Le plugin QGIS Green View Index est un outil puissant pour mesurer la couverture végétale d’une zone donnée. Il est intéressant de voir ce qu’il apporte par rapport au traitement classique basé sur des photos aériennes verticales.
Nous publions une série de trois articles:
1-Concepts du Green View index et installation du plugin
2-Tutoriel du plugin Green View Index.
3- Comparaison des résultats du plugin et du traitement de photos aériennes (le présent article)
3- Comparaison des résultats du plugin et du traitement de photos aériennes
Nous allons comparer l’indice de verdure calculé sur deux photos aérienne du centre ville de Brest avec le traitement du plugin Green View Index de QGis.
Pour cela nous avons téléchargé deux images aériennes à partir du site de Brest Métropole.
Chacune d’elle couvre une zone d’environ 1 km².
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a1-3-1.jpg?resize=640%2C263&ssl=1)
Génération des points de vue
Pour le calcul du Green View Index, il est nécessaire de définir une zone d’intérêt (AOI). On va donc créer une nouvelle couche de type polygone correspondant à chacune des images aériennes.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a2-1.jpg?resize=640%2C269&ssl=1)
On utilise le menu Couche-> Créer une couche -> Nouvelle couche Shapefile
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a3-1-3.jpg?resize=640%2C265&ssl=1)
Pour la deuxième photo on répète l’opération.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a4-2.jpg?resize=640%2C267&ssl=1)
Nous avons donc nos deux AOI. On peut exécuter le premier script du plugin Green View Index, Generate Sample Points, pour créer une couche de points répartis au hasard sur chacune de nos AOIs.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a5-1.jpg?resize=640%2C136&ssl=1)
1-Utilisation seulement de l’AOI
Nous utilisons les paramètres par défaut, c’est à dire la création de 100 points distribués sur l’AOI. Nous n’avons pas utilisé de réseau de rues.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a6-2.png?resize=640%2C336&ssl=1)
On exécute le script sur chacune des AOIs et nous obtenons deux couches de type point: pointsSud et pointsNord.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a8-1.jpg?resize=640%2C264&ssl=1)
On peut alors exécuter le deuxième script du plugin, Download Google Street View Images.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a9-1.jpg?resize=640%2C129&ssl=1)
Nous avons gardé ici aussi les paramètres par défaut: les six directions autour du point de vue et les trois inclinaisons de vue.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a10b.png?resize=640%2C337&ssl=1)
Dans l’onglet Journal on peut voir le nombre et les points pour lesquels il n’y avait pas d’image disponible.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/a11b.png?resize=640%2C334&ssl=1)
Pour la zone Nord, 5 points n’ont pas d’images. Pour la zone Sud 19 points ne donnent pas de résultat.
En parcourant les répertoires des images, nous avons constaté un phénomène un peu particulier. En effet, des points de vue situés sur des bâtiments retournent des images… de l’intérieur des bâtiments!
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c1.jpg?resize=640%2C340&ssl=1)
Une autre « anomalie » que nous avons constatée, c’est la présence de prises de vue en pleine nuit.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c2.png?resize=640%2C323&ssl=1)
Il est évident que ces images doivent être exclues du calcul. En résumé nous avons obtenu
Zone NORD: Sur 100 points de vue, 5 points sans images, 4 points à l’intérieur de bâtiments et 1 point de vue nocturne, soit 10% de points non utilisables.
Zone Sud : Sur 100 points de vue, 19 points sans images et 2 points à l’intérieur de bâtiments, soit 21% de points non utilisables.
2- Utilisation des AOIs et du réseau des voies.
Nous avons donc téléchargé le réseau de la voirie de Brest pour tester l’utilisation conjointe des AOIs et du réseau.
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c3.png?resize=640%2C342&ssl=1)
L’image suivante montre la position des 100 points résultant de l’utilisation des AOIs et du réseau de voirie (⋇) ainsi que la position des 100 points résultant de l’utilisation seulement de l’AOI (∆).
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c4.png?resize=640%2C441&ssl=1)
On a procédé aux mêmes contrôles des images téléchargées à partir de Google Street View et on a obtenu:
Zone NORD: Sur 100 points de vue, 3 points sans images, aucun point à l’intérieur de bâtiments et aucun point de vue nocturne, soit 3% de points non utilisables.
Zone Sud : Sur 100 points de vue, aucun point sans images et 1 point à l’intérieur de bâtiments, soit 1% de points non utilisables.
Il paraît clair que, en milieu urbain dense, l’utilisation du réseau de voirie est fortement nécessaire. On verra par la suite la différence de résultats.
Calcul du Green View Index
On calcule le Green View Index pour chaque zone et chaque type de génération des points:
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c5.png?resize=640%2C391&ssl=1)
Les résultats du GVI moyen obtenus sont les suivants:
Zone Nord
Tous les points de l’AOI……………………………… 0.061
Points de l’AOI sans anomalies…………………. 0.064
Tous les points de l’AOI et de la voirie……. 0.051
Zone Sud
Tous les points de l’AOI……………………………… 0.034
Points de l’AOI sans anomalies…………………. 0.034
Tous les points de l’AOI et de la voirie……. 0.047
Ce petit projet n’est pas, bien sûr, suffisant pour déterminer statistiquement les meilleurs résultats, mais il montre que les résultats dépendent bien plus du type de génération de points que de la présence d’anomalies dans les images de Google Street View.
Comparaison avec les images aériennes.
On a utilisé le plugin pour traiter avec le même algorithme les deux photos aériennes:
![](https://i0.wp.com/www.sigterritoires.fr/wp-content/uploads/2023/05/c6.png?resize=640%2C294&ssl=1)
Les images montrent l’image d’origine et l’image avec les pixels déterminés comme « verts ».
Le GVI de l’image Nord calculé est ainsi de 0.1, et celui de l’image Sud de 0.07.
Tous les deux sont nettement supérieurs aux GVI moyens calculés sur les images de Google Street View: 0.1 contre 0.05 et 0.07 contre 0.047 respectivement.
Conclusions
Ce petit essai ne prétend pas déterminer si le plugin Green View Index donne des « meilleurs » résultats que la méthode traditionnelle de calcul à partir des photos aériennes. Il montre simplement que les résultats sont différents. La tâche maintenant est de comprendre pourquoi et qu’est-ce qu’ils peuvent apporter de plus à la connaissance du milieu urbain.