Reconnaissance des cultures à l'aide des images radar: approche multi-polarisation et texturale

L'objectif principal de cette étude est d'évaluer la pertinence et la contribution des données multi-polarisations et texturales à la reconnaissance des cultures. Selon cet objectif principal, l'étude a été subdivisée en trois grands volets. Le premier est une évaluation de la performance des données radar aéroporté (C-HH, C-VV et C-HV) dans l'identification des cultures. Le deuxième volet consiste à évaluer d'une part la performance des données texturales dans la reconnaissance des cultures; et d'autre part, l'apport de ce genre d'information aux données multi-polarisations au niveau discrimination entre classes. Pour ce qui est du troisième volet, il comporte le développement d'une nouvelle approche flexible et plus harmonieuse pour l'intégration des deux types d'information, spectrale et texturale, dans le processus de classification par maximum de vraisemblance. Les résultats du premier volet montrent que la bande C-VV est plus appropriée pour la cartographie des différentes cultures que nous avons considérées. Dans le cas où nous considérons les deux meilleures bandes c'est la combinaison [C-VV, C-HH] qui est la plus pertinente. Pour ce qui a trait à l'information de texture, les résultats du deuxième volet montrent que les paramètres Moyenne, Contraste et Accentuation des valeurs élevées sont les plus discriminants entre cultures. De plus, l'intégration de ces trois paramètres avec les trois bandes spectrales (C-HH, C-VV et C-HV), indépendamment de tout algorithme de classification ou de segmentation, engendre une amélioration du taux de classification correcte de l'ordre de 10%. Les résultats du troisième volet montrent que la nouvelle méthode du seuil d'intervention que nous avons mise au point procure une meilleure intégration de l'information de texture avec les données spectrales dans la classification par maximum de vraisemblance. En effet, grâce à cette méthode nous pouvons avoir, par rapport à la méthode classique, une réduction considérable du temps de calcul (plus que 30%), un gain important en résolution spatiale et une adaptation avantageuse de cette intégration selon le degré de confusion entre les classes considérées