Performance et limites des workflows de classification d’images satellitaires dans le contexte Ouest Africain : comparaison de ENVI, ERDAS Imagine et Orfeo ToolBox (OTB)
Abstract
La classification des images satellitaires constitue un outil essentiel pour la cartographie de l’occupation du sol, notamment dans les régions d’Afrique de l’Ouest caractérisées par des paysages complexes et hétérogènes. Cette étude vise à comparer les performances de trois logiciels majeurs de traitement d’images satellitaires, à savoir ENVI, ERDAS Imagine et Orfeo ToolBox, à travers leurs chaînes de classification supervisée appliquées à la commune de Doumanaba, située au sud du Mali. L’analyse repose sur une image satellitaire multispectrale et sur des données de terrain utilisées pour définir six classes d’occupation du sol. Des procédures de prétraitement identiques ainsi que des échantillons communs d’apprentissage et de validation ont été appliqués afin de garantir la comparabilité des résultats. L’évaluation des performances s’appuie sur l’analyse visuelle des cartes produites, les statistiques de surfaces par classe et des indicateurs issus de matrices de confusion. Les résultats montrent que la superficie totale cartographiée est identique pour les trois classifications, soit 290,71 km², mais que la répartition des classes varie sensiblement selon le logiciel. Les zones bâties représentent 7 % avec ENVI, 4 % avec ERDAS Imagine et 2 % avec Orfeo ToolBox, tandis que les terres agricoles couvrent respectivement 21 %, 22 % et 30 %. Les précisions globales atteignent 87 % pour ENVI, 89 % pour ERDAS Imagine contre 94 % pour Orfeo ToolBox. Les résultats mettent en évidence la supériorité d’Orfeo ToolBox en termes de précision cartographique et soulignent l’influence déterminante du choix du logiciel sur la fiabilité des cartes d’occupation du sol.
Satellite image classification is an essential tool for land use and land cover mapping, particularly in West African regions characterized by complex and heterogeneous landscapes. This study aims to compare the performance of three major satellite image processing software packages, namely ENVI, ERDAS Imagine, and Orfeo ToolBox, through their supervised classification workflows applied to the municipality of Doumanaba, located in southern Mali. The analysis is based on a multispectral satellite image and field data used to define six land use and land cover classes. Identical preprocessing procedures, as well as common training and validation samples, were applied in order to ensure the comparability of the results. Performance assessment relies on visual analysis of the generated maps, class-based area statistics, and indicators derived from confusion matrices. The results show that the total mapped area is identical for the three classifications, amounting to 290.71 square kilometers, while the distribution of classes varies significantly depending on the software used. Built-up areas represent 7% with ENVI, 4% with ERDAS Imagine, and 2% with Orfeo ToolBox, whereas agricultural lands account for 21%, 22%, and 30%, respectively. Overall classification accuracies reach 87% for ENVI, 89% for ERDAS Imagine, and 94% for Orfeo ToolBox. The results highlight the superiority of Orfeo ToolBox in terms of cartographic accuracy and emphasize the decisive influence of software choice on the reliability of land use and land cover maps.
Downloads
PlumX Statistics
References
2. Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
3. Benfouga, S., Niculescu, S., Mihoubi, K. M., Belkessa, R., Rami, A., & Rabehi, W. (2020). Étude comparative des méthodes de classification pixel par pixel et orientée objet pour la détection et l’extraction automatique du trait de côte : Cas du secteur côtier de Mostaganem (Ouest algérien). Revue des Sciences de l’Eau et de l’Environnement, 13(2), 45–58.
4. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. 738 p.
5. Camps-Valls, G., Bruzzone, L., & Rojo-Álvarez, J. L. (2005). Robust support vector method for hyperspectral data classification and knowledge discovery. IEEE Transactions on Geoscience and Remote Sensing, 43(7), 1530–1542. https://doi.org/10.1109/TGRS.2005.847248
6. CNES. (2006). Orfeo ToolBox (OTB): A software library for remote sensing image processing. Centre National d’Études Spatiales. https://www.orfeo-toolbox.org/
7. Di, D. (2011). Comparisons of ERDAS and ENVI for thematic mapper. School of Remote Sensing and Information Engineering, Wuhan University, China. IEEE.
8. Diédhiou, I., Mering, C., Sy, O., & Sané, T. (2020). Cartographier par télédétection l’occupation du sol et ses changements. EchoGéo, 54, 1–42. https://doi.org/10.4000/echogeo.20510
9. Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185–201. https://doi.org/10.1016/S0034-4257(01)00295-4
10. Foody, G. M., & Mathur, A. (2004). A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(6), 1335–1343. https://doi.org/10.1109/TGRS.2004.827257
11. Gallego, F. J. (2004). Remote sensing and land cover area estimation. International Journal of Remote Sensing, 25(15), 3019–3047. https://doi.org/10.1080/01431160310001619607
12. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. 745 p.
13. Hexagon Geospatial. (2023). ERDAS IMAGINE: Remote sensing and photogrammetry software. Hexagon AB. https://hexagon.com/products/erdas-imagine
14. Kouassi, A. M. (2007). Caractérisation d’une modification éventuelle de la relation pluie–débit et ses impacts sur les ressources en eau en Afrique de l’Ouest : Cas du bassin versant du N’zi (Bandama) en Côte d’Ivoire (Thèse de doctorat). Université de Cocody.
15. Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001
16. NV5 Geospatial. (2023). ENVI image analysis software. NV5 Geospatial. https://www.nv5geospatialsoftware.com/Products/ENVI
17. Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86(4), 554–565. https://doi.org/10.1016/S0034-4257(03)00132-9
18. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
19. Savinaud, M., Mallet, C., & Chabot, M. (2007). The Orfeo ToolBox remote sensing image processing software. In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2007) (pp. 733–736). IEEE.
20. Stuckens, J., Coppin, P. R., & Bauer, M. E. (2000). Integrating contextual information with per-pixel classification for improved land cover classification. Remote Sensing of Environment, 71(3), 282–296. https://doi.org/10.1016/S0034-4257(99)00083-8
21. Tso, B., & Mather, P. M. (2009). Classification methods for remotely sensed data (2nd ed.). CRC Press, Taylor & Francis Group. 376 p.
22. Vapnik, V. N. (1998). Statistical learning theory. Wiley. 736 p.
Copyright (c) 2026 Mohamed Koné, Tinzanga Sanogo, Sidiki Sidibé, Zakaridia Mariko
This work is licensed under a Creative Commons Attribution 4.0 International License.
