Infodoc : Sciences, Techniques et Culture

L’utilisation des séries temporelles d’images satellites (SITS) s’est avérée indispensable pour une cartographie précise et à jour de l’occupation des sols sur de vastes étendues. Bien que la plupart des études portant sur les SITS se soient concentrées sur l’emploi d’algorithmes de classification traditionnels tels que les Random Forests (RF), les algorithmes d’apprentissage profond ont connu un succès remarquable pour les tâches supervisées, notamment dans le cas de données présentant des structures entre les attributs, telles que l’espace ou le temps. Dans cette optique, cette étude propose une analyse comparative approfondie de quatre modèles de classification de l’occupation des sols. Pour ce faire, nous avons fais usage d’une d’une série temporelle d’images Sentinel-2 sur l’anné[...]

L’utilisation des séries temporelles d’images satellites (SITS) s’est avérée indispensable pour une cartographie précise et à jour de l’occupation des sols sur de vastes étendues. Bien que la plupart des études portant sur les SITS se soient concentrées sur l’emploi d’algorithmes de classification traditionnels tels que les Random Forests (RF), les algorithmes d’apprentissage profond ont connu un succès remarquable pour les tâches supervisées, notamment dans le cas de données présentant des structures entre les attributs, telles que l’espace ou le temps. Dans cette optique, cette étude propose une analyse comparative approfondie de quatre modèles de classification de l’occupation des sols. Pour ce faire, nous avons fais usage d’une d’une série temporelle d’images Sentinel-2 sur l’année 2022 (400 variables, soit 16 bandes × 25 estampilles temporelles) et une base de données vérité terrain. Les résultats obtenus attestent de la bonne capacité des réseaux de neurones convolutifs à saisir des motifs complexes et à produire des prédictions en étroite concordance avec les observations réelles, démontrant ainsi leur pertinence pour les tâches complexes de classification basées sur les SITS surtout dans le contexte spécifique de notre zone d’étude caractérisée par un paysage assez fragmenté, la petite taille des exploitations agricoles et l’incomplétude de la série temporelle d’images (fortes nébulosités) dû à la présence de nuages. De plus, il ressort que le modèle TempCNN qui exploite principalement les corrélations dans le temps à été meilleur par rapport aux approches intégrant une description du contexte spatial tels que DuPLO et CNN2D.