Des modèles d'IA de haute précision classent les cartes topographiques plus rapidement que les méthodes traditionnelles.

L'Indonésie, pays de plus de 17 000 îles s'étendant sur 1,9 million de kilomètres carrés, est confrontée à un défi crucial : la création de cartes détaillées pour soutenir ses objectifs de développement.

Avec seulement 31 % du pays couverts par des cartes topographiques à grande échelle (échelle 1:5000), les méthodes traditionnelles comme le stéréo-repérage manuel et les relevés de terrain sont trop lentes pour répondre aux besoins urgents de planification urbaine, de gestion des catastrophes et de conservation de l'environnement.

Une étude révolutionnaire publiée dans Télédétection en 2025 propose une solution : un cadre d’apprentissage profond qui automatise la classification de la couverture terrestre à l’aide d’images satellites à très haute résolution.

Le défi de la cartographie de l'Indonésie Topographie

La taille et la complexité de l'Indonésie font de la cartographie une tâche colossale. L'Agence d'information géospatiale (BIG), chargée de la cartographie nationale, produit actuellement 13 000 kilomètres carrés de cartes topographiques par an.

À ce rythme, cartographier l'ensemble du pays prendrait plus d'un siècle. Même en excluant les zones forestières, qui couvrent près de la moitié du territoire indonésien, il faudrait encore 60 ans pour achever la cartographie du reste du territoire.

Cette lenteur des progrès entre en conflit avec les priorités nationales telles que… Politique de carte unique, Cette politique, introduite en 2016 pour harmoniser les cartes entre les secteurs et éviter les conflits d'usage des sols, a pour objectif de généraliser l'utilisation des cartes à l'échelle 1:5000, une étape essentielle mais très en retard.

Cartes topographiques Ce sont des représentations détaillées des caractéristiques naturelles et artificielles de la surface de la Terre, notamment l'altitude (collines, vallées), les plans d'eau, les routes, les bâtiments et la végétation.

Elles constituent des outils fondamentaux pour la planification des infrastructures, la gestion des catastrophes et la surveillance environnementale. Pour l'Indonésie, l'élaboration de ces cartes à l'échelle 1/5000 (où 1 cm sur la carte représente 50 mètres sur le terrain) est essentielle à la précision de projets tels que la construction de routes ou la modélisation des inondations.

données sur la couverture terrestre, La cartographie, un sous-ensemble des cartes topographiques, désigne la matière physique présente à la surface de la Terre, comme les forêts, les zones urbaines ou l'eau. Contrairement aux cartes topographiques, utilisation des terres (qui décrit comment les humains utilisent le territoire, par exemple les zones résidentielles ou industrielles), l'accent est mis sur les caractéristiques observables du territoire.

Des cartes précises de l'occupation des sols aident les gouvernements à suivre la déforestation, à contrôler l'étalement urbain et à évaluer la productivité agricole. Traditionnellement, les analystes étiquettent manuellement ces éléments pixel par pixel à partir de photographies aériennes ou d'images satellites, un processus long et sujet aux erreurs humaines.

Par exemple, identifier les routes ou les petits bâtiments dans les zones urbaines denses peut nécessiter des jours de travail minutieux. L'étude de 2025 s'attaque à ce problème en remplaçant les tâches manuelles par l'intelligence artificielle, et plus précisément par l'apprentissage profond, afin d'automatiser la classification de l'occupation des sols.

Analyse d'images satellites pilotée par l'IA 

La recherche s'est concentrée sur la ville de Mataram, une petite zone urbaine diversifiée de l'île de Lombok, comme cas d'étude. L'équipe a utilisé Images satellites des Pléiades à partir de 2015, qui comprenait des données panchromatiques (0,5 mètre) et multispectrales (2 mètres) à haute résolution.

Les images panchromatiques capturent des détails spatiaux fins en niveaux de gris, tandis que les images multispectrales fournissent des informations de couleur et infrarouges sur des plages de longueurs d'onde spécifiques (par exemple, rouge, vert, bleu, proche infrarouge).

Pour combiner ces atouts, les chercheurs ont appliqué une technique appelée fusion panchromatique, qui consiste à combiner des données en niveaux de gris haute résolution avec des images couleur basse résolution. Ce procédé a permis d'obtenir des images nettes et détaillées d'une résolution de 0,5 mètre, idéales pour la détection de petits éléments tels que des routes ou des bâtiments individuels.

La fusion panchromatique est essentielle car elle préserve la richesse des informations spectrales des données multispectrales tout en améliorant la clarté spatiale, garantissant ainsi une correspondance précise des couleurs avec les caractéristiques physiques.

L'équipe a ensuite extrait des informations supplémentaires des images afin d'améliorer la précision de la classification. Elle a calculé l'indice de végétation par différence normalisée (NDVI), une mesure de la santé des plantes dérivée de la réflexion de la lumière proche infrarouge (NIR) et rouge.

Une végétation saine réfléchit davantage la lumière proche infrarouge et absorbe davantage la lumière rouge grâce à l'activité de la chlorophylle. La formule $\text{NDVI}=(\text{NIR}-\text{Rouge})/(\text{NIR}+\text{Rouge})$ produit des valeurs comprises entre -1 et 1, les valeurs les plus élevées indiquant une végétation plus dense et plus saine.

L'indice NDVI est un outil précieux pour distinguer les forêts, les terres agricoles et les espaces verts urbains. Par exemple, dans cette étude, il a permis de différencier les plantations luxuriantes des sols nus.

Analyse de texture Une autre étape clé a consisté à utiliser une méthode statistique appelée matrice de cooccurrence de niveaux de gris (GLCM) pour quantifier les motifs dans les images, comme la rugosité des champs agricoles par rapport à la régularité des routes pavées.

GLCM fonctionne en analysant la fréquence d'apparition des paires de pixels présentant des valeurs et des relations spatiales spécifiques (par exemple, adjacents horizontalement) dans une image. À partir de cette matrice, on calcule des métriques comme homogénéité (uniformité des valeurs de pixels), contraste (variations d'intensité locale), et entropie (le caractère aléatoire de la distribution des pixels) est calculé.

Ces mesures de texture ont aidé le modèle d'IA à différencier les types de couverture terrestre d'apparence similaire, par exemple en distinguant les routes asphaltées des zones de terre sombre.

Pour simplifier les données, l'équipe a appliqué Analyse en composantes principales (ACP), L'analyse en composantes principales (ACP) est une technique qui identifie les tendances les plus significatives dans un ensemble de données. Elle réduit la redondance en transformant les variables corrélées (par exemple, plusieurs bandes de texture) en un ensemble plus restreint de composantes non corrélées.

Dans cette étude, l'ACP a permis de condenser cinq bandes de texture en deux composantes principales tout en conservant 95% des informations originales. Ceci a simplifié les données d'entrée du modèle d'apprentissage profond, améliorant ainsi la précision et l'efficacité de calcul.

Apprentissage profond U-Net pour la couverture terrestre Topographie

L'étude reposait sur un modèle d'apprentissage profond basé sur l'architecture U-Net, un type de réseau neuronal convolutif (CNN) largement utilisé dans les tâches de segmentation d'images.

Nommé ainsi en raison de sa conception en forme de U, U-Net se compose de deux parties principales : un encodeur qui analyse l’image pour en extraire des caractéristiques hiérarchiques (par exemple, les contours, les textures) et un décodeur qui reconstruit l’image avec des étiquettes pixel par pixel.

L'encodeur utilise des couches convolutionnelles et le pooling pour sous-échantillonner l'image et capturer les grandes lignes, tandis que le décodeur suréchantillonne les données pour restaurer la résolution spatiale. Les connexions résiduelles entre les couches de l'encodeur et du décodeur préservent les détails fins, permettant une détection précise des contours – une caractéristique essentielle pour la cartographie de routes étroites ou de bâtiments de forme irrégulière.

Le modèle utilise une architecture ResNet34, un réseau pré-entraîné réputé pour sa profondeur et son efficacité. ResNet34 appartient à la famille des réseaux résiduels, qui introduit des “ connexions de raccourci ” pour contourner certaines couches, atténuant ainsi le problème de disparition du gradient (où les réseaux profonds peinent à apprendre en raison de la diminution des mises à jour pendant l'entraînement).

En tirant parti de la capacité de ResNet34 à reconnaître des motifs complexes à partir d'ImageNet (une base de données d'images massive), le modèle a nécessité moins de données d'entraînement et de temps pour s'adapter à l'imagerie satellite.

L'entraînement du modèle a nécessité 1 440 tuiles d'images, chacune de 512×512 pixels, couvrant six classes de couverture terrestre : bâtiments, routes, terres agricoles, terres nues, plantations et plans d'eau.

L'ensemble de données présentait des déséquilibres inhérents : les routes et les plans d'eau ne représentaient respectivement que 3,71 TP3T et 4,21 TP3T des échantillons, tandis que les bâtiments et les terres agricoles en représentaient chacun plus de 251 TP3T. Malgré cette difficulté, le modèle a été entraîné sur 200 époques – un compromis entre précision et coût de calcul – avec une taille de lot de 2 en raison de contraintes de mémoire.

Un époque fait référence à un passage complet des données d'entraînement à travers le modèle, tandis que taille du lot Détermine le nombre d'échantillons à traiter avant la mise à jour des paramètres du modèle. Des lots plus petits réduisent la consommation de mémoire, mais peuvent ralentir l'entraînement.

Amélioration des cartes par traitement morphologique

Même les meilleurs modèles d'IA produisent des erreurs, comme la mauvaise classification de pixels isolés ou la création de contours irréguliers autour des détails. Pour remédier à cela, les chercheurs ont appliqué un traitement morphologique, une technique qui lisse les imperfections grâce à des opérations telles que l'érosion et la dilatation.

L'érosion supprime de fines couches de pixels des contours des objets, éliminant ainsi de minuscules zones mal classées, tandis que la dilatation ajoute des pixels pour étendre les contours des objets, comblant les lacunes dans les éléments linéaires comme les routes.

Ces opérations reposent sur un élément structurant (une petite matrice) qui se déplace sur l'image pour modifier les valeurs des pixels. La taille optimale du noyau pour ces opérations (5 × 5 pixels) a été déterminée par une analyse de semi-variance, une méthode géostatistique qui quantifie les structures spatiales de l'image.

La semi-variance mesure la différence des valeurs de pixels à différentes distances, permettant d'identifier l'échelle à laquelle les caractéristiques de texture (par exemple, les groupes de bâtiments) sont les plus distinctes.

L'IA améliore la vitesse et la précision de la cartographie

Le modèle a atteint une précision initiale de 84% (score kappa = 0,79), qui est passé à 86% (kappa = 0,81) après post-traitement. score kappa (Le kappa de Cohen) mesure la concordance entre les classifications prédites et réelles, en tenant compte du hasard.

Un score de 0,81 indique un accord “ presque parfait ”, dépassant la plage 0,61–0,80 considérée comme “ substantielle ”. Les plans d’eau et les plantations ont été classés avec une précision quasi parfaite (97% et 96%, respectivement), tandis que les routes — mises à l’épreuve par leur forme mince et linéaire et leurs ombres — ont atteint 85%.

Les bâtiments et les terres agricoles ont également obtenu de bons résultats, avec des scores F1 respectifs de 88% et 83%. Le score F1, moyenne harmonique de la précision et du rappel, équilibre les faux positifs et les faux négatifs, ce qui le rend idéal pour l'évaluation des ensembles de données déséquilibrés.

Les gains d'efficacité étaient encore plus frappants. La stéréo-cartographie traditionnelle, qui consiste à étiqueter manuellement les éléments sur des images aériennes 3D, prend neuf jours par feuille de carte (5,29 km²) pour les bâtiments et la végétation.

L'approche basée sur l'IA a permis de réduire ce temps à 43 minutes par feuille, soit une amélioration de 250 fois. L'entraînement du modèle a nécessité 17 heures initialement, mais une fois entraîné, il pouvait cartographier de vastes zones avec une intervention humaine minimale. Le déploiement de ce système pourrait permettre à l'Indonésie de cartographier 9 000 km² par an, réduisant ainsi le délai d'achèvement prévu de plus d'un siècle à seulement 15 ans.

La cartographie par IA fait progresser la durabilité mondiale

Les implications vont bien au-delà de l'Indonésie. La classification automatisée de l'occupation des sols contribue aux efforts mondiaux tels que les Objectifs de développement durable (ODD) des Nations Unies. Par exemple, le suivi de la déforestation (ODD 15) ou de l'expansion urbaine (ODD 11) devient plus rapide et plus précis.

Dans les régions exposées aux catastrophes, comme les zones inondables, des cartes à jour permettent d'identifier les communautés vulnérables et de planifier les itinéraires d'évacuation.

Les agriculteurs en bénéficient également ; des données précises sur la couverture terrestre permettent une agriculture de précision, optimisant l’utilisation de l’eau et les rendements des cultures grâce au suivi de la santé des sols et du stress de la végétation via l’indice NDVI.

Des défis subsistent toutefois. Les performances du modèle sur des classes sous-représentées comme les routes soulignent la nécessité de disposer de données d'entraînement équilibrées. Les travaux futurs pourraient intégrer l'apprentissage par transfert, une technique qui consiste à affiner un modèle pré-entraîné sur une tâche (par exemple, la reconnaissance d'images générale) pour une application spécifique (par exemple, la détection de routes dans les images satellites).

Cela réduit le besoin de vastes ensembles de données étiquetées, dont la création est coûteuse. Tester des architectures avancées comme U-Net3+, qui améliore l'agrégation des caractéristiques à différentes échelles, ou des modèles basés sur les transformeurs (qui excellent dans la capture des dépendances à longue portée dans les images) pourrait encore améliorer la précision.

Toutefois, l'intégration de données Lidar (Light Detection and Ranging) ou radar pourrait également améliorer les résultats, notamment dans les régions nuageuses où les satellites optiques ont des difficultés.

Conclusion : Une nouvelle ère pour les sciences géospatiales

Cette étude marque un tournant dans la cartographie topographique. Grâce à l'automatisation de la classification de l'occupation des sols, les pays peuvent produire des cartes précises plus rapidement et à moindre coût qu'auparavant. Pour l'Indonésie, cette technologie n'est pas un simple atout : c'est une nécessité pour gérer son urbanisation rapide, protéger ses forêts et se préparer aux catastrophes liées au changement climatique.

Avec les progrès de l'IA et des technologies satellitaires, la vision d'une cartographie haute résolution en temps réel devient accessible, permettant aux gouvernements et aux communautés de bâtir un avenir plus durable.

RéférenceHakim, YF; Tsai, F. Extraction de la couverture terrestre basée sur l'apprentissage profond à partir d'images satellites à très haute résolution pour aider à la production de cartes topographiques à grande échelle. Remote Sens. 2025, 17, 473. https://doi.org/10.3390/rs17030473