Chapitre 4 : Détection de changement Flashcards

1
Q

Vrai ou Faux : La détection des changements peut se faire sur une période de quelques jours, semaines, saisons, décennies ou pendant un siècle.

A

Vrai
- Suivre l’évolution d’un déversement de pétrole sur
plusieurs jours \ semaines
- Suivre l’évolution des cultures durant une saison de
croissance
- Examiner le recul des falaises sur quelques décennies
- Cartographier la fonte des glaciers sur un siècle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Qu’est ce qui détermine la taille des

éléments qui seront comparés?

A

La granularité spatiale

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Combien d’approches disponibles pour faire les comparaisons? Nommes-les pliz.
Approche orientée……

A
  • Orientée pixel
  • Orientée Entité spectrale
  • Orientée Objet
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Explique l’approche de détection de changement orientée pixel.

A

La comparaison se fait pixel par pixel…. sétè ividan 1 peu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Explique l’approche de détection de changement orientée Entité Spectrale.

A

La comparaison se fait sur un ensemble de pixels. Le regroupement des pixels peut être effectué de manière arbitraire (ex. une fenêtre 3x3) ou de manière fonctionnelle (ex. sur des pixels ayant des niveaux de gris similaires; sur l’image au temps t1 par exemple, et non similaires sur les 2 images).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Explique l’approche de détection de changement orientée Objet.

A

La comparaison se fait à partir d’objets préalablement
identifiés. Le regroupement des pixels en objet s’effectue en exploitant le positionnement, la forme et/ou l’orientation relatifs des pixels entre eux. Ceux-ci sont alors transformés en objet par segmentation et\ou classification orientée objet par exemple.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

La capacité à observer et détecter l’état du phénomène en évolution peut varier en fonction…

A
  • …des caractéristiques du capteur
    • résolution temporelle
    • spatiale (Discrimination des intervalles de longueurs d’onde (panchromatique vs rgb ou multispectral), si le changement est faiblement nuancé au niveau spectral)
    • spectrale
    • radiométrique (Capacité à discriminer des différences d’intensité d’énergie, nombre de niveaux de gris)
  • …des conditions environnementales
    • conditions atmosphériques
    • l’humidité du sol (En radar)
    • le cycle phénologique
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Il y a deux approches GLOBALES pour caractériser les

indicateurs, lesquelles

A
  • Comparaison des données brutes
    Ex : Comparaison direct des pixels de deux images brutes. On regarde ensuite s’il y a du changement
  • Comparaison de données interprétées
    Ex : On a deux images brutes.
    On fait classification ou segmentation + classification.
    On fait la comparaison entre les pixels ou les objets.
    On regarde ensuite s’il y a du changement.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Vrai ou faux
La détection binaire de changement n’est pas appropriée pour les changements brusques et la comparaison de 2 images aux temps t1 et t2

A

Faux, la détection binaire c’est full bon pis fait pour les changements brusques

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Vrai ou faux

On ne peut pas détecter l’intensité d’un changement.

A

Faux

On peut détecter l’intensité d’un changement. On n’est pas obligé de s’arrêter à {changement, non-changement}

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Vrai ou faux

On peut comparer les changements par valeurs qualitatives.

A

Vrai
- De façon nominale: les valeurs sont des noms dont l’ordre n’a pas d’incidence (ex. résidentiel, commercial, industriel). (<>, =)

  • et de façon ordinale : les valeurs sont des noms qui suivent une progression (ex. sols arides, pauvres, moyens, bons, riches). (=, <>, , <=, >=)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q
## Nomenclature associée aux changements ## 
Nomme la nomenclature associée : 

Apparition, disparition ou stabilité

A

Existence – non existence

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q
## Nomenclature associée aux changements ## 
Nomme la nomenclature associée : 

Expansion, contraction et déformation

A

Forme et grandeur

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q
## Nomenclature associée aux changements ## 
Nomme la nomenclature associée : 

Déplacement sans contact, déplacement avec contact,
rotation

A

Position

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q
## Nomenclature associée aux changements ## 
Nomme la nomenclature associée : 

Contraction et rotation

A

Grandeur et position

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Comment on peut déterminer du changement en utilisant la soustraction d’images?

A
  • Si la différence = 0 alors pas de changement;

- Si « autres valeurs » alors seuils à déterminer.

17
Q

Vrai ou faux

Si on utilise l’indice NDVI pour rechercher du changement, on va surtout trouver du changement urbain.

A

Fuck no!
NDVI : Normalized Difference Vegetation Index
Ya l’mot VEGETATION dedans c pa pou rien, c bon pour trouvé d differance den la vejétâçion

18
Q

On se sert de quelles bandes pour trouver l’indice NDVI?

A

NIR et Rouge. On fait un ratio apres pour detecter le changement

NDVI = (NIR-RED) / (NIR+RED)
NDVI t1 / NDVI t2

19
Q

Vrai ou faux

On ne peut pas faire de détection de changement seulement pour comparaison visuelle

A

Faux, on peut…
- Faire une comparaison visuelle, pixel à pixel des deux images.

  • Comparer la formation d’un composé coloré qui utiliserait des bandes d’images prises à dates différentes
20
Q

Comment fonctionne l’analyse de corrélation?

A

Permet de mettre en évidence les pixels corrélés (ceux qui n’ont pas changé) et les pixels non-corrélés (ceux qui ont subi un changement plus ou moins grand)

21
Q

Vrai ou faux

L’analyse en composantes principales (CP ou ACP) est une analyse par corrélation

A

Vrai
Consiste à transformer des variables liées entre elles (dites « corrélées ») en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales », ou axes principaux. Elle permet au praticien de réduire le nombre de variables et de rendre l’information moins redondante.

22
Q

Vrai ou faux

Faire un rapport de vraisemblance est une analyse statistique

A

Vrai

23
Q

Vrai ou faux

Si on n’a pas de vérité terrain, c’est pas vraiment possible de vérifier les résultats

A

Faux

  • Utiliser des comparaisons relatives du pourcentage de pixels changés
  • Utiliser le coefficient Kappa
  • On peut utiliser la matrice de confusion;
24
Q

Dans la vérification des résultats, c’est quoi le coefficient Kappa?

A
  • On considère une matrice de confusion constituée de r lignes et r colonnes
  • A = la somme des r éléments sur la diagonale de la matrice
  • B = la somme des r produits correspondant à Total sur ligne i x Total sur colonne i
  • N: nombre de pixels impliqués dans la matrice de confusion (la somme du contenu des r x r cellules de la matrice)

K = (NA - B) / (N²-B)

  • Plus K est grand, plus la classification a été bien faite. Pour une classification parfaite, K = 1

EXEMPLE À LA PAGE 44

25
Q

Vrai ou faux

La comparaison d’images brutes est très dépendante des variations radiométriques d’une date à une autre

A

Vrai

26
Q

Vrai ou faux
Le composé coloré est une approche simple et rapide à réaliser, donne une bonne approximation globale des changements et est facilement quantifiable.

A

Faux
Le composé coloré est une approche simple et rapide à réaliser et donne une bonne approximation globale des changements, mais difficilement quantifiable

27
Q

Quelles sont les limites inhérentes aux images?

A
  • Contraste faible dans les images
  • Corrélation dans le contenu image (d’un pixel à un autre) (à exploiter)
  • Bruit dans les images
  • Disponibilité des images (faible résolution temporelle et couverture nuageuse)
28
Q

Vrai ou faux
La plupart des algorithmes sont développés pour une
catégorie de changement

A

Vrai

Peu sont disponibles pour une cartographie générale, ce qui est parfois contraignant