Au-delà des méthodes classiques de machine learning (SVM, K-NN) utilisées dans mes projets, j'explore les réseaux de neurones convolutifs pour la cartographie de l'occupation du sol — avec un objectif de comparaison rigoureuse plutôt que de substitution.
Mes projets d'occupation du sol (Massili, Tiogo) reposent sur des classificateurs classiques — SVM et K-NN — entraînés sur un nombre limité de régions d'intérêt. Ces méthodes sont robustes et interprétables, mais restent sensibles à la confusion spectrale entre classes proches (ex. bâti traditionnel / sol nu, savane arborée / savane arbustive).
L'objectif du volet deep learning n'est pas de remplacer ces méthodes mais de les mettre à l'épreuve : entraîner un modèle par transfert d'apprentissage, l'adapter aux mêmes zones d'étude et au même jeu de validation, puis comparer objectivement précision globale et indice Kappa entre les deux approches.
Un réseau de neurones convolutif a été entraîné sur EuroSAT, jeu de données de référence pour la classification de scènes Sentinel-2 (10 classes d'occupation du sol, 27 000 images). Ce modèle sert de point de départ pour le transfert d'apprentissage vers mes propres zones d'étude.
EuroSAT — imagerie Sentinel-2, 10 classes d'occupation du sol, découpage entraînement/validation/test.
Réseau de neurones convolutif (CNN) implémenté sous PyTorch.
94,8 % de précision sur le jeu de test — base validée pour l'étape de transfert vers les données de terrain.
L'étape suivante consiste à adapter ce modèle de base vers une architecture U-Net, capable de segmentation sémantique pixel par pixel plutôt que de classification de scène entière — indispensable pour produire une carte d'occupation du sol comparable aux classifications SVM et K-NN existantes.
Le modèle sera réentraîné sur 8 canaux (bandes Sentinel-2 B2, B3, B4, B8, B11 + indices NDVI, NDWI, BSI), puis évalué sur les mêmes points de validation indépendants que la classification K-NN du projet Tiogo — pour une comparaison directe, chiffrée en précision globale et indice Kappa.
| Projet lié | Méthode classique | Statut du volet deep learning |
|---|---|---|
| Forêt classée Tiogo | K-NN (73,2 %, Kappa 0,664) | U-Net en cours |
| Massili | SVM (Kappa ≥ 0,90) | à planifier |
Construction et entraînement des modèles CNN / U-Net
Lecture et préparation des rasters multi-bandes
Matrices de confusion, indice Kappa, comparaison des modèles
Les résultats du transfert vers U-Net et la comparaison chiffrée avec les classifications classiques seront publiés sur cette page et sur la page Ressources au fur et à mesure de leur validation.
Voir le projet Tiogo →