ARTICLE
Auteur(s) : Kada
Bencherif
Département de foresterie Faculté des sciences
BP119 Université de Tlemcen 13000 Tlemcen Algérie
En fonction des critères qui ont servi à définir les formations
végétales, on peut distinguer les classifications physionomiques,
écologiques, dynamiques, climatiques et floristiques. Cependant, la
perception la plus intuitive qu'une personne a d'un paysage
végétal, concerne sa physionomie alors que dans sa dimension
horizontale, ce paysage apparaît comme l'arrangement, dans
certaines proportions, de plusieurs affectations du sol [1]. Une
des approches possibles pour évaluer et gérer ces formations (ou
unités physionomiques) peut se résumer à les identifier et à les
cartographier. Cette représentation cartographique peut se
concevoir de plusieurs manières, dont la plus importante est la
reconnaissance de la couverture du sol à partir d'interprétations
automatiques d'images satellitaires [2].
Généralement, les classifications par pixels ne sont pas
toujours suffisamment bonnes pour permettre l'identification de la
végétation buissonnante [3]. En plus, elles sont à l'origine de
nombreuses confusions et les résultats restent assez moyens [4, 5].
Les classifications par parcelles exigent des données de système
d'information géographique (SIG) sur les types d'occupation du
sol et ces données sont souvent indisponibles. Face à ces
inconvénients, l'analyse orientée-objet représente une alternative
qui permet de s'intéresser plutôt à l'information sur les « objets
» ou « groupes de pixels » qui sont caractérisés par davantage de
propriétés telles que la forme, la texture, le voisinage et le
contexte [6, 7]. Cette approche est utilisée avec succès
sur des images Landsat ETM+ pour la délimitation de zones
forestières homogènes ou dégradées [8]. Son principal avantage par
rapport à l'approche par pixels est qu'elle garde intacte
l'information spatiale [9].
Le concept est que les unités physionomiques sont par définition
des objets géographiques homogènes alors que
l'analyse orientée-objet génère des segments (régions)
homogènes1. Les objets initialement hétérogènes
générés par la méthode orientée-objet auront une information
spectrale, spatiale et/ou texturale qui leur attribue une
homogénéité spécifique. Utilisés dans la classification comme zones
d'entraînement représentatives de caractéristiques connues, ces
objets permettraient une meilleure représentation spatiale des
unités physionomiques de milieux forestiers hétérogènes.
La constitution d'unités cartographiques avec des limites nettes
conduit nécessairement à négliger les zones de transition. En
effet, la cartographie est une simplification logique et
scientifique d'une réalité infiniment plus complexe, tout en
faisant ressortir les faits les plus significatifs [11]. Dans la
forêt « Senalba » sont rencontrées diverses unités physionomiques
avec des zones de transition floues et enchevêtrées. L'objectif est
de tisser un lien entre les objets générés par l'analyse
orientée-objet de l'image Landsat et les différentes unités
physionomiques composant le territoire étudié.
Situation géographique de la zone d`étude
La forêt « Senalba Chergui » représente une petite partie de tout
un ensemble forestier et pastoral des Monts de Ouled Naîl (Atlas
saharien) où elle occupe les collines montagneuses sur une
superficie de 19 000 hectares. Située au nord-ouest de la
ville de Djelfa (figure 1),
cette forêt constitue le dernier rempart contre le désert.
La végétation est dominée par trois essences : le pin d'Alep,
le chêne vert et le genévrier. Cependant, ce sont les formations
forestières basses de type matorral qui occupent la moitié de la
surface et témoignent de la dégradation que connaît cette région.
Matériel et méthode
Données terrain et satellitaires
Les relevés floristiques sont issus d'un inventaire réalisé par la
Conservation des forêts de Djelfa en 1998. Compte tenu de la
date d'acquisition de l'image satellite (24 mars 2001),
50 relevés issus de cet inventaire ont été réexécutés, selon
un échantillonnage au hasard entre mars et avril de
l'année 2003. Pour palier cet inconvénient qui réside dans la
non-correspondance entre la périodicité des relevés et la date
d'acquisition de l'image satellite, le recours à une vérification
de terrain avec quelques points de contrôle était nécessaire pour
valider les unités physionomiques retenues.
Le décalage temporel entre ces deux inventaires nous a conduits
à n'utiliser dans la classification que 30 relevés montrant
une certaine stabilité dans la physionomie des unités de
végétation. Chaque relevé floristique correspond à une surface de
1 hectare, soit une station d'échantillonnage de
100 mètres par 100 mètres.
Une fenêtre couvrant la zone d'étude est extraite de la scène
Landsat ETM+ p196r036 dont la résolution spatiale est de
30 mètres. Le massif de Senalba Chergui en forme de fer à
cheval est très contrasté par rapport à son environnement immédiat
(figure 2).
L'image a été corrigée géométriquement selon la méthode polynomiale
de deuxième degré avec une erreur résiduelle de 0,77 pixel.
Méthodologie
La démarche suivie est celle de l'analyse paysagère. Celle-ci
comprend les phases suivantes :
- – la phase descriptive, qui se traduit par un inventaire
prépaysager décrivant chacune des composantes biologiques ;
- – la phase cognitive, qui consiste à identifier puis
cartographier des unités physionomiques par analyse orientée-objet
;
- – la phase expertise, qui se traduit par l'analyse de
l'apport de cette cartographie pour l'aménagement forestier (voir
résultats et discussions).
Description physionomique
La typologie de l'espace étudié est réalisée en deux temps. En
premier lieu, l'étape exploratoire de terrain a permis d'identifier
les principales unités physionomiques. En second lieu, une
différentiation de chaque type en fonction de l'essence dominante
est réalisée. Cette partition typologique produit des unités de
même composition et physionomie (tableau 1). La méthode
d'ordination des unités physionomiques est inspirée des
classifications reposant sur la physionomie de la végétation et
plus particulièrement celle qui est basée sur la répartition
spatiale des individus végétaux où chaque unité est définie par sa
stratification verticale et par le recouvrement de chacune des
strates. On distingue dans cette typologie physionomique les
ligneux hauts, les ligneux bas, les ligneux très bas et
les herbacées avec une indication sur la nature du substrat
affleurant et/ou de l'espèce ligneuse dominante.
Tableau 1 Principales unités physionomiques définies
dans la zone d'étude.
|
Unités physionomiques
|
Description
|
Classes spectrales
|
Coordonnées géographiques des relevés
de terrain
|
|
Forêts
|
Peuplements à Pinus halepensis
|
Futaie dense (R ≥ 80 % ; 20 m ≥ h ≥10 m)
|
34° 42′ 42,32” N, 3°8′ 25,48” E
|
|
34° 42′ 25,72” N, 3° 7′ 31,67” E
|
|
34° 36′ 3,69” N, 3° 5′ 51,51” E
|
|
34° 36′ 15,71” N, 3° 6′ 3,83” E
|
|
34° 42′ 23,77” N, 3° 9′2,42” E
|
|
peuplements à Pinus halepensis avec différents degrés
de recouvrement
|
Futaie dense (R ≥ 80 % ; h = 9 à 12 m) Futaie dense (R =
50-70 %; 9 m ≤ h ≤ 12 m)
|
34° 41′ 48,74” N, 3° 7′ 0,25” E
|
|
34° 39′ 18,58” N, 3°10′ 47,34” E
|
|
34° 35′ 22,98” N, 3°5′ 46,99” E
|
|
34° 37′ 43,41” N, 3° 9′ 14,23” E
|
|
34° 37′ 30,46” N, 3°9′6,37” E
|
|
Peuplements à Pinus halepensis
|
Futaie claire (R ≤ 50 % ; 9 m ≤ h ≤ 12 m)
|
34° 36′ 43,38” N, 3° 7′ 31,16” E
|
|
34° 40′ 23,30” N, 3° 11′ 18,83” E
|
|
34° 39′ 12,26” N, 3° 8′ 49,76” E
|
|
34° 40′ 9,43” N, 3°11′ 14,32” E
|
|
34° 6′ 19,36” N, 3°7′ 0,91” E
|
|
Matorrals
|
Matorral arboré mixte à Pinus halepensis, Quercus ilex
et Juniperus oxycedrus
|
Matorral haut (5 m ≥ h ≥ 1,5 m)
|
34° 41′ 37,52” N, 3° 8′ 54,50” E
|
|
34° 41′ 43,88” N, 3°10′ 19,64” E
|
|
34° 41′ 26,44” N, 3°8′ 28,71” E
|
|
34° 41′ 18,77” N, 3°11′ 48,08” E
|
|
34° 40′ 45,73” N, 3°8′ 30,88” E
|
|
Matorral à Rosmarinus officinalis et Cistus villosus.
|
Matorral bas et dense (h ≤ 2,5 m)
|
34° 42′ 8,94” N, 3°9′ 25,92” E
|
|
34° 42′ 44,13” N, 3°8′ 57,98” E
|
|
34° 41′ 10,61” N, 3°9′ 50,45” E
|
|
34° 36′ 54,60” N, 3°5′ 18,00” E
|
|
34° 36′ 28,67” N, 3°5′ 47,06” E
|
|
34° 35′ 41,54” N, 3°4′24,21” E
|
|
34° 41′ 58,68” N, 3°10′ 24,16” E
|
|
34° 39′ 21,23” N, 3°12′ 7,96” E
|
|
34° 39′ 21,66” N, 3°6′ 26,45” E
|
|
34° 39′ 50,16” N, 3° 9′ 15,58” E
|
|
Herbacées
|
Végétation à Stipa tenacissima et autres graminées
|
Herbacées (h ≤ 1,5 m)
|
34° 35′ 54,37” N, 3°7′ 3,11” E
|
|
34° 36′ 10,95” N, 3°8′ 13,63” E
|
|
34° 39′ 31,44” N, 3° 11′ 47,83” E
|
|
34° 42′ 10,86” N, 3° 8′ 28,79” E
|
|
34° 41′ 11,50” N, 3° 10′ 16,22” E
|
|
Espaces agricoles
|
|
Cultures maraîchères
|
34° 41′ 59,64” N, 3° 10′ 0,63” E
|
|
34° 41′ 52,25” N, 3° 9′ 51,65” E
|
|
Vergers
|
34° 42′ 3,31” N, 3° 10′ 23,04” E
|
|
34° 41′ 54,07” N, 3° 10′ 14,06” E
|
|
Sols nus
|
Sols nus
|
34° 40′ 19,09” N, 3° 5′ 3,65” E
|
|
34° 40′ 5,25” N, 3° 4′ 0,93” E
|
Analyse orientée-objet
L'analyse a été réalisée grâce au module ENVI Feature Extraction du
logiciel de traitement d'image ENVI4.4. Les trois bandes de
l'image (infrarouge, rouge, et vert) ont été utilisées.
L'extraction d'objets caractéristiques passe par deux étapes
principales : la segmentation et la classification (figure 3).
Le degré de finesse de la segmentation est mesuré par un
facteur d'échelle en fonction des objets qu'on souhaite
caractériser. Sur une échelle de 100, on a retenu la valeur de 45
qui semble convenable pour distinguer, en plus des différentes
formations forestières, des objets tels que les enclaves et les
clairières. Les objets obtenus par segmentation possèdent une
information spectrale, texturale et spatiale qui peut être utilisée
pour une extraction exacte de chacune des classes du paysage
étudié. Ces objets peuvent être classés à travers deux
méthodes : la classification fondée sur l'échantillonnage par
la méthode du k plus proche voisin et la classification fondée
sur la fonction d'appartenance.
La méthode des k plus proches voisins a besoin de zones test
dans un espace multidimensionnel où les objets seront classés à
travers leur ressemblance à ces zones pour chaque classe. Dans la
seconde méthode, les segments sont classés par fonctions
d'appartenance qui reposent sur les ensembles flous.
La logique floue est une approche mathématique qui permet de
mesurer des situations incertaines [12], d'où sa faible performance
dans le cas d'objets ayant une grande similitude spectrale [13].
Disposant de données de terrain, il était plus utile d'appliquer la
méthode des k plus proches voisins (avec k = 3). Les zones
d'entraînement seront les objets échantillons représentant des
caractéristiques connues. Pour chaque objet, on définit l'attribut
le plus adéquat et on visualise le résultat immédiatement pour
retenir l'attribut ou en redéfinir un autre si le résultat est non
satisfaisant et ainsi de suite. La méthode des k plus proches
voisins offre l'avantage d'être simple et efficace. Son principe
consiste à calculer une distance euclidienne entre l'individu à
classer et les individus connus, puis à attribuer le premier à la
classe présentant le plus grand effectif parmi ses k plus
proches voisins. La figure 4 explique le
principe de la méthode.
Résultats et discussion
La segmentation de l'image a permis de simplifier le contenu
de l'image initiale où des zones confuses et hétérogènes
sont homogénéisées. La figure 5 permet
d'apprécier l'intérêt de cette segmentation avec un facteur
d'échelle de 45. La phase de sélection des attributs a permis
de connaître l'intérêt de chacun d'eux pour la classification.
Ainsi, les attributs de texture semblent moins utiles que les
attributs spatiaux de forme, compacité et élongation qui semblent
performants pour toutes les caractéristiques qui dominent (forêts
de pin, matorral arboré, matorral, vides). La faible
performance des attributs de texture peut provenir de la faible
résolution spatiale de l'image. En effet, pour les couverts
forestiers fermés et au-delà d'une résolution de 10-15 mètres, les
images ne contiennent quasiment plus d'information texturale sur
les peuplements [14].
La bonne performance des attributs spatiaux peut s'expliquer par
l'organisation spatiale des différents types de peuplements. En
effet, on assiste, dans le synclinal de Djelfa, à des processus de
régression et de fragmentation qui se traduisent par des couloirs
où alternent forêts, matorrals arborés et matorrals. De plus,
les transitions entre ces différents types ne sont pas toujours
nettes et des attributs comme la compacité ou la surface
contribuent plus ou moins à homogénéiser leur contenu par le type
d'occupation dominante. Les attributs spectraux et de couleur
conservent toute leur importance dans les milieux forestiers
hétérogènes, en particulier la valeur maximale des pixels dans un
objet du canal infrarouge et l'intensité qui permettent une
séparation entre types de couverts par densité et par composition
en essences. La figure 6 présente la
carte thématique résultant de la classification orientée-objet.
La matrice de confusion traditionnelle (k-factor) est possible
mais trop simple pour l'évaluation des objets cartographiés.
Cependant, l'évaluation par contrôle visuel telle qu'elle est
appliquée en photogrammétrie est toujours possible [15]. C'est
cette dernière méthode qu'on a adoptée pour évaluer notre
classification, et cela d'autant plus que l'application est faite
en mode luminance2. Ainsi, une vérification sur le
terrain a été menée dans 20 points de contrôle pour valider
les résultats obtenus. Globalement, et dans 90 % des cas, la
classification traduit l'état spatial réel de la zone d'étude à
l'échelle paysagère malgré certaines confusions observées entre
futaie très claire et des unités de type matorral d'un côté, et
entre matorral et matorral arboré, de l'autre.
Cette cartographie est analysée en fonction de trois types de
niveaux : niveaux d'interprétation, niveaux de complexité et
niveaux de lecture.
Niveaux d'interprétation
Généralement, les bases pour l'interprétation des paysages en vue
de leur cartographie reposent sur trois niveaux élémentaires : la
physionomie de la végétation, l'écologie et la phytosociologie
[11]. L'analyse orientée-objet appréhende parfaitement le premier
niveau où chaque unité cartographiée est attribuée à une classe
physionomique selon l'essence dominante. Ces classes sont : la
forêt de pin d'Alep, le matorral haut à chêne et genévrier, le
matorral bas à romarin, les herbacées à alfa et les cultures
auxquelles on pourrait ajouter les aires dénudées ou celles à
végétation très clairsemée. En prenant en compte la situation des
unités cartographiques par rapport aux conditions orographiques et
leur relation avec les conditions édaphiques et microclimatiques,
l'interprétation atteint le deuxième niveau. Bien entendu, les
données nécessaires sont exogènes et doivent être préparées ou
prises d'une base de données d'un SIG. Enfin, et en situant les
unités cartographiées dans un système phytosociologique,
l'interprétation peut être poussée vers le troisième niveau.
Niveaux de complexité
Pratiquement, il n'est pas possible à l'échelle des images de
moyenne résolution de représenter des unités pures telles qu'elles
sont en réalité et l'analyse orientée-objet simplifie cette réalité
très complexe, particulièrement les classes de matorrals.
Il est possible de définir dans cet aspect du problème les
trois niveaux de complexité suivants :
- – unités presque simples : elles correspondent à des
aires cartographiables sous la dominance presque absolue d'une
seule espèce. Dans la pratique, ces unités quasi pures englobent
des taches d'autres types de couverts dont certaines sont parfois
trop petites pour se distinguer en tant qu'objets différents.
Exemple : la pinède, comprenant l'association forestière principale
(Querceteo-Pinetum), parsemée de clairières (Cisto-Rosmarinetum),
et de taches de cultures à dimensions très réduites ;
- – unités complexes : elles occupent des aires à peu près
écologiquement uniformes, sous forme de taches peu étendues,
entremêlées ou à limites peu tranchées, de sorte qu'il n'est pas
possible de les séparer au niveau cartographique. Par exemple, une
zone peut être occupée par des couverts non susceptibles
d'individualisation – de la chênaie, des fragments d'herbacées, des
cultures, etc. ;
- – mosaïques : ensemble de couverts, en nombre très
réduit (deux ou trois), sans relations dynamiques entre elles ou
sinon faibles, mais se partageant une aire géographique non
divisible par rapport à l'échelle de la carte. Exemple : une aire
de matorral comprenant une enclave (les cultures, le bâti, les sols
nus).
Niveau de lecture
On peut le réduire à un seul niveau physionomico-écologique et même
le restreindre au seul trait physionomique. Ces diverses
classes physionomiques sont :
- – forêt : pinède dense et compacte à Pinus halepensis ;
pinède dense et fragmentée à Pinus halepensis ; pinède très claire
à Pinus halepensis. Le sous-bois est composé de Quercus
rotundifolia, Juniperus oxycedrus, Pistacia lentiscus, Pistacia
terebenthus, Asparagus acutifolius, Lonicera implexa, Leuzea
conifera, Ebenus pinnata, Ampelodesma mauritanicum ;
- – matorral : matorral arboré à Quercus ilex ; matorral
arboré à Quercus ilex et Juniperus oxycedrus ; matorral bas à
Rosmarinus officinalis, Cistus villosus, Stipa tenacissima,
Globularia alypum, Atractylis carduus, Fumana thymifolia, Carex
halleriana, Ruta montana, Astragalus incanus, Ephedra fragilis
;
- – herbacées : herbacées à Stipa tenacisima et Artemisia
herba alba ;
- – autres : cultures maraîchères, zones dénudées ou à
végétation très clairsemée.
La classification par objet semble apporter de la transparence,
de la simplicité et de la netteté à la carte d'occupation du sol.
Visuellement, l'effet « sel-poivre » souvent observé dans les
classifications par pixels a disparu alors que les limites floues
et parfois enchevêtrées sont devenues plus nettes et plus
tranchées. Ces mêmes observations ont été déjà rapportées par
certains auteurs [16]. Quant au contenu, il est caractérisé par
l'objet dominant. Or la grande majorité des études ont toujours
caractérisé la mosaïque d'occupation du sol par le type
d'occupation dominante [17]. Mais au-delà de cette performance
technique, ce sont l'utilité et l'apport d'une telle cartographie
pour la conception des plans d'aménagement forestier qui importent
et qui sont discutés ci-dessous.
La classification orientée-objet a permis un zonage du
territoire étudié. Or la principale composante de l'analyse
paysagère reste la délimitation de zones sur cartes, sur photos et
sur images satellitaires [18]. Cette délimitation est achevée à
l'intérieur d'un espace forestier hétérogène où s'est distingué
clairement tout un réseau d'objets géographiques ou plutôt des
faciès paysagers qui sont des indicateurs environnementaux
permettant de prévoir leur dynamique. En effet, la carte thématique
obtenue met en évidence un rétrécissement des pineraies continues
et compactes vis-à-vis des pineraies claires ou fragmentées, d'une
part, et une propagation tous azimuts des formations de matorral,
d'autre part. Cette configuration écologique pourrait servir de
référence pour la conception de modèles écologiques spatiaux.
Les méthodes d'aménagement proposées pour les zones forestières
semi-arides étaient incompatibles avec la réalité du terrain car
elles présentaient invariablement les forêts comme plus homogènes
qu'elles ne le sont en réalité [19]. L'analyse orientée-objet a mis
en évidence la répartition spatiale réelle des surfaces boisées ou
dégradées. Cette configuration spatiale permet objectivement un
redécoupage en séries forestières3. Le zonage
actuel qui divise la forêt en 11 séries paraît quelque peu
exagéré au regard de l'état des surfaces. La délimitation des
unités physionomiques fait apparaître des zones très contrastées
pouvant être délimitées en séries forestières si l'on tient compte
que ces dernières sont des unités d'aménagement. La figure 7 illustre
l'ancien zonage auquel on a superposé un zonage provisoire qui
prend en compte les caractéristiques paysagères au moment de la
prise de vue.
Une organisation stricte de la gestion forestière implique un
système rigoureux de suivi et de surveillance. Mais ces mesures ne
deviendraient efficaces qu'à partir du moment où un bilan initial
qui soit une référence ait été établi. Pour les forêts semi-arides
en général et les forêts présteppiques en particulier, ce problème
doit être appréhendé en fonction de sa dimension spatiale. En
effet, ces forêts sont soit dispersées à travers d'autres paysages
non forestiers (Tell algérien, au nord), soit isolées au milieu
d'immenses paysages steppiques (Atlas algérien au sud).
La réalisation des objectifs de cette gestion ne peut aboutir
qu'en adoptant une échelle de travail adaptée à ce contexte.
L'approche classique dans les conditions de régression forestière
observée est insuffisante et seule l'intégration de l'approche
paysagère est en mesure de réaliser ces objectifs.
Conclusion
La forêt présteppique est tout à la fois un paysage mais aussi un
milieu écologique particulier se développant dans un contexte
aride. Une atteinte à l'intégrité d'un tel paysage n'est pas sans
conséquence sur la protection des espèces animales et végétales qui
y vivent et seule la protection de cet écosystème est capable de
garantir une utilisation forestière durable. En effet, les
aménagements classiques qui paraissent durables et viables à court
terme perdront dans un tel contexte ce sens de durabilité à long
terme.
L'approche paysagère d'aménagement forestier semble prometteuse
pour une analyse objective de paysages forestiers hétérogènes mais
nécessite un instrument dont la perception visuelle spatiale soit
conforme à la dimension paysagère. Il n'existe pas d'autre
outil plus efficace que la télédétection satellitaire de moyenne
résolution pour offrir cette vision globale. Dans ce sillage, la
méthode orientée-objet peut contribuer à constituer, à identifier
et à cartographier des entités homogénéisées.
Dans les conditions de dégradation de l'espace forestier
semi-aride, cet avantage permettra de cibler les opérations de
protection, d'aménagement et de restauration par la localisation
des différentes unités physionomiques de la végétation.
Références
1 MacGarigal, K. Landscape pattern metrics. Encyclopædia of
envoronmetrics 2002 ; 2: 1135-42.
2 Leckie DJ, Walsworth N, Dechka J, Wulder M. An investigation
of two date unsupervised classification in the context of a
national program for Landsat based forest change mapping. Remote
Sensing Symposium, Toronto, 2002, June 24-28, International
Geosciences and Remote Sensing Society's (IGARSS).
3 de Jong Steven M, Hornstra T, Maas HG. An
integrated spatial and spectral approach to the classification of
Mediterranean land covers types: the SSC method. JAG 2001 ;
3 : 176-83.
4 Guis H. Caractérisation par télédétection des unités
paysagères favorables à la multiplication des populations de
Culicoides, vecteurs de la fièvre catarrhale ovine dans le bassin
méditerranéen : cas de la Corse. Mastère spécialisé de la
conférence des grandes écoles. Projet SILAT. Systèmes d'information
localisés pour l'aménagement du territoire. Montpellier :
Cirad-EMTV, 2004.
5 Puech C. Utilisation de la télédétection et des modèles
numériques de terrain pour la connaissance du fonctionnement des
hydrosystémes. Mémoire de recherche, habilitation à diriger des
recherches, Mécanique des milieux, géophysique et environnement,
INPG, Grenoble, 2000.
6 Baatz M, Schape A. Object-oriented and multiscale image
analysis in semantic networks. Proceedings of the 2nd
international symposium on operalization of remote sensing, 1999,
August 16th-20th, Ensched, ITC.
7 Mallinis G, Karamanolis D, Karteris M, Gitas I. An object
oriented approach for the discrimination of forest areas under the
criteria of forest legislation in Greece using very high resolution
data. Amsterdam : ISPRS XXXIV, 2006.
8 Schwarz M, Stein Meier CH, Waser L. Detection of storm losses
in alpine forest areas by different methodical approaches using
high-resolution satellite data. Proceedings of the 21st
EARSOL symposium, Paris, 2001.
9 Flanders D, Hall-Beyer M, Pereverzoff J.
Preliminary evaluation of eCognition object-based software for cut
block delineation and feature extraction. Can J Rem Sen 2003 ;
29 : 441-52.
10 Ducrot D. Méthode d'analyse et d'interprétation d'images
de télédétection multisources. Extraction de caractéristiques de
paysages. Mémoires de recherches, habilitation à diriger des
recherches, INP, Toulouse, 2005.
11 Carreras J, Carillo E, Masalles RM, Ninot JM, Vigo J.
A propos de la carte de végétation des Pyrénées. IV: vallées
de barravés et de castanesa (haute ribagorça). Quelques réflexions
générales sur la cartographie de la vegetation. Botânica
Pirenaico-Cantâbrica 1990 : 609-15.
12 Willhauck G. Comparison of object oriented classification
techniques and standard image analysis for the use of change
detection between spot multispectral satellite images and aerial
photos. Amsterdam : ISPRS XXXIII, 2000.
13 Gomes A, Marcal ARS. Land cover revision through
object based supervised classification of ASTER data. ASPRS annual
conference, May 2003, Anchorage (Alaska), 2003.
14 Durrieu S. Utilisation de la télédétection satellitaire pour
la mise à jour de la carte de types de peuplements de l'inventaire
forestier national. Application à une région forestière diversifiée
de moyenne montagne. Thèse de doctorat; Cemagref-Ingref,
Montpellier, France, 1994.
15 De Kok R, Buck A, Schneider T, Ammer U.
Analysis of image objects from VHR imagery for forest GIS updating
in the Bavarian Alps. Amsterdam : ISPRS XXXIII, 2000.
16 van Aardt JAN. An object-oriented approach to forest volume
and aboveground biomass modelling using small-footprint Lidar data
for segmentation, estimation, and classification. Doctoral
Dissertation, Faculty of the Virginia Polytechnic Institute and
State University, Blacksburg (Virginia, USA), 2004.
17 Schermann N, Baudry J. Analyse descriptive
multi-échelle de la structure d'un paysage. Application à la
mosaïque d'occupation du sol d'un territoire agricole dans le
bocage breton. Revue Internationale de Géomatique 2002 ;
12 : 1-18.
18 Bradley T, Hammond H.
www.silvafor.org/publications/library/docs/Landscape%20Analysis%20Methodology.f,
1992.
19 Grim S. Le pré-aménagement forestier. Volume 1. Alger : Ed.
CEE et ministère de l'hydraulique d'Algérie, 1989.
1 Ce critère d’homogénéité doit être perçu
en fonction du niveau de perception puisque des unités peuvent être
hétérogènes pour un niveau fin alors qu’elles seront homogènes à un
niveau plus élevé [10].
2 La luminance est la puissance
électromagnétique rayonnée par une surface dans une direction
donnée. Elle est codée de 0 à 255, la valeur zéro correspondant à
la plus faible luminance et la valeur 255 à la plus forte. Ces
valeurs numériques définissent donc la luminosité ou la brillance
d’un pixel d’une image.
3 En aménagement forestier, la série
forestière désigne un ensemble de parcelles forestières soumises au
même traitement sylvicole.
|
Printable version
Version PDF
