevée ; C'est une illusion. Les échantillons de validation doivent être indépendants.
Trois mini-cases : en chiffres
Cas 1 — L'ombre d'un nuage a été confondue avec de l'eau. Dans une classification, lorsque le modèle qualifiait les ombres des nuages d'« eau », la superficie du lac s'étendait là où elle n'était pas réellement ; la précision de l'utilisateur sur la classe d'eau est tombée à 70 %. Lorsque l'indice NDWI et le masque nuageux ont été ajoutés, les interférences ombre/eau ont diminué et la précision de l'eau a augmenté jusqu'à plus de 90 %.
Cas 2 — Rapport récupéré par la vérité sur le terrain. Une étude d'inventaire agricole a rapporté une précision globale de 82 % de la classification initiale, mais cela a été mesuré à l'aide d'échantillons d'apprentissage. Après une nouvelle mesure avec 120 points de vérité terrain indépendants, la précision globale réelle était de 71 % ; L'agriculture et les terres dénudées interféraient sérieusement. Grâce à des exemples de formation supplémentaires, la classification a été améliorée et la précision augmentée à 84 %. Leçon : la précision est mesurée par un échantillon indépendant.
Cas 3 — Piège saisonnier. Lorsque les images prises à deux dates différentes (printemps et fin de l'été) étaient mélangées, les champs récoltés passaient dans la classe « sol nu » et la zone agricole semblait manquer à 15 %. Les résultats se sont améliorés lorsque les images ont été sélectionnées à partir de la même saison et que la cohérence phénologique a été obtenue.
Invite faible/Invite forte
Invite faible :
Classez cette image satellite.
Invite puissante :
Tâche : créer un workflow de classification de la couverture terrestre (incluant Python/rasterio + squelette de code scikit-learn).Contexte :- Capteur : 4 bandes (bleu, vert, rouge, NIR), résolution de 10 m- Classes : eau, forêt, agriculture, construction, sol nu- Objectif : carte actuelle de la couverture terrestre + rapport de précisionDemandes :1) Quels indices spectraux (NDVI, NDWI) ajouter et pourquoi écrire.2) Répertorier les étapes de classification supervisées ; Insistez sur le fait que les échantillons d'entraînement et de VALIDATION doivent être SÉPARÉS.3) Mettez la matrice d'erreur + la précision globale + le calcul Kappa dans le squelette du code.4) Notez les risques de confusion nuage/ombre et saison.
L'invite forte spécifie l'ensemble de classes, la résolution, la justification de l'index et la distinction de validation ; le résultat devient mesurable.
Quatre modèles copiables
1) Sélection méthode/index :
Quel indice spectral et méthode de classification recommanderiez-vous pour l'objectif [cible] et le capteur [bandes/résolution] ? Pour chaque choix, écrivez la justification et le risque potentiel de confusion (quelles classes sont similaires les unes aux autres).
2) Squelette du code de classification :
Écrire un cadre de classification supervisé avec Rasterio + scikit-learn : lecture de bande, calcul d'index, SÉPARATION des échantillons de formation/validation, classification, matrice d'erreurs et sortie de précision. Maintenir le CRS ; expliquer.
3) Configuration de l'évaluation de la précision :
Rédigez un plan pour évaluer l'exactitude de la classification : plan d'échantillonnage indépendant de la vérité sur le terrain, matrice d'erreurs, précision globale, Kappa, précision du producteur/utilisateur par classe. Expliquez ce que dit chaque métrique.
4) Diagnostic des interférences :
Interprétez la matrice d'erreur ci-dessous : quelles classes interfèrent les unes avec les autres, quelle est la raison spectrale/saisonnière possible, quelles données supplémentaires (index, masque, date) réduiraient la confusion ? Matrice : [matrice d'erreurs]
Comparaison des concepts de classification
notion
Signification
quand
supervisé
Formation avec exemple étiqueté
Les cours sont prédéterminés
Sans surveillance
Clustering sans étiquette
Découverte, pas d'exemples
NDVI
indice de vitalité des plantes
Séparation plante/nue/eau
NDWI
indice de l'eau
séparation des plans d'eau
Matrice d'erreur
Nombre vrai/faux
mesure de précision
kappa
Ajustement corrigé du hasard
Rapport de précision standard
Erreurs courantes
- Mesurer la précision avec des exemples de formation. Des tests non indépendants donnent une précision artificiellement élevée.
- Remettre la carte sans jamais en mesurer la précision. "Ça a l'air sympa" n'est pas une preuve d'exactitude.
- Sauter le masque nuage/ombre. L'ombre se mélange à l'eau, les nuages se mélangent à la neige/structure.
- Mélanger différentes images de saison/date. Les différences phénologiques déplacent les classes.
- Définir trop de classes similaires. Les classes indiscernables réduisent la précision.
- Ignorer la résolution. Les petits objets ne peuvent pas être classés s'ils sont plus petits qu'un seul pixel.
En résumé
En télédétection, l’IA accélère le flux de travail depuis les données multispectrales jusqu’à la cartographie de la couverture terrestre et peut prendre en charge une grande partie de la classification. Mais une carte de classification n'est utile que si sa précision est mesurée : il est courant de construire une matrice d'erreur avec des échantillons de vérité terrain indépendants et de calculer la précision globale et le Kappa. Les nuages/ombres, les variations saisonnières et les classes similaires sont des sources typiques d'interférence ; Gérez-les avec cohérence d’index, de masque et de date. Ne mélangez jamais les échantillons de formation et de validation.
Tâche de candidature
Sélectionnez une question sur la couverture terrestre (par exemple « carte des espaces verts urbains »). Notez l'ensemble de classes, les bandes et les indices que vous utiliserez (au moins NDVI). Demandez à l’IA de produire un flux de travail de classification supervisé ; assurez-vous que les échantillons de formation et de validation sont séparés et que la matrice d'erreur + le calcul Kappa est inclus dans le résultat. Faites ensuite une liste des « risques de confusion » : quelles sont les deux classes similaires et comment les différencier.
liste de contrôle
- [ ] J'ai gardé l'ensemble de la classe petit et distinctif.
- [ ] J'ai ajouté des indices spectraux (NDVI/NDWI) adaptés à cet effet.
- [ ] J'ai séparé les exemples de formation et de validation.
- [ ] J'ai vérifié la cohérence du masque nuage/ombre et des saisons.
- [ ] J'ai mesuré la précision avec une vérité terrain indépendante.
- [ ] J'ai signalé la matrice d'erreurs, la précision globale et Kappa.
- [ ] J'ai diagnostiqué et guéri les erreurs de classe.
- [ ] Je l'ai soumis à l'approbation d'un ingénieur quant à la précision de la carte pour l'utilisation prévue.