L’apport de la fusion des données

La statistique suisse de la superficie décrit plus de 4,1 millions de points sur une grille régulière de 100 mètres. L’utilisation du sol correspond à la fonction d’un espace, sa couverture à la surface visible. Une photographie aérienne ne suffit pas toujours à les distinguer : une prairie de plaine et un pâturage alpin peuvent se ressembler tout en relevant d’utilisations différentes.

Le prototype associe donc deux étapes. Des réseaux de neurones convolutifs analysent des images aériennes RVB et en fausses couleurs infrarouges. Une forêt aléatoire combine leurs probabilités de classe avec des séries Landsat, l’altitude, la hauteur de végétation et les données cadastrales. Les séries temporelles apportent la dynamique saisonnière ; les couches spatiales aident à interpréter le point déterminant de l’échantillon.

Références [1]

Tableau des jeux de données aériennes SWISSIMAGE, avec exemples RVB et infrarouges et trois extraits montrant les points de référence.
Imagerie aérienne pour ADELE : données SWISSIMAGE en RVB et infrarouge fausses couleurs, périodes et résolutions d’acquisition, et extraits de 50 × 50 m centrés sur les points de référence de la statistique suisse de la superficie. Les exemples illustrent la distinction entre couverture et utilisation du sol. Meyer et al. (2025), fig. 2. Image et source ↗

Résultats et utilité pratique

Sur le jeu d’évaluation représentatif, la fusion complète atteint 83 % d’exactitude globale pour l’utilisation du sol et 86 % pour sa couverture. Les modèles utilisant uniquement les images RVB atteignent respectivement 53 % et 72 %. Cette comparaison montre l’intérêt des données complémentaires pour cette tâche. Les résultats ont été publiés dans l’European Journal of Remote Sensing en 2025.

L’exactitude globale masque les différences entre classes fréquentes et rares. L’article présente donc aussi les scores F1 par classe et les difficultés des catégories peu représentées, hétérogènes ou visuellement proches. Dans l’usage d’ADELE décrit, seuls les cas sans changement suffisamment sûrs sont acceptés automatiquement. L’objectif de précision de 98 % concerne ce sous-ensemble sélectionné, et non tous les points et toutes les classes.

Références [1]

Diagrammes comparant les scores F1 des CNN et du Random Forest pour les classes fréquentes d’utilisation et de couverture du sol, avec contributions des groupes de données.
L’apport de la fusion de données : scores F1 des cinq classes les plus fréquentes d’utilisation et de couverture du sol, comparant les variantes CNN au modèle Random Forest complet. En bas : contributions estimées des données d’entrée à la classification Random Forest. Meyer et al. (2025), fig. 8. Image et source ↗
La méthode en détail
  1. Classifier les images aériennes RVB et en fausses couleurs infrarouges avec des réseaux de neurones.
  2. Fusionner les probabilités de classe avec les séries Landsat, l’altitude, la hauteur de végétation et le cadastre dans une forêt aléatoire.
  3. Évaluer l’exactitude globale et les scores F1 par classe sur un jeu représentatif.

Publications et sources

  1. PubliéMeyer et al. (2025), European Journal of Remote Sensing