Applications Thématiques de la télédétection

Institut Agronomique et Vétérinaire Hassan II

Classification par réseaux de neurones sur le

logiciel ENVI

Réalisé par:
AITBENHAMOU Sanaa
Encadré par:
AHMAR Khaoula
Pr. EL GHOUAT
DOI Hiba
EL MOKHI Hanane

October 17, 2023

Classification par réseaux de neurones sur ENVI

REMERCIEMENT

Nous tenons à vous remercier pour votre accompagnement durant la réal-

isation de notre rapport sur "Classification par réseaux de neurones sur le
logiciel ENVI". Votre enseignement des Applications Thématiques de la
Télédétection a été précieux pour notre compréhension et notre mise en
pratique de cette technique de classification.
Votre patience, votre soutien et votre encouragement en cours nous ont per-
mis de comprendre les concepts complexes de la télédétection et de les
appliquer à notre projet. Nous sommes convaincus que les connaissances
que nous avons acquises grâce à vous seront utiles tout au long de nos car-
rières.
Nous vous remercions pour votre contribution précieuse à notre formation
et votre engagement envers notre réussite. Nous espérons que notre rap-
port reflète les enseignements que vous nous avez transmis avec passion et
dévouement.

1
Classification par réseaux de neurones sur ENVI

R ÉSUMÉ

Le domaine de l’intelligence artificielle évolue du jour en jour permettant

d’exécuter des tâches similaires au fonctionnement du cerveau humain. En
effet, les réseaux de neurones sont une des composantes importantes du
domaine de l’intelligence artificielle.
Cette étude évalue la contribution et l’apport des réseaux de neurones à
la classification des images satellitaires sentinel vis-à-vis des autres méth-
odes classiques probabilistes déjà existantes tout en étudiant leurs fonction-
nements. Ceci afin de mettre en comparaison les résultats obtenus qui nous
permettrons de voir de près les avantages de la méthode neuronale.
En effet , ces images satellitaires va être utilisées pour l’étude de barrage
Bin El Ouidane Et ceci pour comparer les réserves d’eau du barrage avec
les années précédentes pour mieux comprendre l’effet de la sécheresse sur
les réserves d’eau et les changements dans la couverture végétale
Mots clés : réseaux de neurones , classification, images satellitaires , Maxi-
mum de vraisemblance , Sentinel.

2
Classification par réseaux de neurones sur ENVI

Contents

1 Introduction 6

2 Problématique 6

3 Objectifs 6

4 Études Bibliographique 6
4.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.2 Réseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.1 Réseau de neurone biologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2.2 Différence entre le neurone artificielle et le neurone biologique . . . . . . . . . . . . . . . 10
4.2.3 Réseau de neurone artificielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3 Classification par réseau de neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

5 Méthodologie de l’étude 14
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.2 Zone d’étude:barrage de Bin el Ouidane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2.1 Généralitées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2.2 Situation géographique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.2.3 L’histoire et les objectifs du barrage : barrage de Bin el Ouidane. . . . . . . . . . . . . . . 16
5.2.4 Climat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3 Données et matériels utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3.1 Des Images satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3.2 Logiciel ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.4 Les modèles mathématiques et les algorithmes utilisée . . . . . . . . . . . . . . . . . . . . . . . 23
5.5 Traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.5.1 Choix des classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.5.2 Classification par réseau de neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.5.3 Classification par la méthode du maximum de vraisemblance . . . . . . . . . . . . . . . . 29

6 Analyse des résultats 30

6.1 Influence des paramètres du réseau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.2 Interprétation visuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.3 Interprétation par ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.3.1 Validation de la classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.3.2 Principe de Détection de changement par statistique . . . . . . . . . . . . . . . . . . . . 33
6.3.3 Tableau des statistiques de détection de changement . . . . . . . . . . . . . . . . . . . . 34

7 Étude comparative des résultats obtenues avec les autres résultats des méthodes convention-
nelles 35
7.1 Comparaison Qualitative et Quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.2 Comparaison par ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.2.1 comparaison des deux méthodes dans l’image en 2022 . . . . . . . . . . . . . . . . . . . 37
7.2.2 Comparaison des deux méthodes dans l’image en 2015 . . . . . . . . . . . . . . . . . . . 38
7.3 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

8 Application de la télédétection et du SIG dans le domaine choisi 40

8.1 Numérisation des diférentes polygone eau , végétation et sol dans les deux années 2015 , 2022 40
8.1.1 Importation des différent calques eau , sol et végétation des deux années 2015 et 2022 . 40
8.1.2 Application d’un masque binaire pour la séparation entre les zone de l’eau, de la végé-
tation et du sol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
8.1.3 Résultat de masque binaire de eau 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.1.4 Transformation du raster en polygone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.1.5 Résultat du véctorisation des polygone d’eau dans 2015 . . . . . . . . . . . . . . . . . . 42
8.1.6 Résultat d’isolation des polygones eau 2015 . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.2 Carte de Comparaison Entre les deux années 2015 et 2022 . . . . . . . . . . . . . . . . . . . . . 44
8.3 Différence de surface occupée par l’eau entre les années 2015 et 2022 . . . . . . . . . . . . . . 45
8.3.1 Reprojection de la carte dans le système conique conforme de Lambert Zone 1 . . . . . 45
8.3.2 Ajout une colonne des surfaces de polygone en mètre carrée . . . . . . . . . . . . . . . . 46

3
Classification par réseaux de neurones sur ENVI

9 Conclusion et recommandations 47

10 Liste des références 48

List of Figures
1 Classification d’une image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 La classification supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 La classification non supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 Organigramme de la classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Neurone biologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6 Neurone biologique Vs Neurone artificiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7 Schéma d’un PMC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
8 Principe de fonctionnement d’un neurone artificiel ayant n entrées. . . . . . . . . . . . . . . . . . 13
9 Schéma de classification par réseau de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . 13
10 Classification par réseau de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
11 Organigramme de la méthodologie générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
12 Organigramme de méthodologie de détection du changement . . . . . . . . . . . . . . . . . . . 15
13 Image Satellitaire de Barrage Bin el Ouidane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
14 Région de Béni Mellal-Khénifra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
15 Le diagramme ombrothermique de la région où se situe le barrage . . . . . . . . . . . . . . . . . 17
16 Satellite sentinel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
17 Création d’un nouveau fichier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
18 Création d’une polygone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
19 Code de masque des nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
20 Code de filtration d’image par date . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
21 Réduction des collections d’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
22 Code de visualisation d’image sur la map de google earth et l’exportation sur google drive . . . 19
23 visualisation d’image sur la map de google earth . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
24 L’exportation sur google drive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
25 Interface de logiciel ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
26 Barre de menu du logiciel ENVI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
27 Panneau latéral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
28 Liste des bandes dans l’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
29 Mode d’affichage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
30 Les couleurs cathodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
31 Display . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
32 La matrice de confusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
33 Les zones d’intérêts choisies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
34 Tableau représente les classes choisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
35 Le chemin de classification de réseau de neurone . . . . . . . . . . . . . . . . . . . . . . . . . . 27
36 Choix d’image a classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
37 Paramètre de classification par réseau de neurone . . . . . . . . . . . . . . . . . . . . . . . . . . 28
38 Résultat de la classification sur image de 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
39 Résultat de la classification sur image de 2022 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
40 Chemin de classification maximum vraissemblance . . . . . . . . . . . . . . . . . . . . . . . . . 29
41 Résultat de classifaction par maximum vraissemblance . . . . . . . . . . . . . . . . . . . . . . . 29
42 Résultat de classification par méthode de vraissemblance d’image de 2022 . . . . . . . . . . . . 30
43 Résultat de classification par maximum vraisemblance d’image de 2015 . . . . . . . . . . . . . . 30
44 Comparaison de la végétation entre l’image classifié et l’image d’origine . . . . . . . . . . . . . 31
45 Cas du rivière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
46 Cas du Barrage Bin el Ouidane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
47 La différence entre l’image classifié 2015 et 2022 de la Quantité d’eau du Barrage . . . . . . . . 32
48 Matrice de confusion issue de la classification par réseaux de neurones . . . . . . . . . . . . . . 33
49 Courbe de décroissance de l’erreur au cours de l’apprentissage du réseau de neurone . . . . . 33
50 tableau des statistiques de détection de changement . . . . . . . . . . . . . . . . . . . . . . . . . 34
51 Image de masque de l’Eau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
52 Image de masque de la végétation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
53 Image de masque de sol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
54 Comparaison des images obtenues par réseaux de neurones et par maximum de vraisemblance 36

4
Classification par réseaux de neurones sur ENVI

55 Tableau de détection du changement entre les deux méthodes sur L’image 2022 . . . . . . . . . 37
56 Détection du changement d’eau entre les deux méthodes sur L’image 2022 . . . . . . . . . . . . 37
57 Détection du changement de vegetation entre les deux méthodes sur L’image 2022 . . . . . . . 38
58 Détection du changement de sol entre les deux méthodes sur L’image 2022 . . . . . . . . . . . 38
59 Tableau de détection du changement entre les deux méthodes sur L’image 2015 . . . . . . . . . 38
60 Détection du changement d’eau entre les deux méthodes sur L’image 2015 . . . . . . . . . . . . 39
61 Détection du changement de vegetation entre les deux méthodes sur L’image 2015 . . . . . . . 39
62 Importation des différent calques eau , sol et végétation des deux années 2015 et 2022 . . . . . 40
63 Réalisation d’un masque binaire pour eau de l’année 2015 . . . . . . . . . . . . . . . . . . . . . 40
64 Résultat de masque binaire de eau 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
65 Transformation du masque binaire eau 2015 en polygone . . . . . . . . . . . . . . . . . . . . . . 41
66 Résultat du véctorisation des polygone d’eau dans 2015 . . . . . . . . . . . . . . . . . . . . . . . 42
67 Résultat d’isolation des polygones eau 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
68 Comparaison des surface de eau , végétation et sol entre l’année 2015 et 2022 . . . . . . . . . . 43
69 Carte de comparaison spatiale entre les zones occupées par eau en 2015 en rouge et les zones
occupées par eau en 2022 en bleu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
70 Carte de comparaison spatiale entre les zones occupées par la végétation en 2015 en rouge et
les zones occupées par la végétation en 2022 en bleu . . . . . . . . . . . . . . . . . . . . . . . . 44
71 carte de comparaison spatiale entre les zones occupées par le sol en 2015 en rouge et les
zones occupées par le sol en 2022 en bleu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
72 reprojecter la couche vecteur des polygone de l’eau depuis GCS-WGS-1984 vers PCCL zone 1 46
73 Calcul des surfaces des polygone d’eau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

List of Tables
1 Différence entre le neurone artificielle et le neurone biologique . . . . . . . . . . . . . . . . . . . 10
2 Tableau des caractéristiques des images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 Influence des paramètres du réseau sur la qualité de la classification. . . . . . . . . . . . . . . . 30
4 Comparaison entre la classification par les deux méthodes . . . . . . . . . . . . . . . . . . . . . 36
5 :Comparaison entre la méthode de maximum de vraisemblance et les réseaux de neurone . . . 37
6 Table comparatif des surfaces occupées par l’eau . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5
Classification par réseaux de neurones sur ENVI

1 Introduction
Notre cas d’étude se concentre sur l’utilisation des images satellite pour évaluer l’impact du développement du
Barrage Bin El Ouidane sur l’environnement et les communautés locales au Maroc. Ce barrage est situé dans
la région de Béni Mellal-Khénifra, au centre du Maroc. Il y a eu un développement important de barrages dans
les dernières décennies au Maroc, mais il y a des préoccupations quant à leur impact sur l’environnement et
les communautés locales. (Source: "Large Dams in Africa: Impacts and Challenges" by A. M. Kijazi, E. M. M.
Kago)
Nous sommes particulièrement intéressés par l’étude de ce barrage car les réserves ont été quasiment à sec
en 2021. La sécheresse est un phénomène récurrent au Maroc et cette situation a un impact considérable
sur l’environnement, les communautés locales et les activités économiques. Nous voulons utiliser des images
satellite pour comparer les réserves d’eau du barrage Bin El Ouidane avec les années précédentes afin de
mieux comprendre l’effet de la sécheresse sur les réserves d’eau et les changements dans la couverture végé-
tale.
Pour évaluer ces impacts, nous utiliserons la technique de classification pour classer les images satellite en
différentes catégories en fonction de leur contenu. La classification est une technique d’apprentissage au-
tomatique qui permet de classer des données en utilisant des modèles inspirés de la structure du cerveau
humain. (Source: "Neural Networks and Deep Learning: A Textbook" by Charu Aggarwal)
Pour mettre en œuvre cette classification, nous utiliserons le logiciel ENVI qui est un outil populaire pour
l’analyse d’images. ENVI permet de charger, traiter, visualiser et analyser des images satellite et peut égale-
ment être utilisé pour mettre en œuvre des réseaux de neurones pour classer des images satellite. (Source:
"ENVI User Guide" by Harris Geospatial)
En utilisant des images satellite et la classification par réseau de neurone dans ENVI, il est possible de
détecter les changements dans la couverture végétale autour du Barrage Bin El Ouidane pour évaluer son
impact environnemental. (Source: "Application of Artificial Neural Networks for Mapping Land Use and Land
Cover Change: A Comparative Study" by A. K. Singh, S. K. Singh) Cela peut également aider à planifier des
mesures de gestion pour minimiser les impacts négatifs et maximiser les avantages pour les communautés
locales. En utilisant cette approche, nous pouvons obtenir des informations détaillées sur les modifications de
l’environnement et les impacts sur les communautés locales causées par le développement de Barrages Bin
El Ouidane, ce qui est crucial pour la prise de décision pour la gestion durable des ressources en eau.

2 Problématique
La pénurie d’eau affecte véritablement tous les continents. Près d’un, deux milliards de personnes, soit près
d’un cinquième de la population mondiale. Ainsi La pénurie d’eau fait partie des problèmes principaux auxquels
de nombreuses sociétés et le monde dans son ensemble sont confrontés au XXIème siècle.

Pour cela Nous avons choisi de traiter ce phénomène par un cas d’étude du barrage Bin El Ouidane qui
est considéré comme un réservoir majeur de l’eau au Maroc.

Cette étude sera faite par classification de réseau neurone des deux images satellitaires dans deux années
différentes sur logiciel ENVI afin d’obtenir la quantité de pénurie d’eau.

3 Objectifs
L’objectif principal de ce travail est l’utilisation, l’exploitation et l’analyse des avantages de classification des im-
ages par réseaux de neurones en comparaison avec la classification par la méthode de maximum de vraisem-
blance.

4 Études Bibliographique
4.1 Classification
La classification des images consiste à répartir systématiquement l’ensemble des pixels similaires en des
classes selon des critères de similitudes. Elle est obtenue soit par l’interprétation visuelle ou par la classifica-
tion numérique.

6
Classification par réseaux de neurones sur ENVI

• Un analyste qui tente de classer les caractéristiques d’une image, utilise les éléments de l’interprétation
visuelle pour identifier des groupes homogènes de pixels qui représentent des classes intéressantes de
surfaces
• La classification numérique des images utilise l’information spectrale (c.à.d. des groupes de pixels qui
ont les mêmes caractéristiques) contenue dans les valeurs d’une ou de plusieurs bandes spectrales
pour classifier chaque pixel individuellement et lui correspondre à une classe d’information (catégories
d’intérêt que l’on tente d’identifier dans l’image). Ce type de classification est appelé reconnaissance de
regroupements spectraux.
Les deux façons de procéder ont pour but d’assigner une classe particulière ou thème à chacun des pixels
d’une image. La "nouvelle" image qui représente la classification est composée d’une mosaïque de pixels qui
appartiennent chacun à un thème particulier. Cette image est essentiellement une représentation thématique
de l’image originale.

Figure 1: Classification d’une image

Les méthodes de classification les plus communes peuvent être séparées en deux grandes catégories: les
méthodes de classification supervisée et les méthodes de classification non supervisée.
• La supervision dans la classification supervisée se présente presque toujours sous la forme d’un en-
semble de données de calibrage, qui consiste en un ensemble de polygones dont on sait (ou croit) qu ils
appartiennent à chaque classe.

Les informations numériques pour chacune des bandes et pour chaque pixel de ces ensembles sont
utilisées pour que l’ordinateur puisse définir les classes et ensuite reconnaître des régions aux pro-
priétés similaires à chaque classe. Ces ensembles forment des échantillons de données-tests.

Dans cette catégorie de classification, on trouve différents types de méthodes à utiliser comme la méth-
ode de la distance minimale, la méthode parallélépipède, et la méthode de maximum de vraisemblance.

Figure 2: La classification supervisée

7
Classification par réseaux de neurones sur ENVI

• La classification non supervisée consiste à laisser un algorithme diviser les pixels d’une image en des
classes spectrales, en combinant les valeurs de bandes que l’on retrouve fréquemment dans l’image.
Une fois ces groupes naturels identifiés, ils sont ensuite associés, par un analyste, à des classes
d’information utile en se basant généralement sur une analyse visuelle de l’emplacement de ces groupes
dans l’image. Des programmes appelés algorithmes de classification sont utilisés pour déterminer
les groupes statistiques naturels ou les structures des données. Les plus couramment utilisés sont
l’algorithme K-Means et l’algorithme ISODATA.

Figure 3: La classification non supervisée

On peut résumer l’ensemble des étapes de la classification dans l’organigramme suivant :

Figure 4: Organigramme de la classification

8
Classification par réseaux de neurones sur ENVI

4.2 Réseaux de neurones

Les réseaux de neurones sont des modèles de traitement de l’information inspirés de la structure du cerveau
humain. Ils ont été développés dans les années 1940 et 1950 par des chercheurs tels que Warren McCulloch
et Walter Pitts, qui ont proposé une théorie des réseaux formés de neurones artificiels connectés. (Source:
"Neural Networks and Deep Learning: A Textbook" by Charu Aggarwal)

Dans les années 1960 et 1970, des chercheurs tels que Frank Rosenblatt et Bernard Widrow ont développé
des algorithmes pour entraîner les réseaux de neurones, mais ces travaux ont été largement oubliés en raison
de la popularité croissante des ordinateurs traditionnels. (Source : "Neural Networks: A Systematic Introduc-
tion" by Raul Rojas)

Cependant, des avancées dans les traitement de donnée et de l’électronique ont permis un regain d’intérêt
pour les réseaux de neurones dans les années 80 (Source: "Deep Learning" by Yoshua Bengio, Ian Goodfel-
low and Aaron Courville).

En 1986, les travaux de Rumelhart, Hinton et Williams ont montré comment utiliser la descente de gradi-
ent pour entraîner des réseaux de neurones à plusieurs couches, ce qui a conduit à une amélioration de la
performance des réseaux de neurones dans de nombreuses tâches. (Source: "Deep Learning" by Yoshua
Bengio, Ian Goodfellow and Aaron Courville)

Actuellement, les réseaux de neurones profonds (également appelés réseaux de neurones à plusieurs couches)
sont utilisés pour résoudre des tâches complexes telles que la reconnaissance d’images, la compréhension
du langage naturel et même les jeux vidéo.(Source: "Deep Learning" by Yoshua Bengio, Ian Goodfellow and
Aaron Courville)

4.2.1 Réseau de neurone biologique

Le système nerveux est composé de milliards de cellules : c’est un réseau de neurones biologiques. En effet,
les neurones ne sont pas indépendants les uns des autres, ils établissent entre eux des liaisons et forment
des réseaux plus ou moins complexes.

Le neurone biologique est composé de trois parties principales :

• Le corps cellulaire composé du centre de contrôle traitant les informations reçues par les dendrites.

• Les dendrites sont les principaux fils conducteurs par lesquels transitent l’information venue de l’extérieur.

• L’axone est fil conducteur qui conduit le signal de sortie du corps cellulaire vers d’autres neurones.

9
Classification par réseaux de neurones sur ENVI

Figure 5: Neurone biologique

En résumé :

Les neurones biologiques disposent d’un centre de contrôle (appelé cellule somatique) faisant la somme
des informations recueillies par les dendrites. Ensuite, le centre de contrôle retourne un potentiel d’action
en suivant les règles suivantes :
• Si la somme en entrée ne dépasse pas le seuil d’excitation : pas de message nerveux via l’axone.
• Si la somme en entrée dépasse le seuil d’excitation : un message nerveux est émis via l’axone .

4.2.2 Différence entre le neurone artificielle et le neurone biologique

Neurones artificiels Neurones biologiques

Artificiels Naturels
Basé sur des équations mathématiques Basé sur des interactions physiques et
chimiques
Peuvent être conçus pour n’importe quelle La relation entrée-sortie dépend des propriétés
relation entrée-sortie physiques et chimiques
Peuvent fonctionner en parallèle Fonctionnent en serie
Peuvent être trainées Peuvent apprendre grâce à des processus tels
que le développement, l’apprentissage et
l’adaptation
Peuvent fonctionner dans n’importe quel Leur fonctionnement dépend de
environnement l’environnement physique et chimique
Équivalent des dendrites : entrées du Dendrites : fibres réceptives qui reçoivent les
neurone artificiel entrées d’autres neurones
Équivalent du corps cellulaire : processeur Corps cellulaire (soma) : traite les activations
qui intègre les entrées et génère la sortie entrantes et les convertit en activations de
Fonction d’activation sortie
Équivalent des axones : sorties du neurone Axones : fibres qui envoient l’activation à
artificiel d’autres neurones
Fonction rétrospective : obtenue en ajustant Fonction rétrospective : obtenue par des
par la comparaison des résultats obtenue par changements dans les propriétés physiques et
le neurone et les résultats prés définie par les chimiques du neurone biologique, tels que des
zones d’entraînement pour réajuster les poids changements dans la libération de
neurotransmetteurs ou la densité de
récepteurs

Table 1: Différence entre le neurone artificielle et le neurone biologique

10
Classification par réseaux de neurones sur ENVI

• Le lien entre les neurones biologiques et neurones artificiels

Procédons à une comparaison simple des étapes principales de l’algorithme du perceptron avec les élé-
ments constitutifs des neurones biologiques. Ce choix d’algorithme se justifie car il se rapproche au mieux du
fonctionnement des neurones biologiques :
• Les synapses/dendrites : pondération de chaque élément en entrée wi, xi
• Corps cellulaires : application d’une fonction d’activation f à la somme des entrées pondérées.
• Axone : sortie de notre modèle.
Le vocabulaire spécifique à cet algorithme est le suivant :
– Le vecteur w porte le nom de vecteur de poids (qui s’ajuste lors de l’entraînement).
– Le vecteur x porte le nom de vecteur d’entrée.
porte le nom de fonction d’activation.

Figure 6: Neurone biologique Vs Neurone artificiels

4.2.3 Réseau de neurone artificielle

Le réseaux neuronal artificiel est une technique de modélisation inspirée du système nerveux humain qui per-
met de résoudre et modéliser de nombreux systèmes environnementaux complexes en raison de ses avan-
tages tels que la simplicité, la fiabilité et la non linéarité .

4.2.3.1 Composants du réseau de neurones

Le réseau de neurones est composé des composants principaux suivants:
• Neurones: ensemble de fonctions

Chaque neurone artificiel est un processeur élémentaire. Il reçoit un nombre variable d’entrées en provenance
de neurones amonts. A chacune de ces entrées est associée un poids ( weight ) représentatif de la force de la
connexion. Chaque processeur élémentaire est doté d’une sortie unique, qui se ramifie ensuite pour alimenter
un nombre variable de neurones avals.
• Couches: groupement de neurones

Les couches (ou layers) contiennent des neurones et aident à faire circuler l’information. Il existe au moins
deux couches dans un réseau de neurones: la couche d’entrée (input layer) et la couche de sortie (output
layer). Les couches, autres que les couches d’entrée et de sortie, sont appelées les couches cachées (ou
hidden layers).
• Poids et biais: valeurs numériques

Les poids et biais sont des variables du modèle qui sont mises à jour pour améliorer la précision du réseau.
Un poids est appliqué à l’entrée de chacun des neurones pour calculer une donnée de sortie. Les biais
sont également des valeurs numériques qui sont ajoutées une fois que les poids sont appliqués aux valeurs
d’entrée. Les poids et les biais sont donc en quelque sorte des valeurs d’auto-apprentissage de nos réseaux
de neurones.

11
Classification par réseaux de neurones sur ENVI

4.2.3.2 Structures de réseaux de neurones

On fait appel a 2 différentes structures de réseaux de neurones artificiels en fonction de la méthode d’apprentissage
utilisée et de l’objectif recherché.
• Perceptron

La forme la plus simple de réseau neuronal artificiel était composée d’un seul neurone modifié par des
pondérations et doté d’une valeur seuil. Désormais, le terme « Perceptron » désigne aussi les réseaux à
propagation avant à couche unique.
• Perceptron multicouche

Un réseau composé de couches successives. Une couche est un ensemble de neurones n’ayant pas de
connexion entre eux. Une couche d’entrée lit les signaux entrant, un neurone par entrée , une couche en
sortie fournit la réponse du système.La couche d’entrée qui n’introduit aucune modification n’est pas compt-
abilisée.Une ou plusieurs couches cachées participent au transfert

Figure 7: Schéma d’un PMC

4.2.3.3 Fonctionnememt de réseaux de neurones

Au sein d’un réseau de neurones artificiels, le traitement de l’information suit toujours la même séquence:
les informations sont transmises sous la forme de signaux aux neurones de la couche d’entrée, où elles sont
traitées. À chaque neurone est attribué un « poids » particulier(entre 0 et 1 ), et donc une importance dif-
férente. Associé à la fonction dite de transfert, le poids permet de déterminer quelles informations peuvent
entrer dans le système.

À l’étape suivante, une fonction dite d’activation associée à une valeur seuil calculent et pondèrent la valeur de
sortie du neurone. En fonction de cette valeur, un nombre plus ou moins grand de neurones sont connectés
et activés.

Cette connexion et cette pondération dessinent un algorithme qui fait correspondre un résultat à chaque en-
trée. Chaque nouvelle itération permet d’ajuster la pondération et donc l’algorithme de façon à ce que le
réseau donne à chaque fois un résultat plus précis et fiable.

12
Classification par réseaux de neurones sur ENVI

Figure 8: Principe de fonctionnement d’un neurone artificiel ayant n entrées.

4.3 Classification par réseau de neurone

Les réseaux de neurones, comme la plupart des outils statistiques, peuvent également s’utiliser pour résoudre
des problématiques de classification, ainsi l’entrée des données possédons trois catégories affecte chacune
des entrées à l’une de ces trois classes.

L’information relative à l’appartenance des individus aux différentes classes est alors transmise à la variable
cible, donc on peut tirer de ceci que la classification des images par réseau de neurones est une méthode qui
introduit le principe de réseau de neurone artificielle, expliqué précédemment, dans le processus de classifi-
cation supervisé afin d’obtenir une image classifiée.

Dans un premier lieu, il faut choisir les paramètres du modèle de réseau de neurones à savoir le nombre de
couches cachées, le nombre de neurones au niveau de chaque couche, la nature de la fonction d’activation,
le moment d’apprentissage, et le seuil de l’erreur moyenne quadratique (RMS).

Ensuite, Le modèle de réseau de neurones choisi arbitrairement les poids des liaisons entre les différentes
couches du modèle,

Après, dans la phase d’activation, le réseau s’active et calcule le signal sortant pour chaque pixel intrant
de la zone d’entraînement.

Dans cette phase, le réseau procède à l’ajustement ou l’entraînement des poids en propageant les erreurs
dans le sens inverse (correction du poids pour chaque lien) par l’algorithme de rétro-propagation du gradient.

Et finalement, l’erreur quadratique moyenne sera calculée et comparée avec une valeur fixée par l’utilisateur.
Cela afin d’arrêter ou de procéder à une nouvelle itération, le réseau itèrera la procédure jusqu’à ce que le
critère d’erreur soit atteint.

Figure 9: Schéma de classification par réseau de neurones

Ainsi , l’organigramme suivant englobe les étapes d’une classification par réseau de neurones:

13
Classification par réseaux de neurones sur ENVI

Figure 10: Classification par réseau de neurones

5 Méthodologie de l’étude
5.1 Introduction
Dans le besoin de suivre la baisse de la retenue dans le barrage de Bin El Ouidane, Les cartes d’occupation du
sol viennent pour spécifier la distribution des détails dans la zone choisie et pour faire l’analyse de l’évolution
et des changements de couvertures du sol, dans notre cas, Il sert à déterminer le volume de remplissage du
bassin et le changement apparent en comparant entre les images de l’année 2015 et 2022.

Pour ce faire, on utilisera la classification par réseau de neurones qui s’inscrit dans le cadre de notre pro-
jet d’étude, et qui va être expliqué et détaillée dans les parties qui suive.

Pour mettre en exergue la valeur ajoutée du réseau de neurones dans ladite classification, On va aborder une
comparaison avec la classification classique de distance minimale, ce qui va nous servir comme un repère
dans l’analyse des résultats obtenus et de nous montrer les points forts et les points faibles de l’attribution de
l’intelligence artificielle dans le traitement des images satellitaires.

Par conséquent, La démarche de notre travail se devise en deux volets, l’une concerne l’évaluation de l’efficacité
du réseau de neurones dans la classification, et l’autre se focalise sur le suivi de l’évolution de la quantité d’eau
dans le bassin de Bin El Ouidane dans la périodes 2015-2022.

Pour résumer les étapes à suivre dans la réalisation de notre projet, nous avons illustré la méthodologie
générale par les organigrammes suivant :

14
Classification par réseaux de neurones sur ENVI

Figure 11: Organigramme de la méthodologie générale

Figure 12: Organigramme de méthodologie de détection du changement

5.2 Zone d’étude:barrage de Bin el Ouidane

5.2.1 Généralitées
Pour appliquer directement les outils de classification par réseau de neurones, nous prévoyons de sélectionner
une zone d’étude pour analyser et obtenir des résultats.

5.2.2 Situation géographique

Le Barrage Bin el Ouidane se trouve dans la région de Béni Mellal-Khénifra.Le barrage collecte l’eau des
rivières Ahnassal et Wadi Abid et se trouve à quelques kilomètres d’Ait Attab et à proximité de Ouazzoug,
dans la région Azilal en direction de Tadla Azilal.Il se monte à 132 mètres de hauteur et mesure 290 mètres de
large, avec une capacité de 1,5 milliard et demi de mètres carrés. Il est situé à environ 200 km au sud-est de
Casablanca, dans le nord-ouest du pays. Il se trouve sur la rivière Oum Er Rbia. La région est connue pour sa
diversité géographique, avec des montagnes, des vallées et des plaines. Le barrage est entouré de paysages

15
Classification par réseaux de neurones sur ENVI

naturels spectaculaires, notamment la chaîne de montagnes du Haut Atlas et les forêts d’arbres fruitiers de la
vallée de l’Oum Er Rbia.

Figure 13: Image Satellitaire de Barrage Bin el Ouidane

Figure 14: Région de Béni Mellal-Khénifra

5.2.3 L’histoire et les objectifs du barrage : barrage de Bin el Ouidane.

Le projet de construction du Barrage Bin el Ouidane a été lancé dans les années 1990, avec l’objectif de
produire de l’électricité pour le réseau national marocain et de fournir de l’eau pour l’irrigation des terres en
aval. Le barrage a été construit sur la rivière Oum Er Rbia, une rivière importante pour le développement
économique local.
La construction du barrage a commencé en 1948 et a été achevée en 1953. Il a été inauguré par le roi
du Maroc, Hassan II, en présence d’un grand nombre de dignitaires nationaux et internationaux. Le barrage
est équipé de trois turbines pour générer de l’électricité, avec une capacité totale de production d’environ 140
MW.
Depuis son inauguration, le Barrage Bin el Ouidane est devenu un important point d’infrastructure pour le
développement économique local et national. Il a fourni de l’électricité pour les villes et les villages environ-
nants, ainsi que pour les usines et les centres d’affaires. Il a également permis l’irrigation des terres agricoles,
ce qui a stimulé la croissance économique de la région.

16
Classification par réseaux de neurones sur ENVI

5.2.4 Climat
La région de Béni Mellal-Khénifra, a un climat semi-aride à continental. Le climat est caractérisé par des
hivers frais et humides avec des températures souvent en dessous de zéro, et des étés secs et chauds avec
des températures pouvant atteindre jusqu’à 40°C.
La région reçoit peu de précipitations en été, en raison de la proximité du désert, mais les précipitations
sont plus fréquentes en hiver, avec des tempêtes de neige dans les zones montagneuses. Les températures
diurnes peuvent varier considérablement, avec des écarts de plus de 20°C entre les températures minimales
et maximales.

Figure 15: Le diagramme ombrothermique de la région où se situe le barrage

• les diagrammes ombrothermiques de la région où se situe le barrage

5.3 Données et matériels utilisés

5.3.1 Des Images satellitaires
nous avons choisi le satellite sentinel-2 pour l’acquisition des images

• Satellite Sentinel-2

Figure 16: Satellite sentinel

17
Classification par réseaux de neurones sur ENVI

La mission Sentinel-2 fait partie du programme Copernicus de l’Union européenne pour L’observation de la
Terre. Sentinel-2 se compose de deux satellites jumeaux, Sentinel-2A (Lancé le 23 juin 2015) et Sentinel-2B
(lancé le 7 mars 2017).

Les deux satellites ont la même orbite, mais sont séparés de 180° pour une couverture et une transmission
des données optimales. Leurs données combinées sont utilisées dans le produit Digital Earth Africa Sentinel-2.

Chacun des deux satellites Sentinel-2 observera la totalité des terres émergées tous les dix jours, avec une
résolution de 10 m à 60 m, dans 16 bandes spectrales allant du visible au moyen infrarouge. À eux deux,
ils permettront des observations de toutes les terres émergées tous les cinq jours. En tenant compte de
l’ennuagement, il sera tout de même possible d’obtenir une donnée claire par mois sur la grande majorité
des terres. C’est cette capacité d’observation multi-temporelle qui constitue le véritable apport de la mission
Sentinel-2, même si les données des satellites Sentinel-2 offriront aussi aux utilisateurs une bonne richesse
spectrale

Dans ce projet, nous avons utilisé une image multi-spectrale de la zone d’étude acquise par le satellite sentinel
depuis google engine par un simple code qui est disponible sur bibliothèque google earth engine.

-Premièrement sur le site google earth engine, on a crée un nouveau repository puis un nouveau dossier.

Figure 17: Création d’un nouveau fichier

-Deuxièmement, on a crée une polygone qui limite notre zone d’étude

Figure 18: Création d’une polygone

-Troisièmement, on a introduit les codes suivants pour l’extraction d’image:

18
Classification par réseaux de neurones sur ENVI

Figure 19: Code de masque des nuages

Ce code est une introduction au masquage des nuages et des ombres des nuages dans les données de
réflectance de surface Sentinel-2 à l’aide de Earth Engine.

Figure 20: Code de filtration d’image par date

On a utilisé ce code pour filtrer l’image entre l’année 2021 et 2022

Figure 21: Réduction des collections d’image

Ce code permet de réduire une collection d’images en calculant la médiane de toutes les valeurs à chaque
pixel dans toutes les bandes correspondantes.

Figure 22: Code de visualisation d’image sur la map de google earth et l’exportation sur google drive

Le code numéro 5 permet de sélectionner la polygone qu’on trace sur la mappe, le et de visualiser l’image
sur la mappe avec les bandes visibles et le code numero 6 permet l’exportation de l’image vers notre espace
dans google drive.
Après on a cliquer sur run et on a obtenu les résultat suivant:

19
Classification par réseaux de neurones sur ENVI

Figure 23: visualisation d’image sur la map de google earth

Figure 24: L’exportation sur google drive

Et finalement on clique sur run sur la partie ’Tasks’ et l’image s’exporte automatiquement sur notre compte
drive.

Ces images présentent les caractéristiques suivantes :

Date d’acquisition 2022 et 2015

Bande 16
10m pour les bandes visible
résolution
20m pour les bande d’infrarouge
3 bandes pour visible ( B2,B3,B4)
Résolution spectral
1 bande pour proche infrarouge (B8)
4 bandes pour infrarouge moyen (B5,B6,B7,B8A)
Taille image 2547*1083
Datum WGS84

Table 2: Tableau des caractéristiques des images

Les images se représentent avec 16 bandes, mais on a besoin que de 8 bandes pour réaliser notre étude.

5.3.2 Logiciel ENVI

ENVI (Environnement for Visualizing Images) est un logiciel performant, complet et commercial de traitement
d’images de télédétection – optiques et radar.

Le logiciel permet d’établir toutes les méthodes de traitement d’images, de corrections géométriques, radio
métriques, le dé mixage radio métrique, la classification ainsi que la mise en page cartographique.

De plus, il est aussi important de signaler que le logiciel ENVI est conçu en langage IDL (Interactive Data
Langage – Research System), qui en le maitrisant, offre des moyens de programmation évoluée tel l’ajout
d’autres fonctionnalités à ENVI.

Nous avons utilisé ce logiciel dans le but de la classification des images par différentes méthodes, notam-
ment par réseaux de neurones et le maximum de vraisemblance.

20
Classification par réseaux de neurones sur ENVI

Figure 25: Interface de logiciel ENVI

L’interface de ce logiciel se compose de :

• Le viewer : visualisation des données géographiques. Cette visualisation peut être soit d’une seule im-
age, soit de plusieurs images à la fois avec des zoom différent. :

• Les barres de menu : accès aux fonctionnalités d’ENVI. :

• Le panneau latéral : résumé des images ouvertes :

• Barre de menu :

Figure 26: Barre de menu du logiciel ENVI

Cette barre s’organise comme suit :

• File : permet notamment d’ouvrir un fichier, d’accéder au Data Manager, d’accéder à des données sur
internet, de sauvegarder un fichier, de démarrer ENVI et de modifier vos préférences

• Basic Tools : permet de regrouper les bandes dans une seul image, donne des information statistique
(histogramme, statistique spatial. . . ), détecter le changement et effectuer des mesures sue les images.

• Classification : offrir des différentes méthodes de classification superviser (minimum distance, réseau de
neurone. . . ), Classification par arbre de décision . . . , ainsi le post classification qui contient la matrice de
confusion ...

• Transform : permet la transformation de RGB a HSV et HLS ainsi de calculer l’indice NDVI et le rapport
entre les bandes.

• Spectral : permet de détecter le changement, stress de végétation, détecter les anomalie et correction
atmosphérique. . . .

21
Classification par réseaux de neurones sur ENVI

• Map : permet la georeferenciation des images et la registration des images.

• Vector : permet l’ouverture, création et la classification des fichier vecteurs ainsi la conversion des fichier
ENVI a dxf.

• Topographic : permet l’ouverture des fichiers topographique et la création des modèles topographique.

• Window : permet d’ajouter des nouvelle fenêtre.

• Help : l’aide.

• Le panneau latéral :

Ce panneau comprend 4 parties :

Figure 27: Panneau latéral

• La première partie montre les diffèrent bandes dans l’image ainsi information cartographique

22
Classification par réseaux de neurones sur ENVI

Figure 28: Liste des bandes dans l’image

• 2eme partie permet de choisir type d’affichage soit au niveau de gris ou bien en RGB

Figure 29: Mode d’affichage

• 3eme partie permet de choisir les bandes a affiche en RGB dans le viewer

Figure 30: Les couleurs cathodiques

• 4eme partie contient les informations sur les dimensions d’image et permet l’affichage d’image sur le
viewer.

Figure 31: Display

5.4 Les modèles mathématiques et les algorithmes utilisée

• Algorithme de rétro-propagation de gradient

La rétropropagation du gradient de l’erreur (ou backpropagation) est l’algorithme d’apprentissage le plus

connu, Il est très adapté aux réseaux de neurones multicouches. Il permet d’estimer la correction à faire
pour un poids Wij défini entre deux neurones i et j. Cette correction permet de minimiser l’erreur au
carré Ep entre la sortie calculée par le réseau Sc,j et la sortie désirée Sc,j du neurone j. L’erreur Ep est
calculée pour chaque pixel ou valeur p appartenant au groupe d’apprentissage

1 X
Ep = · (Sd,j − Sc,j )2
2 j=1

23
Classification par réseaux de neurones sur ENVI

Pour minimiser l’erreur au cours de la phase d’apprentissage, la correction du poids est proportionnelle
à la dérivée de l’erreur Ep par rapport au poids

∂Ep
∆Wij (n + 1) = [η · δj · Si ] + [α · ∆Wij (n)] avec ∆Wij ≈ −
∂Wij

– δj = (Sd,j − Sc,j ) · f ′ (Ej ) si (j) appartient au niveau de sortie du réseau

– δj = f ′ (Ej ) · K δk · Wk si (j) appartient à un niveau caché du réseau
P

– η est le coefficient de proportionnalité qui représente le taux d’apprentissage

– n: indicateur du nombre d’itérations de la phase d’apprentissage
– α une constante appelée momentum qui reflète l’effet du changement du poids dans l’itération
précédente.

Cette équation représente la règle généralisée du delta. Cette règle permet de calculer pour chaque
vecteur de pixel, la correction ∆Wij à apporter au poids Wij entre deux neurones i et j. Le principe
de base de la procédure utilisée pour l’apprentissage nécessite des corrections faites par de petites
valeurs afin de garder une bonne décroissance de la fonction de minimisation. En effet, la réussite de
l’apprentissage est proportionnelle à la valeur choisie pour le taux d’apprentissage η. Les valeurs du taux
d’apprentissage η et du momentum α sont spécifiques pour chaque application.

• L’algorithme de Maximum de vraisemblance

La méthode de maximum de vraisemblance est une méthode de classification supervisée. Elle permet
d’attribuer chaque pixel à sa classe la plus probable, En se basant sur des lois probabilistes pour seg-
menter l’espace spectral en minimisant les risques d’erreurs.

Cette méthode s’inspire du théorème de Bayes, qui indique à posteriori la distribution P (i/X).
Avec:
P (X/i) · P (i)
P (i/X) =
P (X)

Où P (X / i) est la fonction de vraisemblance;

P (i) est l’information a priori, c’est-à-dire la probabilité que la classe i se produise dans la zone d’étude;
P (X) soit la probabilité que X est observé.

Le pixel x est attribué à la classe i suivant la règle : X ∈ i si P (i/X) > P (j/X) pour i ̸= j La méthode de
maximum de vraisemblance suppose de même que la distribution des données dans une classe donnée
suit une distribution gaussienne multi-variée . Il est alors préférable de définir la probabilité logarithmique.
• Indices de vérifications

Pour pouvoir évaluer nos résultats , On procède par l’utilisation de la matrice de confusion (Classifi-
cation –> Post Classification –> Confusion Matrix) où on peut juger la qualité la de précision à partir des
deux indicateurs : le coefficient kappa et la précision globale ;
Le calcul de ces deux indicateurs se base sur les résultats de la matrice de confusion (ou la matrice
d’erreur). Cette matrice peut être définie comme suit :

Figure 32: La matrice de confusion

24
Classification par réseaux de neurones sur ENVI

Avec Ci les classes présentes dans l’image

Nij est le nombre de pixels de la classe i qui sont attribués à la classe j
X
Ni = Nij
j
X
MJ = Nij
i

N est le nombre total des pixels.

D’où les indicateurs de qualité peuvent définie comme suit :

– Le coefficient kappa : est une mesure de précision qui exprime la réduction proportionnelle de l’errer
obtenue par une classification comparée à l’erreur obtenue par une classification complètement au
hasard .le coefficient kappa est toujours compris entre -1 et 1. Plus ce coefficient est proche de 1,
plus la classification est de bonne qualité. Il peut être défini de la manière suivante:
P P
pii − pi. · p.i
K= i P i
1 − i pi. · p.i

Où P
i Nii
pii =
N
Ni
pi. =
N
Mi
p.i =
N
– La précision globale (PG) : cet indicateur évalue le pourcentage des pixels qui sont bien classifiés.
Il est estimé en calculant le rapport du nombre de pixels qui sont attribués à la bonne classe par
rapport au nombre total des pixels. P
Nii
PG = i
N

5.5 Traitement
Dans cette partie nous allons essayer de réaliser la méthodologie de notre recherche. Pour se faire, nous
allons utiliser comme outil de travail le logiciel ENVI ainsi que l’image Sentinel déjà cités.

5.5.1 Choix des classes

La classification de notre image nécessite le choix d’un ensemble de classes que vont servir à établir une carte
d’occupation du sol détaillée et claire des éléments de la zone.
Nous constatons visuellement que notre image est composée de trois classes différentes :

• Eau : principale classe dans notre étude, regroupe toutes les surfaces recouvertes d’eau à la date
d’acquisition de l’image (Le Barrage Bin el Ouidane) .
• Sol nu : regroupe toutes les surfaces n’étant recouvertes d’aucune végétation à la date d’acquisition de
l’image.
• Végétation : regroupe les surfaces cultivées.

Après avoir défini les classes d’information et leurs localisations, nous essayons de délimiter les régions
d’intérêts de chaque classe dans le logiciel ENVI afin de définir les classes spectrales qui les représentent.

25
Classification par réseaux de neurones sur ENVI

Figure 33: Les zones d’intérêts choisies

Chaque région d’intérêts doit contenir un minimum de 30 pixels spectralement représentatif, ils sont représen-
tés sous forme de polygones spécifiés pour chaque classe. Dans notre cas, on a sélectionné 15 polygones
pour la classe de l’Eau et de végétation, et 18 pour le sol nu.

Figure 34: Tableau représente les classes choisis

Sur base des polygones ainsi définis, l’extraction automatique des valeurs de pixels contenues à l’intérieur
des polygones et le calcul de leur moyenne et écart-type produiront la signature spectrale de chaque classe à
partir des bandes choisies de l’image.

Remarque
Dans le choix des classes , on a trouvé une difficulté de distingué entre les bâtiment et le sol vu la faible réso-
lution de l’image (10m) et la faible densification dans la zone, cela nous impose à fusionné les deux classes,
aussi que les bâtiment reflète une brillance dans l’image qui se permet au logiciel de les considérer comme
des zones de faibles quantité d’eau .

5.5.2 Classification par réseau de neurone

• Démarche :

La procédure à suivre pour classifier l’image est comme suit :

-Ouvrir l’image à l’aide de l’icône File sur la barre de menu

-Crée les zones d’entraînements
-Passer à l’icône Classification sur la barre de menu
-Sélectionné l’option Supervisé Neural Net

26
Classification par réseaux de neurones sur ENVI

Figure 35: Le chemin de classification de réseau de neurone

- La boîte de dialogue Classification Input File s’affiche pour sélectionner l’image d’entrée

Figure 36: Choix d’image a classifier

- La boîte de dialogue Neural Net Parameters s’affiche pour entrer les paramètres souhaités

27
Classification par réseaux de neurones sur ENVI

Figure 37: Paramètre de classification par réseau de neurone

Dans la boîte ci-dessus, on ajoute les changements suivants :

Nombre de couches cachées = 2
Nombre d’itérations maximum = 600
L’erreur maximum RMS = 0.01 Si la RMS calculée durant le processus passe en-dessous du seuil fixé, le
processus s’arrête (même si le nombre d’itérations n’est pas atteint).
On a laissé les autres paramètres en valeur par défaut,puis on a choisi le chemin d’image sortie

• Résultats:

La démarche ci dessus a été utiliser pour image satellitaire de 2015 et de 2022 et nous avons obtenu le résultat
suivant :

Figure 38: Résultat de la classification sur image de 2015

28
Classification par réseaux de neurones sur ENVI

Figure 39: Résultat de la classification sur image de 2022

5.5.3 Classification par la méthode du maximum de vraisemblance

• Démarche :

Nous avons utilisée les mêmes zones d’entrée dans classification par réseau de neurone.
on a effectuée les mêmes étapes de classification de réseau de neurone sauf on a sélectionné maximun
likehood au lieu de neural net.

Figure 40: Chemin de classification maximum vraissemblance

on a laissé le programme paramétré par défaut en sélectionnant toutes les régions d’intérêts comme le
montre la figure suivante.

Figure 41: Résultat de classifaction par maximum vraissemblance

29
Classification par réseaux de neurones sur ENVI

• Résultats :

Figure 42: Résultat de classification par méthode de vraissemblance d’image de 2022

Figure 43: Résultat de classification par maximum vraisemblance d’image de 2015

6 Analyse des résultats

6.1 Influence des paramètres du réseau
Pour étudié l’influence de chaque paramètre dans la classification neuronale, on procède par la variation d’un
seul et la fixation des autres, dans le tableau suivant, on a agi sur le nombre de couches cachées (NCC), et le
RMS avec un nombre d’itération fixe de 600.

Essai NCC RMS Précision Kappa

1 1 0.01 96.02 0.94
2 2 0.01 94.00 0.91
3 1 0.1 95.22 0.93

Table 3: Influence des paramètres du réseau sur la qualité de la classification.

D’après ce tableau, il est clair que les précisions de classification dépendent de l’architecture des modèles
neuronaux et des paramètres choisis à l’apprentissage. L’augmentation du nombre de couche cachée (de 1 à
2) n’améliore pas la précision de la classification, mais augmente plutôt le temps de calcul, donc le nombre de
couches cachées à un effet minime sur la performance du réseau. Ainsi, l’RMS de 0,01 donne des résultats
meilleurs qu’avec un RMS 0,1. En effet, le choix de RMS signifie la précision qu’on souhaite avoir au final de
la classification, ce qui veut dire que plus il est faible, plus la précision est meilleur, dans ce cas, on aura une
seul contrainte, c’est que si on n’a pas atteint l’RMS voulus avant la terminaison du nombre d’itération choisis,
l’algorithme s’arrête avec une précision plus faible que celle définie au départ, cela indique le rôle de nombre
d’itération dans la résolution du système.

30
Classification par réseaux de neurones sur ENVI

6.2 Interprétation visuelle

En comparant l’image classifiée avec la réalité du terrain, Les classes de la végétation en vert et du sol en jaune
sont bien représenté selon l’image d’origine, Il ne représente aucun biais, même les zones qui représente des
végétations dispersés sont distinguable.

Figure 44: Comparaison de la végétation entre l’image classifié et l’image d’origine

Alors que la classe d’eau en bleu , il a crée des anomalies au niveau des zones qui présente des quantités
d’eau plus faible comme la rivière et pour une grande quantité d’eau la classification est fine et meilleur(Cas
du Barrage Bin el Ouidane ).

Figure 45: Cas du rivière

31
Classification par réseaux de neurones sur ENVI

Figure 46: Cas du Barrage Bin el Ouidane

En ce qui concerne les deux images classifiées de 2015 et 2022, on remarque une déficit importante
d’eau, et ceci montre l’impact de la sécheresse sur les réserves d’eau dans la région dans les dernières
décennies au Maroc.En effet, la région a reçu peu de précipitations dans ces dernières années chose qui
influence négativement sur les cultures des agriculteurs locaux , ainsi la population voisine qui souffre du
manque d’eau.

Figure 47: La différence entre l’image classifié 2015 et 2022 de la Quantité d’eau du Barrage

32
Classification par réseaux de neurones sur ENVI

6.3 Interprétation par ENVI

6.3.1 Validation de la classification
L’évaluation de la performance du réseau à la classification d’images consiste à établir la matrice d’erreur et
à calculer la précision globale ainsi que l’indice Kappa de la classification neuronale obtenue sur la base des
données de contrôle.

La validation statistique de l’image 2022 donne une précision globale de 95.22 % et le coefficient de Kappa
est de 0,92.

L’analyse de la matrice de confusion montre que pour certaines classes thématiques, la discrimination ef-
fectuée par les réseaux de neurones est très bonne ( sol, végétation )alors que pour d’autres ( l’eau ), il y a
des confusions à cause des réponses radiométriques qui sont proches ( la diminution de l’eau dans certains
zones présente une faible séparabilité entre les valeurs radiométriques de sol et de l’eau ce qui signifie que le
degré d’appartenance des pixels à la classe de l‘eau est de 83 %
La classification est donc jugée satisfaisante.

Figure 48: Matrice de confusion issue de la classification par réseaux de neurones

La courbe d’erreur constitue aussi un critère important dans la validation de la classification par réseau de
neurones. En effet, l’objectif de la méthode de rétro-propagation d’erreur étant de minimiser l’erreur entre la
sortie calculée et celle désirée au cours de l’apprentissage, cette courbe devrait avoir une tendance décrois-
sante et sans oscillations. Sur la courbe (figure (52) obtenue, la tendance décroissante est observée bien que
quelques oscillations s’y observent ; l’allure attendue est obtenue ; preuve que la classification s’est déroulée
avec succès.

Figure 49: Courbe de décroissance de l’erreur au cours de l’apprentissage du réseau de neurone

6.3.2 Principe de Détection de changement par statistique

Les statistiques de détection des changements compile un tableau détaillé des changements entre deux im-
ages de classification.

Les changements détectés à l’aide de ce principe diffèrent significativement d’une simple différenciation des
deux images.

33
Classification par réseaux de neurones sur ENVI

Bien que le rapport statistique inclue une différence d’image de classe à classe, l’analyse se concentre prin-
cipalement sur les changements de classification de l’état initial ; c’est-à-dire que pour chaque classe d’état
initial, l’analyse identifie les classes dans lesquelles ces pixels ont changé dans l’image d’état final.

ENVI Classic peut signaler les modifications sous forme de nombre de pixels , de pourcentages et de
zones. De plus, vous pouvez produire un type spécial d’image de masque (masques de classification) qui
fournit un contexte spatial pour le rapport tabulaire.

Les masques de classe sont des images de classification ENVI Classic avec des couleurs de classe cor-
respondant à l’image de l’état final, ce qui permet d’identifier facilement non seulement où les changements
se sont produits, mais aussi la classe dans laquelle les pixels ont changé.

6.3.3 Tableau des statistiques de détection de changement

Figure 50: tableau des statistiques de détection de changement

• Le tableau de statistiques représente les classes d’état initial(image classifier de l’année 2015) dans les
colonnes et les classes d’état final dans les lignes(image classifier de l’année 2022).

Cependant, les colonnes n’incluent que les classes d’état initiales sélectionnées (appariées), tandis que
les lignes contiennent toutes les classes d’état final. Ceci est nécessaire pour une comptabilisation com-
plète de la distribution des pixels qui ont changé de classe. Pour chaque classe d’état initial (c’est-à-dire
chaque colonne), le tableau indique comment ces pixels ont été classés dans l’image d’état final.

Figure 51: Image de masque de l’Eau

• On remarque que les pixels initialement classifiée dans 2015 comme Eau ( la première colonne du
tableau) on était transformer dans l’image classifiée 2022 en 40.8% de sol qui est afficheen jaune sur
l’image ci-dessus et 0.4% de végétation qui est affiche en vert sur l’image ci-dessus avec 58.7% qui a
resté constante dans les deux images.

• On constate une forte réduction de volume (41% ) d’eau entre les années de 2015 et 2022.

34
Classification par réseaux de neurones sur ENVI

Figure 52: Image de masque de la végétation

• On remarque que les pixels initialement classifiées dans 2015 comme végétation ( la deuxième colonne
du tableau) on était transformer dans l’image classifiée 2022 en 14.44% de sol qui est affiche en jaune
sur l’image ci-dessus et 0.02% de l’eau qui est affiche en bleu sur l’image ci-dessus avec 85.53% qui a
resté constante dans les deux images.
• il est constate une diminution de couverture végétale(14%) entre les années de 2015 et 2022.

Figure 53: Image de masque de sol

• On remarque que les pixels initialement classifiée dans 2015 comme sol ( la troisieme colonne du
tableau) on était transformer dans l’image classifiée 2022 en 0.02% de l’eau qui est affiche en bleu
sur l’image ci-dessus et 2.96% de végétation qui est affiche en vert sur l’image ci-dessus avec 96.801%
qui a resté constante dans les deux images.
• On constate une augmentation de la superficie de sol (16%) entre les années de 2015 et 2022.

7 Étude comparative des résultats obtenues avec les autres ré-

sultats des méthodes conventionnelles
7.1 Comparaison Qualitative et Quantitative
Afin de mettre en évidence l’apport des réseaux de neurones, une comparaison a été faite avec le maximum de
vraisemblance qui est de loin, la méthode de classification la plus utilisée dans la littérature. Cette comparaison

35
Classification par réseaux de neurones sur ENVI

a concerné à la fois les cartes d’occupation de sols obtenus ,la matrice de confusion , et les précisions qui en
découlent. Pour la suite de cette partie , on aborde la comparaison par l’image de 2022

(a) Images classifié par réseaux de neurones

(b) Images classifié par maximum de vraisemblance

Figure 54: Comparaison des images obtenues par réseaux de neurones et par maximum de vraisem-
blance

A l’œil nu, l’image (a) est plus fluide et homogène que l’image (b) (figure 57) qui semble être un peu
bruitée. D’autre part, en les comparant avec l’image réelle d’origine, on ne peut pas nier que la méthode de
maximum de vraisemblance a donnée de bons résultats, mais la méthode des réseaux de neurones a donné
des résultats meilleurs.
Nous pouvons à titre d’exemple remarquer le problème de l’eau qui ne figure pas dans la première image
alors qu’en origine, il se trouve une rivière , chose qui a été bien illustré dans l’image classifie par réseau de
neurones ( Voir table 2).

MDV Image d’origine RN

Table 4: Comparaison entre la classification par les deux méthodes

En ce qui concerne la classe végétation, la méthode de RN a donné cette fois-ci des résultats meilleurs
que la classification par MDV , Ceci est probablement dû à la ressemblance de la valeur spectrale des ombres
des arbres et de Sol.
La comparaison des résultats obtenus montre une supériorité des réseaux de neurones dans la classifica-
tion de la plupart des unités d’occupation de sol.

Statistiquement, l’image classifiée par réseaux de neurones est meilleure que l’image classifiée par la méth-
ode de maximum de vraisemblance. En effet,les réseaux de neurones donnent des valeurs supérieures de
précision globale et de Kappa par rapport au maximum de vraisemblance ( Voir table 3).

36
Classification par réseaux de neurones sur ENVI

MDV RN
Coefficient Kappa 0.82 0,92
Précision globale 88 % 95.22 %

Table 5: :Comparaison entre la méthode de maximum de vraisemblance et les réseaux de neurone

7.2 Comparaison par ENVI

7.2.1 comparaison des deux méthodes dans l’image en 2022

Figure 55: Tableau de détection du changement entre les deux méthodes sur L’image 2022

• Le tableau de statistiques représente les classes d’état initial(image classifier par réseau de neurone de
l’année 2022 ) dans les colonnes et les classes d’état final dans les lignes (image classifier par maximum
de vraisemblance de l’année 2022)
• On remarque que les pixels initialement classifiée par réseau de neurone comme Eau ( la première
colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance en
16.64% de sol qui est affiche en jaune sur l’image ci-dessous et 2.75% de végétation qui est affiche en
vert sur l’image ci-dessous avec 54.50% qui a resté constante dans les deux images et 26.09% de non
classifier.

Figure 56: Détection du changement d’eau entre les deux méthodes sur L’image 2022

• On remarque que les pixels initialement classifiées par reseau de neurone comme végétation ( la deux-
ième colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance
en 19.19% de sol qui est affiche en jaune sur l’image ci-desosus et 80.80% qui a resté constante dans
les deux images.

37
Classification par réseaux de neurones sur ENVI

Figure 57: Détection du changement de vegetation entre les deux méthodes sur L’image 2022

• On remarque que les pixels initialement classifiées par reseau de neurone comme sol ( la troisieme
colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance en
2.39% de vegetation qui est affiche en vert sur l’image ci-dessous et 97.60% qui a resté constante dans
les deux images.

Figure 58: Détection du changement de sol entre les deux méthodes sur L’image 2022

7.2.2 Comparaison des deux méthodes dans l’image en 2015

Figure 59: Tableau de détection du changement entre les deux méthodes sur L’image 2015

• Le tableau de statistiques représente les classes d’état initial(image classifier par réseau de neurone de
l’année 2015) dans les colonnes et les classes d’état final dans les lignes (image classifier par maximum
de vraisemblance de l’année 2015)
• On remarque que les pixels initialement classifiée par reseau de neurone comme Eau ( la première
colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance en
8.05% de sol qui est affiche en jaune sur l’image ci-dessous et 0.651% de végétation qui est affiche en

38
Classification par réseaux de neurones sur ENVI

vert sur l’image ci-dessous avec 75.22% qui a resté constante dans les deux images et 16.077% de non
classifier.

Figure 60: Détection du changement d’eau entre les deux méthodes sur L’image 2015

• On remarque que les pixels initialement classifiées par reseau de neurone comme végétation ( la deux-
ième colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance
en 64.125% de sol qui est affiche en jaune sur l’image ci-dessous et 35.865% qui a resté constante dans
les deux images.

Figure 61: Détection du changement de vegetation entre les deux méthodes sur L’image 2015

• On remarque que les pixels initialement classifiées par reseau de neurone comme sol ( la troisième
colonne du tableau) on était transformer dans l’image classifiée par le maximum de vraisemblance en
0.329% de l’eau, 0.11% de vegetation et 99.56% qui a resté constante dans les deux images.

7.3 Remarque
Pour les avantages des réseaux de neurones, nous pouvons citer :
• Apprentissage automatique des poids
• Bonne approximation.
Par contre, les réseaux de neurones présentent quelques inconvénients :
• Les algorithmes d’apprentissage consomment un temps de calcul considérable.
On conclut que la classification par réseau de neurone est plus efficace que le maximum vraisemblance.

39
Classification par réseaux de neurones sur ENVI

8 Application de la télédétection et du SIG dans le domaine

choisi
8.1 Numérisation des diférentes polygone eau , végétation et sol dans les
deux années 2015 , 2022

8.1.1 Importation des différent calques eau , sol et végétation des deux années 2015
et 2022

Figure 62: Importation des différent calques eau , sol et végétation des deux années 2015 et 2022

8.1.2 Application d’un masque binaire pour la séparation entre les zone de l’eau, de la
végétation et du sol

Figure 63: Réalisation d’un masque binaire pour eau de l’année 2015

40
Classification par réseaux de neurones sur ENVI

• On a choisit les pixels dont la valeur radiométrique est inférieure à 30 , pour représenter les surfaces
occuper par eau .

8.1.3 Résultat de masque binaire de eau 2015

Figure 64: Résultat de masque binaire de eau 2015

• On remarque que la masque binaire à transformer l’image raster d’un gradient des valeur radiométrique
à un masque binaire

8.1.4 Transformation du raster en polygone

Figure 65: Transformation du masque binaire eau 2015 en polygone

41
Classification par réseaux de neurones sur ENVI

8.1.5 Résultat du véctorisation des polygone d’eau dans 2015

Figure 66: Résultat du véctorisation des polygone d’eau dans 2015

8.1.6 Résultat d’isolation des polygones eau 2015

Figure 67: Résultat d’isolation des polygones eau 2015

• On refait le même processus de transformation pour les autres cinq image raster pour touver
– P OLYGONE D ’ EAU 2015
– P OLYGONE D ’ EAU 2022
– P OLYGONE DE VÉGÉTATION 2015
– P OLYGONE DE VÉGÉTATION 2022
– P OLYGONE DE SOL 2015
– P OLYGONE DE SOL 2022
Les résultats seront les suivants :

42
Classification par réseaux de neurones sur ENVI

(a) Polygone d’eau en 2022 (b) Polygone d’eau en 2015

(c) Polygone végétation en 2022 (d) Polygone végétation en 2015

(e) Polygone de sol en 2022 (f) Polygone de sol en 2015

Figure 68: Comparaison des surface de eau , végétation et sol entre l’année 2015 et 2022

43
Classification par réseaux de neurones sur ENVI

8.2 Carte de Comparaison Entre les deux années 2015 et 2022

Figure 69: Carte de comparaison spatiale entre les zones occupées par eau en 2015 en rouge et les
zones occupées par eau en 2022 en bleu

• La réduction de la surface d’eau entre 2015 hachurée en rouge et 2022 hachurée en bleu indique que le
Barrage Bin El Ouidane a subi une baisse significative pendant cette période, en raison de la sécheresse.

Figure 70: Carte de comparaison spatiale entre les zones occupées par la végétation en 2015 en
rouge et les zones occupées par la végétation en 2022 en bleu

44
Classification par réseaux de neurones sur ENVI

• On remarque une baisse de la couverture végétale entre 2015 et 2022 dans la région du barrage Bin El
Ouidane en raison du phénomène.

Figure 71: carte de comparaison spatiale entre les zones occupées par le sol en 2015 en rouge et les
zones occupées par le sol en 2022 en bleu

• Il y a une forte augmentation de la surface du sol entre 2015 (représentée par des hachures rouges) et
2022 (représentée par des hachures bleues) en raison de la disparition de l’eau dans le barrage Bin El
Ouidane et de la réduction de la couverture végétale.

8.3 Différence de surface occupée par l’eau entre les années 2015 et 2022
8.3.1 Reprojection de la carte dans le système conique conforme de Lambert Zone 1
pour avoir le calcul des surfaces précise , on a recours au changement de système de projection pour trouver
la surface en mètre carré.

45
Classification par réseaux de neurones sur ENVI

Figure 72: reprojecter la couche vecteur des polygone de l’eau depuis GCS-WGS-1984 vers PCCL
zone 1

• On choisi la couche dont laquelle on veut changer le système de projection.

• on choisi l’emplacement de la couche de sortie .
• on choisi le système de projection de la couche de sortie Conique conforme de Lambert Zone 1

8.3.2 Ajout une colonne des surfaces de polygone en mètre carrée

Figure 73: Calcul des surfaces des polygone d’eau

• On exploite la valeur la somme de la surface des polygones d’eau en 2015 et en 2022 pour trouver les
résultats suivante :

la surface occupée par l’eau en 2015 262.06 ha

la surface occupée par l’eau en 2022 168.257 ha
Différence dans les deux années en ha 93.803 ha
Taux de réduction de l’eau 36%

Table 6: Table comparatif des surfaces occupées par l’eau

• on remarque une diminution significative entre les surface occuper par l’eau dans l’année 2015 et l’année
2022 36 %.

46
Classification par réseaux de neurones sur ENVI

9 Conclusion et recommandations
Cette étude avait pour principal objectif de montrer l’apport des réseaux de neurones dans la cartographie de
l’occupation du sol en vue de détecté le changement due à la sécheresse qui a impacté le barrage de bin el
ouidane. En effet, dans cette région, réaliser la carte d’occupation de sol était un peu complexe étant donné le
relief très accidenté et les ressemblances spectrales entre l’eau et le sol, Cependant, la carte nous a permis de
distinguer l’évolution de la région entre deux années. Les traitements des images satellitaires par les réseaux
de neurones ont permis d’obtenir une bonne précision dans la classification ainsi la carte obtenue pourrait être
indispensable pour la planification du développement et la gestion du territoire dans cette région.

Pour un futur traitement sur le sujet de *Classification par réseaux de neurones sur le logiciel ENVI*, On
peut dire qu’une manipulation de tous les paramètres est recommandé pour détecter l’influence de chacun
sur le réseau, de plus , il est préférable de chercher d’autre logiciel qui nous permet d’exécuter la même clas-
sification avec plus de paramètres comme le nombre des neurones et la fonction d’activation afin de trouver
l’équation la plus optimale en terme de temps et de qualité.

47
Classification par réseaux de neurones sur ENVI

10 Liste des références

https://datascientest.com/deep-learning-reseau-de-neurones-biologiques-ou-artificiels
https://hal-amu.archives-ouvertes.fr/hal-01338010/file/Les_reseaux_de_neurones_
artificiels.pdf
https://gisnt.org/pdf/R%C3%A9seau%20neuronaux%20artifitiels.pdf
ttps://developers.google.com/earthengine/datasets/catalog/COPERNICUS_S2_HARMONIZED
https://ecampusontario.pressbooks.pub/teledetection/chapter/chapter-6-classification/
https://www.rncan.gc.ca/cartes-outils-et-publications/imagerie-satellitaire-et-photos-ae
tutoriel-notions-fondamentales-teledetection/classification-et-analyse-des-images/
classification-et-analyse-des-images/9362
https://openclassrooms.com/fr/courses/4470406-utilisez-des-modeles-supervises-non-lineai
4730716-entrainez-un-reseau-de-neurones-simple
https://www.ionos.fr/digitalguide/web-marketing/search-engine-marketing/quest-ce-quun-re
https://www.math.univ-toulouse.fr/~besse/Wikistat/pdf/st-m-app-rn.pdf
https://moncoachdata.com/blog/comprendre-les-reseaux-de-neurones/
Notes de cours Traitement numériques des images Pr EL GHOUAT Mohamed A
L’apport des réseaux neurones pour la classification des images à hautes résolutions pour un paysage
urbain - Nouâmane BENJELLOUN et Mohamed MAINE

48
Classification par réseaux de neurones sur ENVI

49