🗺️ Classification et Cartographie

Application du modèle ML sur nouvelles zones

Classification par blocs | Cartes de probabilité | Export thématique

📋 Description Technique

Cet algorithme applique un modèle de machine learning entraîné à de nouvelles images satellites pour produire une carte de classification des cultures. Il gère efficacement les grandes images par traitement par blocs et génère des cartes de probabilité pour évaluer la confiance des prédictions.

🧱

Traitement par Blocs

Gestion mémoire optimisée pour les grandes images satellitaires

📊

Cartes de Probabilité

Génération de cartes de confiance pour chaque prédiction

🎨

Cartes Thématiques

Création automatique de visualisations professionnelles

🔗

Intégration QGIS

Ajout automatique des couches au projet courant

⚙️ Paramètres d'Entrée

🛰️ Image Satellite à Classifier

Image contenant les bandes spectrales pour la classification

Format : GeoTIFF ou autre format raster supporté

Important : Mêmes bandes que lors de l'entraînement

🤖 Modèle ML Entraîné

Fichier du modèle machine learning préalablement entraîné

Format : .pkl (Pickle)

Généré par : Algorithme d'entraînement ML

📏 Scaler

Fichier de normalisation utilisé lors de l'entraînement

Format : .pkl (Pickle)

Important : Doit correspondre au modèle

🔤 Label Encoder

Fichier d'encodage des labels utilisé lors de l'entraînement

Format : .pkl (Pickle)

Important : Doit correspondre au modèle

🎨 Générer Carte Thématique

Option pour créer une visualisation cartographique

Options : Oui/Non

Défaut : Oui

Désactiver pour un traitement plus rapide

📤 Résultats de Sortie

🗺️ Carte de Classification

Raster avec les classes de cultures prédites

Format : GeoTIFF

Valeurs : Codes numériques correspondant aux classes

📊 Carte de Probabilité

Raster avec les probabilités de prédiction (optionnel)

Format : GeoTIFF

Valeurs : Probabilités entre 0 et 1

🎨 Carte Thématique

Visualisation cartographique des résultats (optionnel)

Format : PNG ou PDF

Contenu : Carte avec légende et classes colorées

🔄 Processus de Classification

1

Chargement des Modèles

Lecture du modèle, scaler et label encoder

2

Prétraitement de l'Image

Application du scaler et préparation des données

3

Classification par Blocs

Application du modèle par blocs pour gestion mémoire

4

Génération des Résultats

Création des rasters de classification et probabilités

5

Création de la Carte Thématique

Génération de la visualisation cartographique

6

Intégration QGIS

Ajout automatique des couches au projet

⚠️ Points d'Attention

🔄 Cohérence des Données

Problème : Images avec bandes différentes de l'entraînement

Solution : Utiliser les mêmes bandes et même ordre

📏 Résolution Spatiale

Problème : Résolution différente de l'entraînement

Solution : Rééchantillonner à la même résolution

📅 Période Temporelle

Problème : Conditions phénologiques différentes

Solution : Utiliser des images de la même période

💾 Mémoire Insuffisante

Problème : Images trop grandes pour la mémoire

Solution : Découper l'image en plus petites parties

💡 Conseils d'Utilisation

🔍

Validation Terrain

Always validate classification results with ground truth data

📈

Analyse des Probabilités

Use probability maps to identify uncertain predictions

🔄

Itérations

Refine your model with additional training data if needed

🌐

Application à Grande Échelle

For large areas, process by tiles and mosaic results

⬅️ Étape précédente : Entraînement ML 🏠 Retour à l'accueil ➡️ Étape suivante : Correction topologique