25 mars , 11:35–12:00 (Europe/Paris), Amphi 🏝️ Archipel des Glénan
L’essor des données de télédétection et l’augmentation de la résolution spatiale des images satellitaires ouvrent de nouvelles perspectives pour l’analyse automatisée de l’occupation du sol. Cependant, la production de cartes fiables et opérationnelles nécessite désormais des approches hybrides combinant intelligence artificielle, traitement géospatial et outils SIG. Cette conférence présente un workflow complet basé sur Python et QGIS, permettant d’entraîner, d’évaluer et d’intégrer des modèles de segmentation d’images par Deep Learning dans un environnement géomatique standard.
La première partie expose la méthodologie de traitement : préparation des données raster, structuration du jeu d’entraînement, choix des métriques d’évaluation (IoU, F1-score, précision), et automatisation du pipeline via Python. Plusieurs architectures de segmentation ont été comparées afin d’identifier leurs performances respectives dans un contexte de classification d’usage du sol. Les modèles évalués UNet, UNet++, PAN et DeepLabV3+ partagent le même encodeur ResNet-34 afin de permettre une comparaison équitable selon trois critères : qualité de segmentation, complexité du modèle et temps d’inférence.
Un volet essentiel de cette démarche repose sur l'accessibilité : le pipeline repose exclusivement sur des outils open source, gratuits, reposant sur des bibliothèques Python largement adoptées et une intégration directe dans QGIS. L’objectif est de proposer une solution user-friendly, réplicable et documentée, permettant à tout utilisateur même non spécialiste du Machine Learning de réaliser ses propres prédictions à partir d’images satellites ou orthophotos, et d’obtenir des cartes exploitables sur des objets géographiques précis (parcelles, zones d’étude, territoires administratifs, etc.).
Enfin, la présentation aborde la question du passage du modèle au produit cartographique : export des prédictions en GeoTIFF, vectorisation, post-traitements géospatiaux, intégration dans une base SIG, et limites actuelles (frontières entre classes, bruit spatial, généralisation sur zones non vues). Une démonstration présentera comment un modèle entraîné en Python peut être exploité directement dans QGIS pour produire automatiquement des cartes d’occupation du sol sans dépendre de solutions propriétaires ou d’infrastructures cloud payantes.
Vous pouvez retrouver le Git ici : https://github.com/aleguillou1/SemanticSeg4EO
Le Plug-in QGis sera bientôt publié.
Doctorant en Géographie à l'UMR LETG Brest spécialisé sur l'étude des zones humides littorales en télédétection et IA.