Publication interne
Classification de l'utilisation et de la couverture des sols pour le site d'extraction de minerai de fer de Kishushe, au Kenya : étude de faisabilité d'algorithmes traditionnels et d'apprentissage automatique.
Motivés par la nécessité d'améliorer la précision de la classification de l'occupation et de l'utilisation des sols dans les environnements miniers soumis à des changements anthropiques et naturels rapides, nous avons analysé les données multispectrales du satellite Sentinel 2A en utilisant quatre classificateurs différents : Le classificateur de vraisemblance maximale (MLC), la machine à vecteurs de support (SVM), l'arbre aléatoire (RT) et la forêt aléatoire (RF). À l'aide d'échantillons d'entraînement ajustés, prélevés sur le site d'extraction de minerai de fer de Kishushe à Taita Taveta, au Kenya, nous avons analysé les images et comparé la précision de classification des quatre méthodes, confirmée par une vérification au sol. L'étude a atteint l'objectif principal d'évaluer et de comparer la performance du classificateur traditionnel du maximum de vraisemblance avec les trois algorithmes d'apprentissage automatique de la machine à vecteurs de support (SVM), des arbres aléatoires (RT) et de la forêt aléatoire (RF). Huit classes d'occupation/utilisation des sols ont été générées à partir de chacune des quatre classifications effectuées dans le logiciel de statistiques R pour RF et dans ArcGIS 10.7 pour les méthodes RT, MLC et SVM. La méthode Random Forest (RF) a donné la meilleure précision globale à 74,63 % avec une valeur de Kappa de 0,67. La méthode Random Trees (RT) est arrivée en deuxième position avec 72,64 % et une valeur Kappa de 0,64. La précision globale de la méthode SVM était de 58,21 % avec une valeur Kappa de 0,46 et pour la méthode MLC, la précision globale était de 57,21 % avec une valeur Kappa de 0,45. Ces résultats ont confirmé que les classificateurs d'apprentissage automatique sont plus performants que les classificateurs traditionnels. L'étude a également confirmé que pour une classification robuste de l'utilisation et de la couverture des sols, il est essentiel de disposer de données d'entraînement de qualité, car la qualité peut avoir des effets importants et considérables sur les résultats de la classification. Étant donné que la fiabilité des cartes d'utilisation et de couverture des sols (LULC) dérivées des données de télédétection pour les sites miniers dépend de la précision de la classification, cette étude recommande, sur la base de données probantes, l'adoption d'algorithmes d'apprentissage automatique dans l'analyse et la classification des images satellite afin de soutenir les décisions durables sur le plan environnemental et les orientations politiques éclairées pour une planification et une surveillance solides des mines.
Téléchargé par : Nashon AderoAuteur : Siljander, M.
Co-auteur : Gitau, F.
Co-auteur : Nyambu, E.
Co-auteur : Adero, Nashon | ORCID : 0000-0003-2830-7912
Institution : Collège universitaire de Taita Taveta | Centre : Centre allemand kenyan pour l'ingénierie minière, environnementale et la gestion des ressources (CEMEREM)
Type d'article : Article de journal | English | Peer Reviewed
Sujets : Mines
Publié : African Journal of Mining, Entrepreneurship and Natural Resource Management (AJMENRM), ISSN 2706-6002 | volume 1, issue 2 | Kenya : Centre d'Excellence in Mining, Environmental Engineering and Resource Management , Taita Taveta University
Date : Avril 2020 | Pages : 115-124
Copyright : © 2020, AJMENRM | Licence : AJMENRM, Tous droits réservés
