Le portail francophone de la géomatique

Bonjour,

Concernant mes ROIs, je les crée d'après des observations de terrain pour les distinctions complexes (différentes essences forestières par exemple) et de manière visuelle pour ce qui paraît plus simple (lacs, labours...).
Le problème vient peut-être du fait que mes ROIs représentent une trop faible partie de l'image (moins de 0,5 %), je vais réessayer avec davantage de surface et je vous tiens au courant.

à bientôt

Emilien

Le problème de la matrice de confusion, c'est que c'est une matrice, et donc que le nombre de valeur potentiellement exploitable correspond au carré du nombre de classes. Le nombre de ROIs à prendre pour que les nombres présents dans la matrice soient significatifs est démesuré.

La première solution est de ne pas vouloir interpréter la totalité de la matrice, mais seulement ses éléments qui peuvent l'être. Lorsque j'ai sur mes 2980 parcelles de tournesol sur l'image, je me trouve avec effectivement sur le terrain 2150 parcelles de tournesol ; ou quand j'ai 2630 parcelles de tournesol sur le terrain, et que la carte indique que 2150 d'entre elles sont effectivement du tournesol ; alors je peux affirmer que j'ai une bonne estimation de mon tournesol (bonne, pas excellente, mais c'est bien), pour le reste où les chiffres s'élèvent à quelques dizaines, je peux faire certaines hypothèses, mais je n'en fait pas grand chose.

Rejeter cette splendide matrices de confusion peut être une seconde solution. Il n'y a pas vraiment de méthode fiable parce que la dispersion est très importante dans ces méthodes de classification. J'ai été surpris par mes premiers résultats de classification d'image satellite. Or j'ai pu améliorer l'exactitude de mes résultats en affinant la méthode. Le satellite, c'est magique, mais si un estimateur nous dit que c'est mauvais, si on a fait son travail d'estimation correctement, cela veut dire que la classification est mauvaise, malgré l'estimation a priori. Un contrôle, c'est extérieur, c'est pas interne. Une certification ISO9001, c'est pas avec un audit interne qu'on l'a, la classif, c'est pareil !

Bonjour,

Pour compléter un peu le sujet, une bonne référence:

Foody G.M. 2002. Status of land cover classification accuracy assessment, Remote Sensing of Environnement, 80, 185-201

C'est une synthèse sur l'évaluation de la qualité des classifications d'occupation du sol. L'auteur fait un petit topo de l'histoire de l'évaluation des résultats de classification d'images satellites, de l'évaluation "visuelle" jusqu'à l'indice Kappa et la suite. Ca explique bien toutes les difficultés liée aux classifications. Le papier est bien évidement centrée sur ces fameuses matrices de confusion...

C'est un peu dense et un peu en anglais mais ça vaut le coup d'oeil!

Un résultat de 95% c'est beaucoup! Les ROI de validation sont vraiment différent des ROI de calibration?

A mon avis c'est pas le nombre de pixel de validation qui est le plus important mais le nombre de sites (ROI) total (calibration + validation) et le pourcentage de séparation utilisé :
Exemple: on a 300 sites au total et on en prend 150 pour la calibration et 150 pour la validation de manière aléatoire (ratio C/V de 50/50 ou moit moit!). La précision globale ou l'indice Kappa devrait en prendre un coup et devenir plus "réaliste".

C'est là que la distribution des sites va devenir primordiale. Si les sites de C sont proches des sites de V, tu auras, a priori, des meilleurs résultats que si les sites sont éloignés. La matrice de confusion traduit mieux la manière dont l'algorithme de classification à prédit ou "extrapolé" les classes au delà des sites d'entrainements.

Clovis

On peut dire que la séparabilité est une précision sémantique, elle mesure la probabilité qu'un pixel d'une certaine classe soit bien classé.