Document generated on 02/21/2024 2:58 a.m.

VertigO
La revue électronique en sciences de l’environnement

Évaluation des méthodes de classifications dirigées (spectrale

et orientée objet) sur les images satellitaires à THRS
Cas de la cartographie du tissu urbain de la commune de
Cocody et d’Attécoubé (Abidjan, Côte d’Ivoire)
Evaluation of directed classification methods (spectral and
object oriented) on VHSR satellites images
Case of the mapping of the municipality of Cocody and
Attécoubé (Abidjan, Côte d’Ivoire)
Patrice N’guessan Akoguhi, Hyppolite N’da Dibi, Marc Houin Godo, Germain
Miessan Adja and Fernand Koffi Kouamé

Volume 22, Number 3, December 2022 Article abstract

This study aims to analyze the performance of spectral classifications and
object oriented classification, for mapping of the urban area of Cocody and
URI: https://id.erudit.org/iderudit/1101293ar Attécoubé. To achieve our aim, a satellite image at very high spatial resolution
DOI: https://doi.org/10.4000/vertigo.36548 (VHSR) was used. For this work, these two methods of classifications were
successively applied to three test sites, namely a well-built area, an area with
See table of contents poor housing and an undeveloped area. The results of two treatments are
compared to analyze performances. It appears from these treatments that
object-oriented classification is better suited than the spectral approach for
mapping sites built because it improves the mapping accuracy of 4,58%. At
Publisher(s) sites with poor housing, the two classifications show almost similar
Université du Québec à Montréal comprehensive details. Thus, the spectral classification provides an
Éditions en environnement VertigO improvement of 0,73% compared to the object-oriented approach. On
undeveloped land, the spectral classification is best shown with an overall
ISSN improvement of 8.22% compared to the object-oriented approach. In short, the
object-oriented classification seems appropriate for the extraction of units of
1492-8442 (digital) well-structured sites. When the level of organization of the site decreases, the
performance of the object oriented classification fall in favour of the spectral
Explore this journal classification.

Cite this article

Akoguhi, P. N., Dibi, H. N., Godo, M. H., Adja, G. M. & Kouamé, F. K. (2022).
Évaluation des méthodes de classifications dirigées (spectrale et orientée objet)
sur les images satellitaires à THRS : cas de la cartographie du tissu urbain de la
commune de Cocody et d’Attécoubé (Abidjan, Côte d’Ivoire). VertigO, 22(3),
1–32. https://doi.org/10.4000/vertigo.36548

© Université du Québec à Montréal et Éditions en environnement VertigO, 2022 This document is protected by copyright law. Use of the services of Érudit
(including reproduction) is subject to its terms and conditions, which can be
viewed online.
https://apropos.erudit.org/en/users/policy-on-use/

This article is disseminated and preserved by Érudit.

Érudit is a non-profit inter-university consortium of the Université de Montréal,
Université Laval, and the Université du Québec à Montréal. Its mission is to
promote and disseminate research.
https://www.erudit.org/en/
 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 1

Évaluation des méthodes de

classifications dirigées (spectrale et
orientée objet) sur les images
satellitaires à THRS.
Cas de la cartographie du tissu urbain de la commune de Cocody et
d’Attécoubé (Abidjan, Côte d’Ivoire)
Evaluation of directed classification methods (spectral and object oriented) on
VHSR satellites images.Case of the mapping of the municipality of Cocody and
Attécoubé (Abidjan, Côte d’Ivoire)

Patrice N’guessan Akoguhi, Hyppolite N’da Dibi, Marc Houin Godo,

Germain Miessan Adja et Fernand Koffi Kouamé

Introduction
1 L’avènement de la télédétection constitue un avantage certain pour la gestion de
l’espace. En effet, la vision synoptique et la bonne fréquence des images satellitaires
permettent de cartographier et de suivre les dynamiques de nombreux milieux et
surfaces, comme par exemple les zones urbaines, les surfaces forestières ou encore les
calottes glaciaires (Boukachaba, 2017 ; Forget et al., 2008). Les surfaces moins étendues
telles que les zones urbaines étaient identifiées en tant que tâches urbaines sans détails
compte tenu de la résolution des images qui allait de 20 mètres à plusieurs kilomètres
(Robin, 2009 ; Sidi Youssef et al.,2014). Ainsi, pour appréhender la question de la
dynamique des états de surface en général, et en particulier celle des espaces urbains et
périurbains, l’une des techniques les plus utilisées est la classification dirigée spectrale.
Cette approche dite classique prend en compte exclusivement les comptes numériques
des pixels (Alban, 2005 ; Bonn et Ronchon, 1996 ; Kemsol-Nagorngar, 2018).

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 2

2 Pour aborder la cartographie de détails des villes, à l’échelle de la parcelle ou du lot, il

fallait faire appel aux photographies aériennes qui, en dépit de leur précision spatiale,
présentent des limites au niveau de la qualité et de la couverture des prises de vue
(Benyahia et Dridi, 2017). En effet, il fallait plusieurs centaines de photos pour couvrir
une ville, ce qui rendait le traitement difficile et long. Avec le temps, les avancées
technologiques ont tenté de concilier la précision spatiale et la couverture des prises de
vues, de sorte qu’aujourd’hui les images spatiales ont pratiquement la précision des
photographies aériennes (Catanzano, 2001). C’est le cas des images de dernières
générations dites de Très haute résolution spatiale (THRS) telles qu’Ikonos, GeoEye,
Quickbird, et cetera. Ainsi, la disponibilité de ce type constitue potentiellement un très
grand apport pour la cartographie des villes à des échelles de l’ordre du 1/10 000. La
THRS permet une représentation réelle des objets urbains (bâti, rues, le réseau
électrique, voirie, et cetera) sur une carte. En outre, elle permet de favoriser la mise à
jour des bases de données spatiales. Ce qui est primordial en ce qui concerne le milieu
urbain des pays en développement, où l’urbanisation progresse rapidement et où les
sources de données conventionnelles sont imprécises, difficiles à mettre à jour, et
d’accès limité (Thi-Thanh-Hiên et Dong-Chen, 2013).
3 Avec ces images est apparue une autre forme d’extraction de l’information dénommée
la classification orientée objet. Cette approche bouleverse les techniques
traditionnelles de traitement. Ici, l’unité de base est l’objet qui est un ensemble de
pixels et non le pixel isolé comme le concevait la théorie traditionnelle de classification
(Crombete, 2016).
4 Selon les travaux effectués par certains chercheurs (Puissant et Weber, 2004) sur des
villes européennes, la classification orientée objet (COO) permet une amélioration de 5
à 8 % par rapport à la classification spectrale (CS). Or, les villes d’Europe et certaines
villes d’Amérique du Nord sont construites avec une architecture bien élaborée. Ainsi,
l’avantage de la COO sur la CS dans la cartographie urbaine serait en rapport avec
l’organisation de cette dernière.
5 Qu’en est-il au niveau des villes des pays moins développés présentant un urbanisme
moins planifié et une structuration moins élaborée ? En effet, dans les métropoles
africaines, l’organisation est différente des villes occidentales. Abidjan, capitale de la
Côte d'Ivoire, en est un exemple, car cette ville présente un tissu urbain très
hétérogène composé de zones bien construites, de zones abritant des quartiers à bâtis
précaires et de terrains vagues lotis ou non, couverts d’une végétation herbacée.
6 Au vu de ces différents constats, la question posée est de savoir si la classification
orientée objet est toujours indiquée pour la cartographie du tissu urbain. C’est pour
tenter de répondre à cette interrogation que le présent travail a été initié. Il porte sur
l’évaluation des méthodes de classifications dirigées et doit aider à la gestion
rationnelle de l’espace de la commune de Cocody. Ce qui permettra la pérennisation de
la notoriété et de l’image de cette commune. Quant à la commune d’Attécoubé, cette
étude répond à un souci de préservation des ressources naturelles. En effet, le site est
voisin de la Forêt classée du Banco qui a pour rôle majeur de protéger la nappe
phréatique du terminal continental pour l’approvisionnement en eau potable de la ville
d’Abidjan. Une surveillance permanente de son intégrité et de son environnement
immédiat est donc nécessaire pour éviter sa dégradation par une occupation non
contrôlée. Le présent travail a donc pour objectif d’améliorer la cartographie du tissu
urbain par imagerie spatiale dite à THRS. Il s’agira plus spécifiquement d’appliquer

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 3

conjointement la classification spectrale et orientée objet sur trois différents sites tests
d’une image QuickBird. Ce qui permet de déterminer la plus appropriée en fonction de
chaque site.

Cadre théorique
7 L’utilisation des images satellitaires pour l’étude du tissu urbain a fait l’objet de
plusieurs études à travers le monde. Elle remonte aux années 1970 avec le lancement
des premiers satellites de la famille Landsat pour l’acquisition de données sur les
ressources terrestres. Depuis lors, plusieurs innovations ont pu être obtenues dans les
différents milieux urbains avec des capteurs de basse et haute résolution (Kamel, 2005 ;
Mandimbiharison et Raharison, 2003 ; Onana et al., 2005). Cependant, les mesures
physiques, environnementales et socio-économiques des variables du milieu urbain
étaient limitées avec ce type de capteurs, à cause des résolutions trop grossières (80
mètres pour les basses résolutions et 30 à 20 mètres pour les hautes résolutions). Le
traitement numérique de ces types d’images était assuré par la classification dite
spectrale (CS) (ou encore pixel à pixel). Cette approche a pour principe d'attribuer
chaque pixel de l'image à une classe thématique choisie par l’utilisateur en fonction de
ses valeurs spectrales. Ce qui permet à la fin du regroupement de créer une carte
(Alban, 2005 ; Sellin et al., 2016).
8 L’avènement des capteurs à Très haute résolution spatiale (THRS) tels Quickbird et
Ikonos, possédant des résolutions inférieures à 3 mètres, constitue alors une révolution
importante dans le domaine de l’étude urbaine. C'est ce type d’image satellite qui a en
effet permis de développer la classification orientée objet (COO). Contrairement à
l’approche classique « pixel à pixel », la démarche orientée objet ne traite pas le pixel
de manière isolée, mais dans son contexte en regroupant des pixels au sein d’objets
interprétés en se basant sur leurs valeurs spectrales, leur taille, leur forme et leur
contexte (Benz et al., 2004 ; Lassieur, 2006 ; Reynaud et al., 2020).
9 Ainsi, Lhomme (2005) a étudié l’identification du bâti à partir d’images satellitaires à
très haute résolution. Il indique les bienfaits des images à très haute résolution qui
constituent un atout essentiel dans l’étude urbaine et périurbaine. Les résultats de ses
traitements issus de la COO indiquent que l’extraction des bâtis dans les quartiers du
centre-ville de Strasbourg en France donne une précision globale d’environ 92,6%. La
classification des bâtis apparait satisfaisante avec un pourcentage de bonne
classification compris entre 90% et 95,5%. En classifiant une image Spot 5 et Quickbird
de la ville de Strasbourg, Puissant, (2003) ainsi que Puissant et al., (2006) ont aussi
montré l’intérêt de la COO pour l’extraction des objets urbains tels que le bâti, le réseau
routier, l’eau, et cetera. Il ressort de ces travaux que la COO donne une précision de
globale de 94,6% contre 93,4% pour la CS. Cette même étude révèle qu’avec la
classification orientée objet, les bâtis sont mieux discriminés avec un taux global situé
entre 95,97% et 98,5%. En outre, Puissant et al., (2006) ont montré la possibilité
d’améliorer les connaissances sur l’environnement urbain à l’aide de COO sur des
images à très haute résolution spatiale. Les résultats indiquent que la COO en milieu
urbain permet d’augmenter le pourcentage d’extraction de plus de 5%. Cette
amélioration est plus significative avec les objets ayant une forme régulière comme les
bâtis et les voies bitumées. L’approche orientée objet relève toutefois des incertitudes
associées à l’identification de certains objets (végétation, sol nu) dont le taux

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 4

d’extraction diminue d’environ 5% par rapport à la classification spectrale (Puissant et

al., 2006).
10 Corbane et al., (2004) indiquent, dans une analyse de l’utilisation des images
multispectrales en vue d’une mise à jour de la carte d’occupation du sol d’un bassin
versant au Liban, que la classification orientée objet est insuffisante pour caractériser
toutes les classes d’occupation du sol. En effet, en procédant à une étude comparative
de la classification orientée objet et pixel ils ont démontré que les objets comme les
forêts clairsemées et les sols nus sont mieux discriminés avec la classification spectrale
(Corbane et al., 2004). Ainsi, leurs résultats indiquent que la classification orientée objet
donne pour la classe "forêt clairsemée" un taux d’extraction de 54.7% contre 70.1%
pour la méthode spectrale. La classe " sol nu blanc" donne quant à elle des taux de
34.5% pour l’approche orientée objet contre 92.8% pour l’approche spectrale (Corbane
et al., 2004, p.13 et 14).
11 En Côte d’Ivoire, la documentation consultée ne nous a pas permis de noter des études
menées sur les objets urbains à l’aide d’images à très haute résolution par l’approche
orientée objet. Les études réalisées sont récentes. Dongo et al., (2008) ont par exemple
utilisé une image Quickbird pour la cartographie de six quartiers précaires de la
commune de Yopougon, mais n’ont pas effectué de classification d’image. Ils se sont
limités à une numérisation manuelle de la structure des quartiers précaires après une
interprétation visuelle des images de la commune. Quant aux travaux de Kouakou
(2020), ils ont permis la détection et la délinéation de la couronne foliaire des rôniers
sur une image multispectrale GeoEye-1 de très haute résolution à l’aide de la
classification à base de règle dans le logiciel Envi.

Matériel et Méthodes
Présentation générale des communes étudiées

12 Ville cosmopolite de l’Afrique subsaharienne, Abidjan, capitale économique de la Côte

d’Ivoire, compte plus de six millions d’habitants et s’étend sur une superficie de 2.119
kilomètres carrés (RGPH, 2021). Sa population est repartie sur les treize communes qui
la composent : Abobo, Adjamé, Anyama, Attécoubé, Bingerville, Cocody, Koumassi,
Marcory, Plateau, Port bouët, Treichville, Songon et Yopougon. Les deux communes
(Cocody et Attécoubé) qui font l’objet de cette étude sont situées dans le nord du
district d’Abidjan (figure 1).
13 La commune de Cocody s’étend sur une superficie de 132 kilomètres carrés pour une
population estimée à 692 583 habitants en 2021 (RGPH, 2021, p1). Elle est limitée à l'est
par la commune de Bingerville, à l'ouest par les communes du Plateau et d'Adjamé, au
sud par la lagune Ébrié et au nord par la commune d'Abobo (figure 1). À l’instar de
l'ensemble de la ville d’Abidjan, la commune de Cocody connaît depuis plusieurs
décennies une démographie galopante. Réputée aisée, pour les populations sans grands
moyens, Cocody reste une commune attrayante où elles peuvent offrir leurs services
comme personnel de maison. Elle se classe au rang des premières communes en
matière de qualité du cadre de vie. Les différents types d’habitats de la commune se
répartissent en quatre groupes, à savoir l’habitat résidentiel constitué de luxe, l’habitat
économique, l’habitat de type évolutif qui est rencontré principalement dans les

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 5

villages d'Ébrié (Ebah, 2009 ; Koukougnon, 2015). Le dernier groupe est l’habitat
précaire qui ne répond à aucune norme officielle.
14 La commune d’Attécoubé s’étend sur une superficie de 68,2 kilomètres carrés pour une
population estimée 313 135 habitants (RGPH, 2021, p1). Elle est limitée au nord par la
commune d'Abobo, au sud par les communes du Plateau et de Treichville, à l'est par les
communes d’Adjamé et à l'ouest par la commune de Yopougon (Figure 1). La Forêt
classée du Banco occupe 40 kilomètres carrés de son territoire et 5 kilomètres carrés
correspondent au plan d'eau de la lagune Ébrié. Attécoubé est caractérisée par une cité-
dortoir modeste. L’habitat précaire et économique occupe une importante partie du
territoire de la commune. Ces dernières années, Attécoubé subit une forte pression
démographique, engendrant ainsi une forte urbanisation dans cette commune (N’dri et
al., 2016).

Figure 1. Situation géographique des zones d’étude

BNETD - CCT, 2012

Matériel

15 La réalisation de la classification spectrale et orientée objet a nécessité un certain

nombre de données images, d’outils et de techniques représentés par le tableau 1.

Tableau 1.caractéristiques du matériel utilisé

Données images Matériel de terrain Logiciels

- carte topographique de la ville - appareil photographique pour les prises de - Envi 5.3 pour la
d’Abidjan (1/25000). Elle a permis vue ; CS ;
de délimiter les contours des - GPS Gamin de type GPSMAP 62S (précision - Envi Zoom 5.3
communes étudiées ; 3 à 10 mètres) pour enregistrer les pour la COO ;
- Image satellitaire QuickBird de coordonnées géographiques des parcelles - Excel 2016 pour
janvier 2008 ayant servi de de contrôle lors de la vérification sur le les traitements
support de classification. terrain. statistiques.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 6

16 L’image QuickBird de la ville d’Abidjan est de format standard et elle a été acquise en
janvier 2008. Elle est constituée de quatre bandes multispectrales (bleu, vert, rouge et
proche infrarouge) fusionnées avec une bande panchromatique (tableau 2). Cette image
été acquise avec un niveau de traitement acceptable. Les corrections radiométriques et
géométriques ainsi que les corrections des distorsions ont été déjà appliquées, donnant
ainsi une excellente lisibilité des différents éléments urbains.

Tableau 2. Caractéristiques de l’image

Date Nombre de bits Projection Zone Système géodésique

janvier 2008 8 UTM 30 WGS 84

Mode Bande spectrale (Longueur d’onde (µm)) Résolution spatiale (m)

Panchromatique 0,450 – 0,900 0,61 x 0,61

1 bleu 0,450 – 0,520 2,5 x 2,5

2 vert 0,552 – 0,600 2,5 x 2,5

Multispectral
3 rouge 0,630 – 0,690 2,5 x 2,5

4 proche infrarouge 0,760 – 0,900 2,5 x 2,5

QuickBird de 2008

Méthodes

17 Le traitement appliqué à l’image QuickBird pour la cartographie urbaine se compose de

deux grandes phases. La première est l’interprétation de l’image pour le choix des sites
tests. La seconde phase est constituée de la classification orientée pixels (classification
spectrale) et de la classification orientée objet (COO). Ces approches de classification
sont constituées de plusieurs d’étapes représentées à la figure 2.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 7

Figure 2. Organigramme descriptif de la méthodologie générale

18 Les sites tests retenus sont au nombre de trois et se présentent comme suit :
• une zone bien bâtie (ZBB) extraite sur le site de Cocody centre ;
• une zone à habitats précaires (ZHP) extraite sur le site d’Attécoubé (Banco 1)
• une zone non bâtie (ZNB) extraite à Djorogobité sur le site de Cocody. La répartition spatiale
de ces différents sites tests est illustrée à la figure 3.

Figure 3. Localisation des sites tests

Classification dirigée orientée pixel

19 La classification spectrale, ou orientée pixel, a été effectuée dans le logiciel Envi 5.3 en
cinq principales étapes à savoir : identifier les classes thématiques, choix des zones
d’entrainement et établissement des signatures spectrales des classes, le choix de

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 8

l’algorithme de classification et classification proprement dite, choix des parcelles de

contrôle puis l’établissement de la matrice de confusion. À la fin de la classification, il
une évaluation de cette dernière est effectuée.
20 Une visite de terrain, effectuée en complément de l’analyse visuelle des images
satellites de chaque site, a permis de définir les différentes unités cartographiques. À la
suite de la visite terrain, les classes thématiques ont été établies. Ainsi, pour le site
représentant les zones bien bâties, nous avons identifié six (6) classes d’occupation du
sol représentées par, les classes "bâti toit rouge" (BTR), "bâti toit sombre" (BTS), "bâti
toit divers" (BTD), "végétation" (VGT), "route" et "sol nu" (SN). En ce qui concerne le
second site, quatre (4) classes ont été définies pour représenter les unités
cartographiques de la zone non bâtie, à savoir, les classes "sol nu", "route TB" (route en
terre battue), "végétation" et "palmier".
21 Les zones d’entrainement sont déterminées à l’aide des connaissances à priori du
territoire. Cette action consiste à délimiter des zones homogènes connues appelées
"sites d’entrainement ou parcelle d’apprentissage" sur les images des trois sites tests.
Les caractéristiques spectrales serviront, par la suite, à classifier le reste de l’image.
L’établissement des signatures spectrales intervient après le choix des parcelles
d’apprentissage. Elle consiste à caractériser les signatures spectrales de chaque classe,
c'est-à-dire les situer dans l’espace spectral et évaluer leur séparabilité. Elle est réalisée
automatiquement au laboratoire, par l’ordinateur à travers le logiciel Envi 5.3 lors de
l’enregistrement de la signature spectrale des parcelles d’entrainement.
22 L’algorithme de classification selon le maximum de vraisemblance (maximum likelihood,
en anglais) a été utilisé pour effectuer les différentes classifications. Cet algorithme
s’appuie sur des méthodes probabilistes. Il consiste à calculer pour chaque pixel de
l’image sa probabilité d’être rattaché à une classe A plutôt qu’à une classe B (Girard et
Girard, 1999 ; Caloz et Colle, 2001). La règle d’affectation qui se déduit de cette
technique permet de minimiser les risques d’erreurs par une meilleure utilisation des
probabilités d’appartenance.
23 Ces parcelles permettent de vérifier l’exactitude de la classification et d’établir la
matrice de confusion. Elles sont prélevées sur le terrain à l’aide du GPS pour les
confronter aux parcelles d’entrainement utilisées au laboratoire lors de la première
phase de la classification. À cet effet, un échantillon de 20 points par site test et pour
chaque type de classification est prélevé.
24 Lorsque la classification est terminée, son exactitude est déterminée à l’aide d’une
interprétation visuelle et d’une matrice de confusion. La première concerne l’analyse
thématique visuelle issue de l’image QuickBird et des cartes produites par les
différentes classifications. Elle a conduit à des visites de terrain pour permettre de voir
la conformité des images classifiée avec la réalité terrain. L’analyse des matrices de
confusion, pour évaluer le niveau de performance global du traitement, mais également
des classes d’occupation du sol.
25 La matrice de confusion permet de décrire et d’évaluer pour chacune des classes
produites, la pertinence globale des résultats du modèle de classification appliqué aux
zones test.
26 À cet effet, la matrice de confusion s’appuie sur l’Indice Kappa (K) qui caractérise le
rapport entre les pixels bien classés et le total des pixels sondés. Ainsi, l’indice Kappa

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 9

(équation 1) est exprimé en termes de précision globale (PG) observée (équation 2) et de

précision prévue exprimée par l’équation 3 (Chalifoux et al., 2006).
27 Indice

28 Avec :
29 PG (a) : Précision Globale ; Nc : Nombre de classes
30 PP (b) : Précision Prévue ; N : Nombre total d’observations
Image 100026A000003B89000005A390612E062875AE44.emf

Image 10001D4000003B89000005A3DBA8E65C8B779BC5.emf

Image 100015B800003B89000005A345AD84299D0C757F.emf

31 Une fois la classification validée, un filtre médian 3*3 nous permet de réduire
l’hétérogénéité intra classes par élimination des pixels isolés. Nous procédons ensuite à
l’habillage des cartes en tenant compte des éléments sémiologiques (Aka et al., 2022).
32 Pour évaluer chaque classe prise séparément, deux indices sont employés. Ce sont :
l’erreur d’omission et l’erreur de commission. L’erreur de commission est l’affectation
d’un pixel à une classe autre que celle à laquelle il devrait appartenir. L’erreur
d’omission, quant à elle, représente la non-affectation d’un pixel à la classe à laquelle
elle devrait appartenir.

Classification orientée objet

33 Dans le souci d’avoir des résultats cartographiques comparables, les mêmes sites tests
(zone bien bâtie, zone à habitats précaires et zone non bâtie) ont été sélectionnés pour
effectuer la classification orientée objet. En outre, les mêmes paramètres d’évaluation
ont été utilisés (précision globale, erreur de commission et d’omission par classe). La
classification orientée objet effectuée sur les trois sites tests s’est fait en trois grandes
étapes, à savoir, la segmentation de l’image à classifier, la fusion et caractérisation des
formes des objets, le choix de l’algorithme et la classification proprement dite.
34 La segmentation de l’image est une opération qui consiste à analyser et découper une
image en zones uniformes (objets homogènes). C’est donc le processus de division d’une
image (figure 4) en segments (représentant des objets) qui ont les mêmes
caractéristiques (attributs). La méthode de classification par objet mise en place pour

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 10

ce travail est une méthode de classification supervisée basée sur des zones
d’entrainement déterminées par photo-interprétation. Ainsi, pour obtenir une
meilleure classification des objets urbains, il a été retenu, au cours de la segmentation,
un ajustement de l’échelle se situant entre 12 à 50 %. Plus cette échelle est grande, plus
les objets seront de grande taille. Les objets de petite taille seront sélectionnés si cette
échelle est petite. La définition du critère d’homogénéité se compose de deux
paramètres que sont la couleur et la forme. Le renforcement des couleurs influence les
valeurs spectrales vis-à-vis de la forme dans la constitution du critère d’homogénéité
(Alban, 2005). Plus le critère de couleur est faible, moins l’homogénéité spectrale
influence la génération d’objets. La forme prend en compte deux paramètres :
compacité et lissage. Ce critère est en fait une valeur abstraite (fixée entre 0 et 1) qui
permet d’influencer la taille et la forme de l’objet suivant la pondération accordée à
chaque paramètre (Alban, 2005).

Figure 4. Segmentation de l'image

35 Au cours de cette phase, les pixels sont progressivement fusionnés à leurs voisins pour
créer des objets de plus en plus grands en jouant sur l’échelle de formes des objets. La
définition des objets consiste en la recherche des propriétés spectrales, spatiales
(dimension, forme) et contextuelles (relation spatiale entre les régions) des pixels. À la
fin de la fusion, les segments sont fusionnés pour reconstituer les formes
géographiques observées sur le terrain.
36 En ce qui concerne le présent travail, tous les attributs (spatial, spectral et textural)
disponibles ont été cochés (choisis) au cours des classifications (dans le cas de ce
travail, nous avons coché la sélection automatique des attributs). Ces trois types
d’attributs ont été utilisés conjointement pour mieux discriminer les objets en vue
d’éviter les erreurs et rendre les résultats de la classification plus précis (figure 5).

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 11

Figure 5. Choix des attributs et de l’algorithme de classification

37 L’algorithme du plus proche voisin (nearest neighbor classifier, en anglais) a été choisi,
car il est utilisé dans de nombreux domaines, tels que la reconnaissance de formes
(Bonn et Ronchon, 1996 ; El Fakir, 2020 ; Villes et al. 2018) et il donne de meilleurs
résultats dans la classification des différents sites tests de la présente étude. Tout
comme pour la classification spectrale, nous avons procédé à l’évaluation de la
classification orientée objet. Elle a consisté à établir des matrices de confusion et à
effectuer l’interprétation visuelle avant de valider les différentes classifications.

Analyse comparative des traitements

38 La comparaison des deux techniques de classification dirigée s’est axée sur un certain
nombre de paramètres. Il s’agit de l’approche visuelle et des matrices de confusion
issues des différentes classifications. En interprétation visuelle, nous nous sommes
basées sur l’analyse des formes des objets, leurs tailles, ainsi que leur disposition
mutuelle dans l'image. La comparaison des différentes classifications, avec la
localisation réelle des objets sur le terrain, nous a permis de relever des différences et
les ressemblances sur les images classifiées. La comparaison selon la matrice de
confusion utilise des résultats suivant une méthode statistique. Pour cela, les
paramètres tels que la précision globale, l’erreur de commission et l’erreur d’omission
sont utilisés pour évaluer et comparer les deux types de classifications selon les
différents sites.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 12

Résultats et Discussion
Description des unités cartographiques de la tâche urbaine de
Cocody

39 Il s’agit d’un quartier résidentiel situé entre le dépôt de la Société des Transports
Abidjanais (SOTRA) et l’école de Gendarmerie. Ce site est caractérisé par une structure
bien organisée. La construction de ce quartier respecte les textes législatifs en matière
d’urbanisme et d’aménagement (figure 6). Quatre grands types d’objets urbains
caractérisent cette zone. Il s’agit des bâtis, de la végétation (espace vert), du réseau
routier et des sols nus. La classe « bâti » est constituée de constructions aux formes
régulières, couvertes de tôles, de tuiles ou de dalles de couleurs variables. La végétation
est composée d’espaces verts aménagés (jardin et parc à bois) et de peuplement
spontané le long des ravins et sur des terrains non encore mis en valeur. Le réseau
routier y est bien organisé avec des voies majoritairement bitumées. Les sols nus sont
constitués d’air de jeu et de quelques zones non bâties.

Figure 6. Vue photographique de zones bien bâties (ZBB) de Cocody-Riviera

40 Extrait du village Agban-Attié, le quartier précaire Banco 1 est limité naturellement par
des flancs de collines. Il est situé entre la Forêt classée du Banco et la commune de
Yopougon. Au niveau de l’habitat, les logements ne respectent aucun plan directeur.
Les textes législatifs en matière d’urbanisme et d’aménagement sont ignorés, créant
ainsi une colonisation anarchique de l’espace. Les constructions sont constituées de
matériaux de récupérations de tous genres tels que de vieilles planches, du bois de
caisses, des tôles usées, des plastiques noirs, de la terre battue, de quelques bois plantés
qui jonchent une végétation spontanée, et cetera (figure 7 ). Le quartier est
majoritairement habité par de petits commerçants, des vigiles, des mécaniciens, des
artisans, des ferronniers et des sans-emplois. Ce quartier occupe une superficie
d'environ 2,1 hectares (Yao, 2010).

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 13

Figure 7. Vue panoramique du quartier à habitats précaires (ZHP) de Banco 1

Yao, 2010 et N’dri, 2016

41 Situé au nord-est de Cocody, Djorogobité constitue une zone d’extension pour la

commune. Aujourd’hui, elle abrite des programmes d’opérations immobilières, mais
également de vastes portions non encore bâties ou en cours de construction. Elle est
également constituée de végétations et de sols nus (figure 8). La zone test délimitée sur
ce site est formée d’un ensemble constitué d’arbres et d’herbes avec par endroits
quelques cultures comme le maïs, le manioc ainsi que des plantations de palmier à
huile.

Figure 8. Vue du site test constitué d'une zone non bâtie (ZHB) : Djorogobité

Analyse comparative des deux procédés de classification par site

test

42 Les figures 9a et 9b désignent respectivement les cartes d’occupation du sol issues de la

classification spectrale et de la classification orientée objet du site constituée d’une
zone bien bâtie. Une exploration visuelle des deux techniques de classification sur ce
site fait ressortir aussi bien des ressemblances que des dissemblances (Tableaux 3).

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 14

Figure 9. Classification de la ZBB

Tableau 3. Analyse comparative visuelle des deux approches de classifications

Techniques Classes
de
classification Bâtis Végétation Sols nus Routes

- l’extraction est
- l’extraction est - l’extraction est
- extraction moyenne ; moyenne ;
moyenne ; moyenne ;
- contours non - contours non
- difficulté de - légère confusion
réguliers ; réguliers,
Classification discrimination de avec les bâtis
spectrale (CS) - compactage des bâtis à - confusion avec
la végétation entrainant une
cause de quelques les bâtis
soulignant des difficulté de
confusions avec les entrainant un
structures discrimination
routes et les sols nus. compactage des
linéaires des sols nus
constructions.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 15

- bonne extraction ;
- bonne
- contour plus régulier ; - bonne - bonne
extraction ;
extraction ; extraction
- l’individualisation des
- bonne
- discrimination - contours plus
Classification bâtis rend plus facile extraction des
plus aisée de la réguliers des
orientée objet leur dénombrement
sols nus par la
grâce à la baisse de la végétation objets ;
(COO) réduction de la
confusion avec les routes longeant les - réduction de la
confusion
et sols nus constatés structures confusion avec
constatée plus
avec la classification linéaires les bâtis.
haut.
spectrale

43 La classification orientée objet procure une bonne précision des différents types
d’occupation du sol dans la ZBB.
44 Les tableaux 4 et 5 représentant les matrices de confusion indiquent des précisions
globales de 91,27 et 95,60%, respectivement pour la CS et la COO. Ils affichent dans la
diagonale le pourcentage de pixels bien classés et hors diagonale le pourcentage de
pixels mal classés. Notons qu’une amélioration de la précision globale de 4,26% est
apportée par la COO. De façon plus spécifique, tous les types d’occupation du sol sont
extraits avec une précision plus grande par la COO. Le bâti est le type d’occupation
extrait avec la meilleure précision dans les deux approches. Les sols nus et les routes
sont les objets les moins bien cartographiés, respectivement pour l’approche spectrale
et l’approche orientée objet à cause de leur confusion avec les bâtis (tableau 6). La CS
enregistre une forte commission avec le sol classé dans les bâtis toits divers (bâti_TD).
Au niveau de la COO, les confusions (2,55% à 6,81%) observées entre les différentes
classes sont moins prononcées que dans la classification spectrale (4,10% à 13,04%). La
comparaison montre que les types d’occupation du sol qui enregistrent un taux élevé
de confusions sont les "sols nus"/ "bâti » et la classe "route"/"bâti", respectivement
pour l’approche spectrale et orientée objet. Cette dernière enregistre des taux de
commission plus faibles que dans la classification spectrale (0,11 à 9,16%).
45 Au total, la COO de la ZBB permet d’obtenir un taux moyen de classification d’environ
4,85% (tableau 6) par rapport à la CS. La COO semble donc extraire avec plus de
précision les différentes unités d’occupation du sol de la zone bien bâtie.

Tableau 4. Matrice de confusion de la classification spectrale de la ZBB

Parcelles de contrôle

Classes BTR BTS BTD Vgt Route SN EC (%)

BTR 95,90 0,00 3,48 0,00 0,00 0,00 10,01

BTS 0,00 93,05 0,04 0,16 3,72 0,00 1,50

BTD 1,49 1,83 91,30 0,98 3,72 13,04 7,15

Vgt 0,80 1,45 0,00 93,03 3,43 0,00 5,60

Route 0,00 3,67 3,05 5,83 88,84 0,00 14,93

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 16

SN 1,81 0,00 2,13 0,00 0,29 86,96 14,00

Total 100 100 100 100 100 100

EO (%) 4,10 6,95 8,70 6,97 11,16 13,04

BTD : bâti toit divers ; BTR : bâti toit rouge ; BTS : bâti toit sombre ; EC : erreur de commission ; EO :
Erreur d’omission ; SN : sol nu ; Vgt : végétation ; Précision globale (PG) = 91,27%

Tableau 5. Matrice de confusion de la classification orientée objet de la ZBB

Parcelles de contrôle

Classes BTR BTS BTD Vgt Route SN EC (%)

BTR 97,45 0,37 0,00 0,00 0,00 0,00 0,11

BTS 0,85 97,56 0,20 0,78 0,27 0,00 1,05

BTD 1,70 2,00 94,41 3,60 4,94 3,30 5,68

Vgt 0,00 0,07 0,00 95,31 0,13 0,00 0,2

Route 0,00 0,00 2,99 0,00 93,19 0,00 8,03

SN 0,00 0,00 2,40 0,31 1,47 96,70 9,15

Total 100 100 100 100 100 100

EO (%) 2,55 2,44 5,59 4,69 6,81 3,30

BTD : bâti toit divers ; BTR : bâti toit rouge ; BTS : bâti toit sombre ; EC : erreur de commission ; EO :
Erreur d’omission ; SN : sol nu ; Vgt : végétation ; Précision globale (PG) = 95,60%

Tableau 6. Taux de bonnes classifications par classes de la ZBB

Taux de bonnes classifications (%)

Classes
Classification spectrale Classification orientée objet Différence

Taux moyen bâti 93,42 96,47 3,05

Végétation 93,03 95,31 2,28

Route 88,84 93,19 4,35

Sol nu 86,96 96,70 9,74

Taux global (%) 90,56 95,41 4,85

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 17

Résultats du site constitué de la zone non bâtie (ZHP) : Banco 1

46 La figure 10 et le tableau 7 désignent respectivement les cartes d’occupation du sol et le

tableau comparatif des types d’occupation du sol issues de la CS et de la COO du site
constitué par un quartier à habitats précaire (Banco 1).

Figure 10. Classification de la ZHP

Tableau 7. Analyse comparative visuelle des deux approches de classifications

Techniques Classes
de
classification Bâtis Végétation Sols nus Routes

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 18

- bonne
extraction ;
- extraction
- le bitume
moyenne ;
- bonne extraction ; parallèle au
- limites non - assez bonne quartier n’est
- permet l’extraction extraction ;
régulières ; visible que sur
de nombreux détails
- compactage des - présente une petite
Classification comme la végétation
bâtis sous forme néanmoins des portion (plus
spectrale (CS) qui souligne la voie
d’amas, difficile à confusions avec les étendue sur
bitumée. Observation
dénombrer bâtis, source du l’image de la
de quelques légères
conséquence de la compactage des COO. La
confusions avec les
confusion de ces bâtis trajectoire de la
sols nus et la route
derniers avec les voie est
sols nus matérialisée par
la végétation
qui la borde.

- bonne
extraction
- confusion avec
- extraction assez les sols nus et
- bonne extraction
bonne ; quelques fois à
- contours plus - extraction
moyenne ; - présente des la végétation. La
réguliers ;
confusions moins conséquence est
- l’individualisation - confusion avec les que :
Classification des bâtis rend plus sols nus et les routes, prononcées avec
orientée objet facile les bâtis. - la voie
leur entrainant des
(COO) Conséquence, le parallèle au
dénombrement, difficultés de
compactage des quartier est
conséquence de la discrimination de la
bâtis est peu visible sur une
réduction des végétation qui
accentué petite portion.
confusions avec les souligne la route ;
comparativement à L’autre portion
sols nus
la CS. est remplacée
par la
végétation ou
les sols nus.

47 À travers le tableau ci-dessus, la COO semble extraire avec peu de précision les
différents types d’occupation du sol dans la Zone à Habitat Précaire (ZHP).
48 Les tableaux 8 et 9 représentent les matrices de confusion de la CS et de la COO. Ces
deux tableaux indiquent que les précisions globales des classifications sont de 89,59 %
et 90,32 %, respectivement pour les approches spectrales et orientées objet. Les
résultats sont statistiquement identiques (tableau 10). En effet, la COO permet
d’augmenter le pourcentage global de précision cartographique de seulement 2,95% par
rapport à la classification spectrale (Tableau 8). Certaines confusions apparaissent
néanmoins dans les deux approches. Elles sont plus élevées avec la CS (10,60% à
19,88%). La classe « sol nu » présente le plus fort taux de confusion estimé à 15,08%,
avec la classe « bâti ». Ces confusions sont réduites avec la COO (6,35% à 15,58%).

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 19

Tableau 8. Matrice de confusion de la classification spectrale de la ZHP

Parcelles de contrôle

Classes Bâti Sol nu Végétation Route EC (%)

Bâti 80,12 10,60 0,00 0,00 0,00

Sol nu 15,08 89,40 13,99 7,16 30,59

Végétation 4,42 0,00 81,03 7,04 0,49

Route 0,38 0,00 4,98 85,80 21,91

Total 100 100 100 100

EO (%) 19,88 10,60 18,97 14,20

EC : erreur de commission ; EO : Erreur d’omission ; Précision globale (PG) = 89,59%

Tableau 9. Matrice de confusion de la classification orientée objet de la ZHP

Parcelles de contrôle

Classes Bâti Sol nu Végétation Route EC (%)

Bâti 93,65 1,07 0,00 0,00 4,66

Sol nu 4,61 90,80 12,31 10,53 24,06

Végétation 1,31 7,51 79,28 5,05 2,10

Route 0,43 0,62 08,41 84,42 20,96

Total 100 100 100 100

EO (%) 6,35 9,2 20,72 15,58

EC : erreur de commission ; EO : Erreur d’omission ; Précision globale (PG) = 90,32%

Tableau 10. Taux de bonnes classifications par classes de la ZHP

Taux de bonnes classifications (%)

Classes
Classification spectrale Classification orientée objet Différence

Bâti 80,12 93,65 13,53

Sol nu 89,40 90,80 1,40

Végétation 81,03 79,28 -1,75

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 20

Route 85,80 84,42 -1,38

Taux global (%) 84,09 87,04 2,95

Résultats du site constitué de la zone non bâtie (ZNB) : Djorogobité

49 La cartographie de l’occupation du sol de ce site est représentée par la figure 11a et 11b.
Une première analyse visuelle des CS et COO (tableau 11) relève une bonne
discrimination des éléments urbains par l’approche orientée pixels.

Figure 11. Classification de la ZNB

Tableau 11. Analyse comparative visuelle des deux approches de classification

Techniques Classes

de
Sols
classification Route TB Végétation Palmerais
nus

- bonne extraction ;
- l’extraction - l’extraction
- les contours est bonne. est bonne ;
Classification présentent très peu - l’extraction est bonne
- quelques - très peu de
spectrale (CS) de confusions avec les avec quelques confusions
confusions confusions
sols nus. Leur avec la palmeraie ;
avec les la avec les
extraction est donc
végétation routes TB.
précise.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 21

- mauvaise extraction
- les routes : fortes - l’extraction
- l’extraction
confusions avec les - l’extraction est est moyenne.
Classification est moyenne ;
sols nus. Seules les moyenne ; - confusions
orientée objet - confusions
routes qui traversent - taux de confusion élevé accentuées
(COO) élevées avec
la végétation et les avec la palmeraie. avec la classe
routes TB
palmeraies sont bien végétation
discriminées.

50 Au total, la CS semble afficher une meilleure qualité thématique des objets extraits de
la tâche urbaine.
51 Les tableaux 12 et 13 représentent respectivement les matrices de confusion de la CS et
de la COO. Ils indiquent que les précisions globales sont de 94,28% pour l’approche
spectrale et de 86,06% pour l’approche orientée objet (COO). Avec la méthode spectrale,
toutes les classes d’occupation du sol ont des taux de pixels bien classés compris entre
90,26% et 95,91%. Les confusions observées entre classes (4,18% à 9,74%) sont plus
faibles que celles observées avec la COO (9,05% à 28,59%). Les classes « végétation » et
« routeTB » ont les taux de discrimination les moins bons (71 à 75,48%) avec la COO.
Une analyse plus fine de ces données montre que la classe « végétation » présente de
fortes confusions avec la classe « palmier ». La forte confusion est également observée
au niveau des classes « routeTB » et « sol nu » avec un taux de confusion d’environ
27,80%.
52 En somme, sur la zone non bâtie, caractérisée par une absence de géométrie régulière,
la CS est mieux indiquée pour l’extraction des entités urbaines. En effet, cette méthode
permet d’augmenter la précision cartographique générale de 14,40% par rapport à la
COO (tableau 14). Au niveau thématique, ce gain est significatif et varie de 4,20 à
18,85%. Cette amélioration est perceptible en particulier pour la classe « routeTB »,
« végétation » et « sol nu ».

Tableau 12. Matrice de confusion de la classification spectrale de la ZNB

Parcelles de contrôle

Classes Sol nu RouteTB Végétation Palmier EC (%)

Sol nu 95,91 9,57 0,50 0,05 6,36

RouteTB 4,09 90,26 0,00 0,00 8,63

Végétation 0,00 0,17 91,53 4,82 7,31

Palmier 0,00 0,00 7,97 95,15 3,84

Total 100,00 100,00 100,00 100,00

EO (%) 4,09 9,74 8,47 4,87

EC : erreur de commission ; EO : Erreur d’omission ; TB : terre battue ; Précision globale (PG) = 94,28%

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 22

Tableau 13. Matrice de confusion de la classification orientée objet de la ZNB

Parcelles de contrôle

Classes Sol nu RouteTB Végétation Palmier EC (%)

Sol nu 85,41 27,80 4,03 0,66 15,17

RouteTB 10,65 71,41 0,22 0,11 5,59

Végétation 0,26 0,70 75,48 8,28 10,13

Palmier 3,68 0,09 20,27 90,95 12,34

Total 100 100 100 100

EO (%) 14,59 28,59 24,52 9,05

EC : erreur de commission ; EO : Erreur d’omission ; TB : terre battue ; Précision globale (PG) = 86,06%

Tableau 14. Taux de bonne classification par classe de la ZNB

Taux de bonnes classifications (%)

Classes
Classification spectrale Classification orientée objet Différence

Sol nu 95,91 85,41 10,50

RouteTB 90,26 71,41 18,85

Végétation 91,53 75,48 16,05

Palmier 95,15 90,95 4,20

Taux global (%) 93,21 80,81 14,40

Synthèse

53 Les deux types de classifications (CS et COO) donnent des résultats satisfaisants. Une
analyse d’ensemble permet de faire les observations suivantes :
• au niveau de tous les sites tests, les deux types de classifications permettent de
cartographier l’occupation de sol avec une précision supérieure à 86% ;
• au niveau de la ZBB, la classification orientée objet affiche une précision supérieure à
l’approche spectrale pour la cartographie du tissu urbain (figure 12a) ;
• au niveau de la ZNB, c’est plutôt la classification spectrale qui donne la meilleure précision
cartographique (figure 12c).
54 Une analyse plus poussée des matrices de confusion indique que le taux d’extraction
des classes varie en fonction du site test (figure 12). Au vu des différents résultats, il

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 23

ressort de cela que la précision cartographique de la COO baisse au fur et à mesure que
nous passons d’un site bien organisé à un autre où l’on observe le manque
d’organisation. Inversement, la CS connait une amélioration du taux d’extraction
lorsque nous évoluons vers une zone désorganisée comme les ZNB.

Figure 12. Synthèse de l'évaluation des classifications

Discussion
55 L’analyse comparée des deux méthodes de classification dirigée (spectrale et orientée
objet) sur les images à THRS a permis d’évaluer et de caractériser les différents types
d’occupation de sol des deux sites tests (Cocody et Attécoubé). Cette démarche
méthodologique a permis de donner une interprétation des grands ensembles de
l’occupation du sol. Ainsi, deux méthodes d’évaluation des résultats ont été utilisées. La
première qui est l’analyse visuelle simple est appuyée par des visites de terrain et elle
est faite sur la base de la signature spectrale des objets. Elle correspond à la méthode
traditionnelle de photo-interprétation des images satellites. Cette approche largement
utilisée est reconnue pour sa performance dans la détection, l’identification et de
caractérisation des unités spatiales sur une image comme l’ont mis en évidence
plusieurs travaux (OSFACO, 2019 ; Vitter, 2018). Pour minimiser les erreurs de
traitement, les CS et COO ont été également validées par l’analyse des différentes
matrices de confusion des résultats. Ce type d’évaluation est utilisée par plusieurs
auteurs (Diédhiou et al., 2020 ; Vitter, 2018, Kemsol Nagorngar, 2018 ; Sangne et al.
2015) pour une analyse plus parfaite de la qualité de la classification. Ainsi, des
différents résultats obtenus nous pouvons noter ce qui suit qu'au niveau des ZBB, les
précisions cartographiques des traitements estimées à 91,27% et 94,30%,

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 24

respectivement pour la classification spectrale et la classification orientée objet,

restent proches des valeurs obtenues par d’autres auteurs. En effet, Puissant (2003) a
obtenu des précisions globales de 93,4% et 94,6%, respectivement pour l’approche
spectrale et orientée objet, en traitant une image QuickBird couvrant la ville de
Strasbourg en France. En outre, Rakotoniaina et Collet (2009) ont quant à eux obtenu
des précisions globales de 89,75% et 90,17% en classifiant une image Spot multispectrale
de la ville de Genève, en Suisse. Des études similaires réalisées par Crutzen, 2017 sur
une approche multicapteurs pour la cartographie des ressources ligneuses en Wallonie
ont permis d’avoir également des résultats similaires à ceux obtenus dans la présente
étude (avec 90,2% pour la CS et 95,20% avec la COO). De plus, Gressin (2014) a révélé
également que, dans le domaine de l’occupation du sol, la COO sur une image RapidEye
permet d’avoir une estimation globale estimée à 87%. Cette approche permet alors une
classification plus fine des objets urbains.
56 La meilleure précision de la COO pourrait donc trouver une justification dans le fait que
ce site est caractérisé par un tissu urbain de type ordonné, c’est-à-dire avec des objets
ayant des formes géométriques régulières, comme l’ont prouvé les études menées par
Karsenty et al. (2007), Sparfel et al., (2008) ou encore Revillion (2012). Ainsi, la COO qui
intègre aussi bien les propriétés spectrales que spatiales des objets (forme, limites, et la
disposition des objets) donnerait un taux d’extraction plus élevé. Au niveau de la CS, les
sols nus représentent le type d’objet le moins bien discriminé à cause de leur confusion
avec les bâtis à toits divers. Cette trop grande confusion (13,04%) proviendrait des
dalles et des tuiles qui servent de couverture aux bâtis. En effet, le sable et l’argile
représentent le matériel de base des dalles et des tuiles. Ce qui explique leur confusion
avec les sols nus. Concernant la COO, les confusions au niveau des mêmes classes (sols
nus et bâtis) sont considérablement réduites, entre 2,55% et 3,30% contre 4,10% et
13,04% pour la CS, ce qui semble logique dans la mesure où cette approche (orientée
objet) confirme l’utilité d’intégrer des aspects spatiaux et spectraux pour améliorer les
résultats des traitements comme l’indiquent les travaux de Karimou Barké et al., (2018)
et Puissant (2003). En outre, l’hétérogénéité de la structure paysagère d’une image à
très haute résolution spatiale est susceptible d’avoir un impact défavorable sur la
qualité de la classification de certaines classes (Sparfel et al., 2008). Or l’espace
considéré dans cette étude présente une forte hétérogénéité liée à une tradition
d’habitat concentré accentuée par l’évolution urbaine. D’où les confusions observées
dans la COO, plus accentuées dans l’approche spectrale.
57 Au niveau des ZHP, les précisions des traitements sont en dessous de ceux obtenus avec
la ZBB. Une autre remarque importante est que les deux types de classification donnent
des précisions globales très voisines : 89,59% pour la CS et 90,32% pour l’approche
orientée objet (COO). Une hypothèse qui pourrait expliquer cette situation est l’aspect
désordre observé dans les ZHP, comparativement à la ZBB. En effet, la capacité
d’extraction des formes et limites des objets de la COO aurait des limites à cause du
manque d’organisation qui donne un aspect compact à ce type d’occupation du sol.
Toutefois la COO reste plus performante dans l’extraction des bâtis (Lhomme, 2005 ;
Puissant et al., 2006 ; Lefebvre, 2011). En effet, les bâtis qui sont les objets les mieux
extraits par la COO sont les plus difficiles à discriminer par l’approche spectrale à cause
de la confusion importante avec les sols nus.
58 Au niveau de la ZNB, la précision cartographique obtenue avec la CS, estimée à 94,28%,
est supérieure à celle de la COO qui est de 86,06%. Ces résultats restent très proches des

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 25

valeurs obtenues par d’autres auteurs. En effet, Alban (2005) a obtenu des précisions
globales de 82,00% et 90,00%, respectivement pour la CS et la COO en classifiant des
images Spot XS et une photographie aérienne couvrant la ville de Toulouse. Ces mêmes
études révèlent que les bois (végétation) ont un taux d’extraction de 91,00% pour la
méthode spectrale et de 71,22% pour l’approche orientée objet. En outre, les résultats
des travaux de Pisson-Govart, 2015 ont également permis de mettre en évidence les
différents apports des deux méthodes de classification sur une image à THRS. En effet,
ses travaux portant sur la cartographie de l’occupation du sol et des cultures à la
Réunion par analyse orientée objet ont permis d’avoir une précision globale moyenne
de 90% (précision globale de 80 à 95%) la COO (Pisson-Govart, p. 2015, p. 38).
59 La COO serait donc, à travers les différentes analyses, une approche peu adaptée pour
l’extraction d’objets avec une structure non régulière. Ainsi, si les sols nus sont mieux
discriminés par la CS, c’est plutôt les champs de palmiers qui le sont avec COO. Ce
résultat pourrait s’expliquer par le fait que sur les sites non bâtis, les plantations de
palmiers quadrillées par les pistes sont les seules structures véritablement régulières. Il
s’agit d’exploitation agricole dont la mise en place respecte généralement une
organisation spatiale rigoureuse.
60 Cette étude offre des outils appropriés pour la gestion de l’espace. À cet effet, deux
approches de classification dirigées (orientée pixel et orientée objet) ont été utilisées
pour la cartographie du tissu urbain. Grâce à des résultats d’exploitation fort
appréciables, l’objectif fixé par le présent travail a été atteint. Toutefois, cette
recherche fait l’objet des certaines difficultés et limites pour sa mise en œuvre.
61 D’abord, une objection majeure peut être soulevée quant à l’utilisation de l’image
QuickBird de janvier 2008. En effet, le choix du format standard et de la date de l’image
a été d’abord motivé par des raisons économiques. Bien plus, l’utilisation de ce type de
capteur est limitée à cause des conditions de restriction imposées par la licence. De
cette façon, il n’a été possible d’obtenir qu’une image réduite à un seul espace limité
dans lequel la zone d’étude a été sélectionnée. Dans ces conditions, les traitements
n’ont pu se faire sur de très grands sites pour évaluer avec plus d’objectivité les
différents types de classifications dirigées.
62 Sur le plan opérationnel, les limites sont aussi liées au choix des méthodes de
classification. En ce qui concerne la classification orientée pixel, le choix
méthodologique adopté pour effectuer la classification se base sur l’algorithme du
maximum de vraisemblance qui est l’un des algorithmes le plus utilisé dans la
classification des images de télédétection (Caloz et Pointet, 2003). Son utilisation se
base sur une méthode probabiliste. Ainsi, comme le soulignent les travaux de Pony et
Descombes (2000), pour chaque pixel, il est déterminé sa probabilité d’appartenir à une
classe plutôt qu’à une autre. Cependant, si cette probabilité n’atteint pas le seuil
escompté, le pixel est classé inconnu. En outre, comme évoqué dans les travaux de
Dolbec et al., (2005), un autre frein majeur est que l’exécution des opérations
d’affectation des pixels aux différentes classes nécessite un temps de calcul important.
63 La classification orientée objet s’appuie quant à elle sur une méthode basée sur
l’algorithme du proche voisin. Si le fonctionnement de cet algorithme est facile à
comprendre, la principale limite de cette méthode est sa complexité dans la recherche
des plus proches voisins pour chaque classe d’occupation du sol. Ainsi, si la zone
d’étude est très grande, le temps de calcul peut être extrêmement long. Il faut donc
porter une attention particulière à la taille des jeux de données (Ysance, 2020). Aussi,

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 26

devant la complexité des données géographiques, l’utilisation des algorithmes du

maximum de vraisemblance et du plus proche voisin parait limitée pour obtenir une
classification mieux élaborée adaptée à l’extraction des objets urbains des milieux très
hétérogènes.

Conclusion
64 L’expansion spatiale des villes est devenue un phénomène remarquable qui touche un
nombre croissant d’habitants sur l’ensemble du globe et génère de plus en plus de
problèmes socioéconomiques et environnementaux. La demande en informations est
donc croissante et les enjeux de plus en plus importants. L’apparition des images
satellitaires à THRS à partir des années 1990 suscite de fortes attentes pour l’analyse
des milieux urbains. En effet, elles apparaissent comme une nouvelle source
d’information spatiale et bouleversent les modes d’interprétation classiques en passant
de l’interprétation des classes à l’identification des objets. L’objectif majeur de cette
étude était d’améliorer la cartographie urbaine par l’élaboration d’une méthodologie
permettant d’évaluer deux techniques de classification que sont : la CS et la COO.
L’approche méthodologique adoptée au cours de ce travail a permis de montrer que la
COO appliquée à des images spatiales à THRS, s’est révélée efficace pour la détection des
objets urbains surtout en zone bien organisée. Cette approche connait une baisse
significative des taux d’extraction au fur et à mesure que nous évoluons vers des zones
moins bien organisées au profit de la CS. Ainsi, dans la ZBB, la classification orientée
objet a apporté une amélioration de 4,85% par rapport à la classification spectrale. Sur
le deuxième site constitué de la ZHP, les deux approches ont des performances
sensiblement égales (89,59% pour la classification spectrale et 90,32% pour l’approche
orientée objet). Les résultats obtenus sur le dernier site (ZNB) sont en faveur de la
classification spectrale qui apporte une amélioration générale significative de 14,40%.
65 En somme, il n’existe véritablement pas de méthodes de classifications abouties pour le
traitement de tous les types de tissus urbains, mais plutôt des complémentarités entre
elles. Il conviendra d’affiner cette étude par d’autres travaux. Ainsi, en perspectives, il
est envisagé de coupler les types de classifications utilisées dans cette étude avec
d’autres approches de classifications comme la classification par les réseaux de
neurones et de l’analyse de la texture pour espérer améliorer la qualité de l’extraction
des éléments urbains.
Les auteurs remercient le Centre Universitaire de Recherche et d’Application en Télédétection
(CURAT) de l’Université Félix Houphouët-Boigny (UFHB, Abidjan-Cocody) pour son appui
technique et la collecte de données images.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 27

BIBLIOGRAPHIE
Aka, K. S. R., H. N. Dibi, J. N. Koffi, et C. N. Bohoussou, 2022, Étude comparative de Sentinel-2 et
Landsat-8 Oli à l’évaluation de l’occupation du sol du site Ramsar d’Azagny, Sud de la Côte
d’Ivoire, Afrique Science, vol. 20, pp. 1-17.

Alban, T., 2005, Application de l’approche orientée-objet à l’extraction de fragments forestiers à

partir de scènes spot, Mémoire de DESS SIGMA, p. 29, [En ligne] URL : http://www.alban-
thomas.azerttyu.net/file/BoisObjet.pdf

Benyahia L., H. Dridi, 2017, L’analyse diachronique de la superficie urbaine par télédétection et
SIG d’une grande ville Algérienne (Batna), revue Sciences & technologie D, vol. 0, n°45, 8 pp. 101-108.

Benz, U. C., G. Hoffmann, I. Lingenfelder et M. Heynen, 2004, Multi-resolution, object-resolution

fuzzy analysis of remote sensing data for GIS-ready information, ISPR journal of photogrammetry
and remote sensing, n°58, pp. 239-258.

Bonn, F., G. Ronchon, 1996, Précis de télédétection : principes et méthodes. Presse universitaire du
Quebec/AUPELF, vol.1, 485 p.

Boukachaba, N., 2017, Apport des observations satellitaires hyperspectrales infrarouge au-dessus
des continents dans le modèle météorologique à l’échelle convective Arome, thèse de Doctorat,
Université de Toulouse (France), 163 p.

Caloz, R., A. Pointet, 2003, Analyse comparative de la classification contextuelle et du maximum

de vraisemblance : Synthèse et cas d’étude, Télédétection, Contemporary Publishing International, Vol.
3, n° 2-3-4, pp. 311-322

Caloz, R. et C. Colle, 2001, Précis de télédétection. Traitements numériques d’images de télédétection.

Presse universitaire du Québec, Vol III, 386 p.

Catanzano, T., 2001, Détection d’objets sur des images satellitaires à très haute résolution :
application à des camps de réfugiés en guinée forestière, projet CIRAD, Ecole Supérieure en
Sciences Informatiques (ESSI), 44 p.

Chalifoux, S., M. Nastev, C. Lamontagne, R. Latifovic et R. Fernandez, 2006, Cartographie de

l’occupation et de l’utilisation du sol par imagerie satellitaire Landsat en hydrologie,
Comptemporary Publishing International, Télédétection, vol. 6, n°1, pp. 9-17

CCT, 2005, Glossaire des termes de télédétection. Revue du Centre Canadien de Télédétection et de
géodésie, [en ligne] URL : http://www.ccrs.nrcan.gc.ca.glossary/index, Consulté le 01 Juillet 2022.

Corbane C., N. Baghdadi, S. Hosford, J. Somma et S. Chevrel, 2004, Application d’une méthode de
classification orientée-objet pour la cartographie de l’occupation du sol, revue française de
photogrammétries et de télédétection, n°175, pp. 1-17

Crutzen, F., 2017, Approche multicapteur pour la cartographie par télédétection des ressources
ligneuses en Wallonie : application à la commune de Paliseul, Master, Université de Liège, 68 p.

Crombete, P., 2016, Contribution des Technologies satellitaires Pléiades à l’étude des trames verts
urbaines : entre maintien des connectivités écologiques potentielles et densification des espaces
urbaines. Thèse de Doctorat, Université de Toulouse le Mirail (France), 359 p.

Diédhiou, I., C. Mering, O. Sy et T. Sané, 2020. Cartographier par télédétection l’occupation du sol
et ses changements : application à l’analyse de la dynamique des paysages forestiers
sénégambiens entre 1972 et 2016, EchoGéo, n°54, pp. 1-42

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 28

Dolbec, J-F., A. N. Rousseau et R. Quilbé, 2005, Développement d'un processus de classification

d'images satellitaires afin de détecter les changements d'occupation du sol sur le bassin versant
de la rivière Chaudière pour la période 1970 à 2000 : Exemple de l'image Landsat-5 du 6 août 1987,
Rapport pour le projet FACC A9446, Centre Eau, Terre et Environnement Institut National de la
Recherche Scientifique (INRS-ETE), Québec (Canada), 85 p.

Dongo, K., K. F. Kouame, B. Kone, J. Biemi, M. Tanner et G. Cissé, 2008, Analyse de la situation de
l’environnement sanitaire des quartiers défavorisés dans le tissu urbain de Yopougon à Abidjan,
Côte d’Ivoire. Vertigo, vol. n°3, Décembre. pp 1-11.

Ebah, J., 2009, La gestion des eaux usées dans la ville d’Abidjan : le cas de la commune de Cocody.
Mémoire de Maîtrise en environnement, Université de Cocody, 121 p.

El Fakir, C., 2020, Imagerie hyperspectrale active basée sur un laser QCL largement accordable
dans l’infrarouge moyen, thèse de Doctorat, Université de Rennes 1 (France), 159 p.

Forget, M.-E., J.-C. Thouret, A. Kuentz et M. Fountugne, 2008, Héritages glaciaires, périglaciaires
et évolution récente : le cas du Nevado Coropuna (Andes Centrales, sud du Pérou), Géo –
Morphologie : relief, processus, environnement, volume 2, pp 113-132.

Girard, M-C. et Girard C.M., 1999, Traitement des données de Télédétection, Edition Dunod, Paris,
France, 529 p.

Gressin, A., 2014, Mise à jour d’une Base de Données d’occupation du sol à grande échelle en
milieu naturel à partir d’une Image satellite THRS, Thèse de Doctorat, Université René Descartes-
Paris V, 227 p.

Karimou-Barké, M., B. Tychon, I. Ousseni, A. Ozer et C. Bielders, 2018, Détection des cuvettes
oasiennes du Centre-Est du Niger par classifications d’images-satellite SPOT5-THX, EJARS, vol 53,
pp. 32-84

Kamel S., 2005, Introduction générale à la télédétection, partie I : base physique et exemple
d’application aux couverts végétaux, Université Paris Sud XI, 26 p.

Karsenty, A., A. F. B. Antunes et J. S. Centeno, 2007, Classification orientée objet de la

perméabilité des sols en zone urbaine à l’aide d’imagerie très haute résolution et de données
laser scannées à Curitiba (Brésil). Anais XIII simposio Brasileiro de Sensoriamento Remoto, 21-26 Abril
2007, Florianopolis (Brasil), INPE, pp. 565-572.

Kemsol-Nagorngar, A., 2018, Dynamique spatiale des cultures de décrue dans les zones lacustres
Soudano-Sahéliennes de 1985 à 2015 : cas des Lacs Fitri et Iro au Tchad. Thèse de Doctorat,
Université Félix Houphouët-Boigny d’Abidjan-Cocody, 166 p.

Kouakou, G.-C D., 2020, Distribution spatiale et dynamique de la population de palmiers rôniers,
Borassus aethiopum Mart., par approche de la télédétection et du Système d’Information
Géographique (SIG) de la réserve de Lamto (Centre de la Côte d’Ivoire), Thèse de Doctorat,
Université Nangui Abrogoua, Abidjan (Côte d’Ivoire), 253 p.

Koukougnon, W. G., 2015, Stratégie d’accès à l’eau potable dans un quartier défavorisé : cas de
Gobelet dans la commune de Cocody (Abidjan-Côte d’Ivoire), Revue Canadienne de Géographie
Tropicale (RCGT), vol. 2, pp. 60-72

Lassieur, S., 2006, Utilisation de la télédétection et des techniques SIG pour détecter et prévenir
les activités de déforestation illégale. Mémoire de Master 2 en SIG et Gestion de l’espace,
Université Jean Monnet, Saint-Etienne (France), 54 p.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 29

Lefebve, A., 2011, Contribution de la texture pour l’analyse d’images à très haute résolution
spatiale. Application à la détection de changement en milieu périurbain. Thèse de Doctorat,
Université Renne 2 Haute-Bretagne, 284 p.

Lhomme, S., 2005, Identification du bâti à partir d’images satellitaires à très hautes résolutions
spatiales. Thèse de Doctorat, Université de Sherbrooke, 279 p.

Mandimbiharison, A. J. et L. R. Raharison, 2003, Utilisation des SIG et de la Télédétection pour la

gestion de l’environnement urbain : cas de la ville d’Antananarivo, Madagascar, Comtemporary
Publishing International, vol 2-3-4, pp 237-247

N’dri, B. E., H.H. Niamkey, K. L. Niangoran, S. Bakayoko, G. Soro et Y.A. N’go, 2016, Dynamique de
l’occupation des sols de la commune urbaine d’Attécoubé (Côte d’Ivoire), Larhyss journal, n°26, pp.
129-147

Onana V. P., J-P Rudant, J. Etouna J. et S. Wade, 2005, Dynamique urbaine à l’aide d’images RSO de
ERS et HRV de Spot, et son impact dans les facteurs d’aggravation des risques d’inondation en
milieu urbain : cas de la ville de Douala (Cameroun), Comtemporary Publishing International, vol
1-2-3, pp 19-32.

OSFACO, 2019. Conférence Internationale sur l’Observatoire Spatiale des Forêts Tropicales,
Afrique. Des images satellitaires pour la gestion durable s du territoire en Afrique, [en ligne]
URL : https://www.ignfi.fr/portfolio-item/observation-spatiale-des-forets-dafrique-centrale-et-
de-louest-osfaco/, Consulté le 01Juillet 2022.

Pisson-Govart, M., 2015, Vers une méthode opérationnelle de cartographie de l’occupation du sol
et des cultures de la Réunion par analyse orientée objet d’image à très haute résolution spatiale
et fouille de données, MIGT, Cirad, 61 p.

Pony, O., X. Descombes et J. Zerubia, 2000, Classification d’Image satellitaire hyperspectrales en

zone rurale et périurbaine, rapport de recherche, INRIA, pp.1-69

Puissant, A., 2003, Information géographique et Images à très haute résolution : utilité et
application en milieu urbain. Thèse de Doctorat, Université Louis Pasteur, Strasbourg, 445 p.

Puissant, A., D. Sheeren, C. Weber, C. Wemmert et P. Gancarski, 2006, Amélioration des

connaissances sur l’environnement urbain : intérêt de l’intégration de règles dans les procédures
de classification, Interactions Nature-Société. Pp. 1-5.

Puissant, A. et C. Weber, 2004, Démarche orientée « Objets-Attributs » et classification d’images

THRS, revue français de photogrammétrie et de télédétection, n° 173, 12 p.

Rakotoniaina S. et C. Collet, 2009. Amélioration de la qualité de la classification d’une image

multispectrale à l’aide d’un classifieur contextuel. Revue de télédétection, vol 9, nº 3-4, pp.1-12

RGPH, 2021, Recensement Général de la Population et de l’Habitat de Côte d’Ivoire, Résultats

globaux, [en ligne] URL : https://www.plan.gouv.ci/assets/fichier/RGPH2021-RESULTATS-
GLOBAUX-VF.pdf, pp. 1-37 (consulté le 26 Août 2022)

Revillion, C., 2012, Système d’information environnementale sur les caraïbes : du satellite aux
décideurs ; Méthodologie pour la classification orientée-objet de l’occupation du sol des petites
Antilles. Rapports d’activités, IRD, 11 P.

Robin, M., 2009, Initiation à la télédétection et aux SIG : l’imagerie satellitaire, [en ligne] URL :
http://www.geographiedijon.fr/IMG/pdf/Imagerie_Sat.pdf, consulté le 10 Octobre 2009.

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 30

Reynaud, M., J.-P. Malet et A. Déprez, 2020, Approche orientée objet pour la détection
automatique des glissements de terrain en zone de montagne : application à Haïti, Ecole et
Observatoire des Sciences de la Terre (Université de Strasbourg), 10 p.

Sangne, Y. C., S. S. Y. Barima, I. Bamba et A. C.-T. N’Doumé, 2015, Dynamique forestière post-
conflits armés de la Forêt classée du Haut-Sassandra (Côte d’Ivoire), », VertigO - la revue
électronique en sciences de l’environnement, Volume 15 numéro 3, pp. 2-18, [en ligne] URL :
https://journals.openedition.org/vertigo/16784 ; DOI : https://doi.org/10.4000/vertigo.16784,
visité le 01 Juillet 2022.

Sellin, V., S. Magnanon, F. Gourmelon, F. Debaine et J. Nabucet, 2016, Etude expérimentale en

cartographie de la végétation par télédétection, European Journal of Geography, https://doi.org/
10.4000/cybergeo.27067, https://journals.openedition.org/cybergeo/27067, visité le 08 Juillet
2022.

Sidi Youssef, M. M., C. Mallet, N. Chehata, A. Le Bris et A. Gressin, 2014, Détection de bâtiments à
partir d’une image satellitaire par combinaison d’approche ascendante et descendante,
reconnaissance de forme et intelligence artificielle (RIFIA), France, hal – 00989026.

Skupinski G., D. B. Tran et C. Weber, 2009, Les images satellites Spot multi-dates et la métrique
spatiale dans l’étude du changement urbain et suburbain : Le cas de la basse vallée de la Bruche
(Bas-Rhin, France). In “Cybergeo : European Journal of Geography”, 95 p.

Sparfel, L., F. Gourmelon et I. Le Berre, 2008, Approche orientée objet de l’occupation des sols en
zone côtière. Revue Télédétection, vol. 8, nº 4, p p.237-256

Thi-Thanh-Hien, P. et H. Dong-Chen, 2013, Classification orientée objet d’une image QuickBird de

la ville de Hanoi (Viêtnam) : étude empirique des paramètres de segmentation, Télédétection,
Editions des Archives Contemporaines / Editions scientifiques GB / Gordon and Breach Scientific
Publishers, vol. 11, nº 2, pp. 287-305

Villes, A., E. Candigliota et F. Immordino, 2018, Apport possible des techniques géospatiales à
l’analyse urbaine et territoriale en Italie à travers l’étude de cas de la ville métropolitaine de
Bologne ; Cologne CFPT, n° 217-218, pp. 1-13

Vitter, M. (2018). Cartographier l’occupation du sol à grande échelle : optimisation de la photo-

interprétation par segmentation d’image, Thèse de Doctorat, Université de Lyon, 313 p.

Weber, C., 2019, Des débuts de la haute résolution spatiale à la résolution numérique, Bulletin de
la Société Géographique de Liège – BSGLg, n°72, hal-02915070, pp.37-46

Yao, K. P., 2010, Développement urbain et prolifération des quartiers précaires à Abidjan : le cas
du quartier Banco 1 (Commune d’Attécoubé), mémoire IT, INP-HB, Yamoussoukro (Côte d’Ivoire),
[en ligne] URL : https://www.memoireonline.com/10/12/6183/m_ Developpement-urbain-et-
proliferation-des-quartiers-Abidjan-le-cas-du-quartier-Banc17.html, consulté le 26 Août 2022

Ysance, 2020, Algorithme n°5, Comprendre la méthode des K-plus proches voisins, site de Data
Science, [en ligne] URL : https://www.ysance.com/data-services/fr/home/, consulté le 10
Octobre 2009

RÉSUMÉS
Cette étude se propose d’analyser les performances de la classification dite spectrale et de la
classification dite orientée objet pour la cartographie du tissu urbain des communes de Cocody et
d’Attécoubé, dans l’agglomération d’Abidjan en Côte d’Ivoire, à partir des images satellitaires à

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 31

Très haute résolution spatiale (THRS). Ces deux techniques de classification ont été
successivement appliquées à trois sites tests, à savoir une zone bien bâtie (ZBB), une zone à
habitats précaires (ZHP) et une zone non bâtie (ZNB). Les résultats des deux traitements sont
comparés afin d’analyser les performances. Il ressort de ces traitements que la classification
orientée objet (COO) est mieux adaptée que la classification spectrale (CS) pour la cartographie
des sites bâtis, car elle améliore la précision cartographique de 4,58%. Au niveau des sites à
habitats précaires, les deux types de classifications affichent les précisions globales presque
similaires : 89,59% pour la classification spectrale et 90,32% pour l’approche orientée objet.
Concernant les terrains non bâtis, la CS est la mieux indiquée avec une amélioration globale de
8,22% par rapport à l’approche COO. En somme, la COO semble plus adaptée pour l’extraction
d’unités cartographiques des sites bien structurés. Au fur et à mesure que le niveau
d’organisation du site décroit, les performances de la COO baissent au profit de la CS.

This study aims to analyze the performance of spectral classifications and object oriented
classification, for mapping of the urban area of Cocody and Attécoubé. To achieve our aim, a
satellite image at very high spatial resolution (VHSR) was used. For this work, these two methods
of classifications were successively applied to three test sites, namely a well-built area, an area
with poor housing and an undeveloped area. The results of two treatments are compared to
analyze performances. It appears from these treatments that object-oriented classification is
better suited than the spectral approach for mapping sites built because it improves the mapping
accuracy of 4,58%. At sites with poor housing, the two classifications show almost similar
comprehensive details. Thus, the spectral classification provides an improvement of 0,73%
compared to the object-oriented approach. On undeveloped land, the spectral classification is
best shown with an overall improvement of 8.22% compared to the object-oriented approach. In
short, the object-oriented classification seems appropriate for the extraction of units of well-
structured sites. When the level of organization of the site decreases, the performance of the
object oriented classification fall in favour of the spectral classification.
urbanization, spectral classification, object-oriented classification, remote sensing, Côte d’Ivoire

INDEX
Mots-clés : urbanisation, classification spectrale, classification orientée objet, télédétection,
Côte d’Ivoire

AUTEURS
PATRICE N’GUESSAN AKOGUHI
Enseignant-Chercheur à l’Université Jean Lorougnon Guédé de Daloa, Unité de formation et de
recherche Environnement - Laboratoire des Sciences et Technologie de l’Environnement (LSTE),
Daloa, Côte d’Ivoire, adresse courriel : Patrice.akonguhi@ujlg.edu.ci

HYPPOLITE N’DA DIBI

Enseignant Chercheur associé au Centre Universitaire de Recherche et d’Application en
Télédétection, Université Félix Houphouët-Boigny de Cocody, Abidjan, Unité de formation et de
recherche Biosciences, Abidjan, Côte d’Ivoire, adresse courriel : dibihyppoliten@gmail.com

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022

 Évaluation des méthodes de classifications dirigées (spectrale et orientée ob... 32

MARC HOUIN GODO

Enseignant-chercheur à l’Université Jean Lorougnon Guédé de Daloa, Unité de formation et de
recherche Environnement - Laboratoire des Sciences et Technologie de l’Environnement (LSTE),
Daloa, Côte d’Ivoire, adresse courriel : godohouin@yahoo.fr

GERMAIN MIESSAN ADJA

Enseignant-chercheur à l’École normale supérieure d’Abidjan, département des Sciences et
Technologie, section Sciences et vie de la Terre, Abidjan, Côte d’Ivoire, adresse courriel :
amiessan@yahoo.fr

FERNAND KOFFI KOUAMÉ

Directeur des Affaires académiques et pédagogique à l’Université virtuelle de Côte d’Ivoire,
Professeur associé au Centre Universitaire de Recherche et d’Application en Télédétection,
Université Félix Houphouët-Boigny de Cocody, Abidjan, Côte d’Ivoire, adresse courriel :
fernand.kouame@uvci.edu.ci

VertigO - la revue électronique en sciences de l'environnement, Volume 22 numéro 3 | Décembre 2022