Analyse comparative des algorithmes d'apprentissage automatique pour la cartographie de l'utilisation des terres et de la couverture terrestre : étude de cas de la région de Berrechid-Settat, Maroc

Les algorithmes d'apprentissage automatique améliorent la cartographie de l'utilisation des terres au Maroc

Une étude récente s'est concentrée sur les dynamiques spatiotemporelles de l'utilisation des terres et de la couverture terrestre (LULC) dans la région de Berrechid-Settat au Maroc, en utilisant des images satellites de Landsat 7 et Landsat 8. Les chercheurs ont traité les données via Google Earth Engine (GEE), réalisant des avancées significatives dans l'analyse de la LULC.

L'étude a évalué l'efficacité de trois modèles d'apprentissage automatique : Random Forest (RF), Decision Tree (DT) et Support Vector Machine (SVM) pour classer cinq catégories principales de LULC : les plans d'eau, les forêts, les zones urbaines, la végétation et les terres arides. Le modèle Random Forest s'est révélé être le plus efficace, atteignant une précision globale (OA) de 91,84 % et un coefficient Kappa (KC) de 0,86 en 2023.

Comparaison des modèles d'apprentissage automatique

Les performances des modèles ont varié de manière significative au fil des ans. Le modèle Decision Tree a enregistré une OA compétitive de 87,36 % en 2010 mais a montré une instabilité dans les années suivantes. Le modèle SVM a excellé dans la classification des zones urbaines avec une précision d'environ 94 %, tout en rencontrant des difficultés avec la classification des forêts.

Les résultats suggèrent que l'intégration des algorithmes d'apprentissage automatique dans la télédétection peut avoir un impact significatif sur la planification régionale et les politiques de gestion des terres au Maroc.