influencées par la donnée hauteur. 
En donnant maintenant, un degré de fiabilité moins 
important à la source représentant l'information 
des hauteurs, le résultat obtenu, est : 
CH C2 C3 C4 C5 C6 C7 CB CL Moy 
% 68.10 56.12 60.68 48.75 7526 70.57 78.65 8229 27.60 63.11 
Rapport d'importance des sources (KL1, KL2, MNT) = (2,2,1) 
Ici on atteint à un état de tarissement des sources 
spectrales, la source représentant l'image du MNT, 
contribue toujours de la méme maniére, le fait 
d'augmenter les degrés de fiabilité des sources 
spectrales, ne sanctionne pas pour autant 
l'information provenant du MNT, si l'opération 
devient idempotente, c'est qu'on ne doit plus rien 
attendre des sources spectrales, elles sont taries. 
Enfin, nous avons procédé à une classification en 
donnant un rapport d'importance entre les sources 
spectrales et la sources topographique de l'ordre de 
1/10 l'image résultat montre l'influence totale de la 
source MNT, dans le processus global de la 
classification. Des classifications succéssives, avec 
des degrés de fiabilité plus importants donnés à la 
source MNT, à montré que l'opération converge 
vers un solution stable, puisqu'elle devient là aussi 
idempotente. 
Conclusion 
Nous avons abordé, le probléme de la classification 
des images satellite , en utilisant les techniques de la 
théorie des croyances, et principalement la règle de 
combinaison de Dempster, ceci nous a permis de 
surpasser certains obstacles qui étaient posés par les 
méthodes statistiques classiques. 
Les résultats obtenus ont été améliorés, par le fait 
d'avoir pu intégrer aisément d'autres sources de 
données hétérogènes dans un méme processus. Le 
résultat global, a été amélioré de plus de 20%, par 
rapport à l'utilisation des seules données spectrales 
par la même technique. 
Nous avons estimé l'incertain en fonction des 
mesures fournies par les sources elles mêmes, et de 
leurs répartitions (séparabilité). 
Nous avons supposé, qu'il y a absence 
d'informativité, quand les croyances sont réparties 
équitablement, et une informativité maximum 
correspondant à une séparabilité maximum des 
croyances. 
L'intégration de l'information d'une seconde source 
hétérogène provenant du MNT dans le processus de 
classification, est réalisée à partir des mesures 
effectuées sur les échantillons, cela suppose que des 
classes différentes se trouvent toujours à priori 
dans des contextes topographiques différents, ce qui 
peut être inexact pour certaines régions. 
Actuellement, nous pensons aborder le même 
problème, en considérant chaque classe, par les 
mesures numériques éffectuées sur les echantillons 
qui la réprésentent, ainsi que par des connaissances 
symboliques sous forme de règles de production, 
définissant son contexte général et sa fréquence 
relative d'apparition. 
920 
Réfèrences 
Barnett J A "calculating Dempster-shafer plausibility " IEEE 
transactions on pattern analysis and machine intelligence, Vol 
13, n? 6, june 1991. 
Dubois D, Prade H "Représentation and combination of 
uncertainty with belief functions and possibility measures" 
Computational intelligence, Vol 4 n? 4 pp224-264 1988. 
Dubois D, Prade H, Sandri S, Testemale C. "Techniques de 
combinaison d'informations incertaines: comparaison et 
application à un systéme d'interrogation multi-source" Rapport 
interne n?312, LSI Decembre 1988. 
Garvey T D, Lawrence J D and Fishler M A " An inference 
technique for integrating knowledge from disparate sources" 
VIII th IJCAI Vancouver August 1981. 
Guan J, Bell D.A "Evidence theory and its application" Vol I 
North holland 1991. 
Lee T, Richards J A, Swain P.H "Probabilistic and evidential 
approaches for multisource data analysis", IEEE Transactions on 
geoscience and remote sensing, Vol GE-25 N° 3, May 1987. 
Sandri S "La combinaison de l'information incertaine et ses 
aspects algorithmiques”, Thèse de doctorat de l'université Paul 
Sabatier Toulouse III, Decembre 1991. 
Shafer G, " probability judgement in artificial intelligent" 
Uncertainty in artificial intelligence L.N Kanal and J.F Lemmer 
(Editors) Elsevier Science Publishers B.V (north holland) 
1986.pp 127-135. 
Shafer G, Logan R, "Implementing Dempster's rule fore 
hierarchical evidence" Artificial intelligence 33(1987) 271-298. 
Smets P, "The combination of evidence in the transferable belief 
model", IEEE transactions on PAMI, Vol 12, N*5, May 1990 
  
  
MOY=42.37% 
es 
| KLi-1 KL2-1