Section : Module 5: Classification supervisée | Google Earth Engine pour les applications agrohydrologiques

Aperçu des sections

Introduction
Ce cours vous présentera Google Earth Engine (GEE). Google Earth Engine est une plateforme basée sur le cloud qui permet le traitement à grande échelle d'images satellites pour détecter les changements, cartographier les tendances et quantifier les différences à la surface de la Terre. Dans le module 1, vous aurez un aperçu de l'interface de l'éditeur de code GEE et vous apprendrez les bases de JavaScript, le langage de programmation utilisé dans l'éditeur de code GEE. Dans le module 2, vous travaillerez avec quelques scripts pour vous donner une idée des capacités de GEE. Le module 3 présente les concepts de filtre (Filter), de carte (Map) et de réduction (Reduction). Dans le module 4, vous apprendrez à dériver des indices spectraux à partir de données de télédétection. Le module 5 couvre la classification supervisée des images. Le cours se termine par la création et la publication d'une application pour les utilisateurs finaux dans le module 6.

Remerciements
Une vidéo du Dr. Qiusheng Wu a été utilisée avec sa permission. Certaines parties de ce cours sont des modifications basées sur des travaux créés et partagés par Google et utilisés selon les termes décrits dans la Licence Creative Commons 4.0 Attribution. Ce cours a également réutilisé du matériel en libre accès provenant du cours End-to-End Google Earth Engine, copyright © 2021 Ujaval Gandhi www.spatialthoughts.com, sous licence Creative Commons Attribution 4.0 International.

Traduit par:
Aymar Y. Bossa, Ph.D.
Ozias Hounkpatin, Ph.D.
Yacouba Yira, Ph.D.

Hydro-Climate Services
Ouagadougou, Burkina Faso

Module 5: Classification supervisée
- La classification supervisée est sans doute la plus importante des techniques classiques de machine learning en télédétection. Les applications vont de la génération de cartes d'occupation et d'utilisation du sol à la détection des changements. Google Earth Engine est le seul à pouvoir effectuer une classification supervisée à grande échelle. Ce module couvre le flux de travail de base et l'évaluation de la précision de la classification supervisée.
  
  Après ce module, vous êtes en mesure de:
  
  Collecter des zones d'entraînement et de test
  
  Appliquer la classification supervisée suivant l’approche random forest
  
  Évaluer la précision d'une image classée
  
  Le code pour ces exercices se trouve dans ce répositoire sous le module 5.
- Exercice 5.1 : Classification supervisée de base Page
- Exercice 5.2 : Evaluation de la précision Page
- Exercice 5.3 : Calcul des statistiques zonales avec des images Page

Aperçu des sections

Introduction

Module 5: Classification supervisée