{"id":11618,"date":"2025-05-25T23:15:55","date_gmt":"2025-05-25T21:15:55","guid":{"rendered":"https:\/\/geopard.tech\/?p=11618"},"modified":"2025-05-25T23:15:55","modified_gmt":"2025-05-25T21:15:55","slug":"les-modeles-dia-de-haute-precision-classent-les-cartes-topographiques-plus-rapidement-que-les-methodes-traditionnelles","status":"publish","type":"post","link":"https:\/\/geopard.tech\/fr\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/","title":{"rendered":"Des mod\u00e8les d'IA de haute pr\u00e9cision classent les cartes topographiques plus rapidement que les m\u00e9thodes traditionnelles."},"content":{"rendered":"

L'Indon\u00e9sie, pays de plus de 17 000 \u00eeles s'\u00e9tendant sur 1,9 million de kilom\u00e8tres carr\u00e9s, est confront\u00e9e \u00e0 un d\u00e9fi crucial : la cr\u00e9ation de cartes d\u00e9taill\u00e9es pour soutenir ses objectifs de d\u00e9veloppement.<\/p>\n

Avec seulement 31 % du pays couverts par des cartes topographiques \u00e0 grande \u00e9chelle (\u00e9chelle 1:5000), les m\u00e9thodes traditionnelles comme le st\u00e9r\u00e9o-rep\u00e9rage manuel et les relev\u00e9s de terrain sont trop lentes pour r\u00e9pondre aux besoins urgents de planification urbaine, de gestion des catastrophes et de conservation de l'environnement.<\/p>\n

Une \u00e9tude r\u00e9volutionnaire publi\u00e9e dans\u00a0T\u00e9l\u00e9d\u00e9tection<\/em> en 2025 propose une solution\u00a0: un cadre d\u2019apprentissage profond qui automatise la classification de la couverture terrestre \u00e0 l\u2019aide d\u2019images satellites \u00e0 tr\u00e8s haute r\u00e9solution.<\/p>\n

Le d\u00e9fi de la cartographie de l'Indon\u00e9sie Topographie<\/strong><\/h2>\n

La taille et la complexit\u00e9 de l'Indon\u00e9sie font de la cartographie une t\u00e2che colossale. L'Agence d'information g\u00e9ospatiale (BIG), charg\u00e9e de la cartographie nationale, produit actuellement 13\u00a0000 kilom\u00e8tres carr\u00e9s de cartes topographiques par an.<\/p>\n

\u00c0 ce rythme, cartographier l'ensemble du pays prendrait plus d'un si\u00e8cle. M\u00eame en excluant les zones foresti\u00e8res, qui couvrent pr\u00e8s de la moiti\u00e9 du territoire indon\u00e9sien, il faudrait encore 60 ans pour achever la cartographie du reste du territoire.<\/p>\n

Cette lenteur des progr\u00e8s entre en conflit avec les priorit\u00e9s nationales telles que\u2026\u00a0Politique de carte unique<\/em>, Cette politique, introduite en 2016 pour harmoniser les cartes entre les secteurs et \u00e9viter les conflits d'usage des sols, a pour objectif de g\u00e9n\u00e9raliser l'utilisation des cartes \u00e0 l'\u00e9chelle 1:5000, une \u00e9tape essentielle mais tr\u00e8s en retard.<\/p>\n

Cartes topographiques<\/strong>\u00a0Ce sont des repr\u00e9sentations d\u00e9taill\u00e9es des caract\u00e9ristiques naturelles et artificielles de la surface de la Terre, notamment l'altitude (collines, vall\u00e9es), les plans d'eau, les routes, les b\u00e2timents et la v\u00e9g\u00e9tation.<\/p>\n

Elles constituent des outils fondamentaux pour la planification des infrastructures, la gestion des catastrophes et la surveillance environnementale. Pour l'Indon\u00e9sie, l'\u00e9laboration de ces cartes \u00e0 l'\u00e9chelle 1\/5000 (o\u00f9 1 cm sur la carte repr\u00e9sente 50 m\u00e8tres sur le terrain) est essentielle \u00e0 la pr\u00e9cision de projets tels que la construction de routes ou la mod\u00e9lisation des inondations.<\/p>\n

\"Le<\/p>\n

donn\u00e9es sur la couverture terrestre<\/strong>, La cartographie, un sous-ensemble des cartes topographiques, d\u00e9signe la mati\u00e8re physique pr\u00e9sente \u00e0 la surface de la Terre, comme les for\u00eats, les zones urbaines ou l'eau. Contrairement aux cartes topographiques,\u00a0utilisation des terres<\/em>\u00a0(qui d\u00e9crit comment les humains utilisent le territoire, par exemple les zones r\u00e9sidentielles ou industrielles), l'accent est mis sur les caract\u00e9ristiques observables du territoire.<\/p>\n

Des cartes pr\u00e9cises de l'occupation des sols aident les gouvernements \u00e0 suivre la d\u00e9forestation, \u00e0 contr\u00f4ler l'\u00e9talement urbain et \u00e0 \u00e9valuer la productivit\u00e9 agricole. Traditionnellement, les analystes \u00e9tiquettent manuellement ces \u00e9l\u00e9ments pixel par pixel \u00e0 partir de photographies a\u00e9riennes ou d'images satellites, un processus long et sujet aux erreurs humaines.<\/p>\n

Par exemple, identifier les routes ou les petits b\u00e2timents dans les zones urbaines denses peut n\u00e9cessiter des jours de travail minutieux. L'\u00e9tude de 2025 s'attaque \u00e0 ce probl\u00e8me en rempla\u00e7ant les t\u00e2ches manuelles par l'intelligence artificielle, et plus pr\u00e9cis\u00e9ment par l'apprentissage profond, afin d'automatiser la classification de l'occupation des sols.<\/p>\n

Analyse d'images satellites pilot\u00e9e par l'IA\u00a0<\/strong><\/h2>\n

La recherche s'est concentr\u00e9e sur la ville de Mataram, une petite zone urbaine diversifi\u00e9e de l'\u00eele de Lombok, comme cas d'\u00e9tude. L'\u00e9quipe a utilis\u00e9\u00a0Images satellites des Pl\u00e9iades<\/strong>\u00a0\u00e0 partir de 2015, qui comprenait des donn\u00e9es panchromatiques (0,5 m\u00e8tre) et multispectrales (2 m\u00e8tres) \u00e0 haute r\u00e9solution.<\/p>\n

Les images panchromatiques capturent des d\u00e9tails 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 sp\u00e9cifiques (par exemple, rouge, vert, bleu, proche infrarouge).<\/p>\n

Pour combiner ces atouts, les chercheurs ont appliqu\u00e9 une technique appel\u00e9e fusion panchromatique, qui consiste \u00e0 combiner des donn\u00e9es en niveaux de gris haute r\u00e9solution avec des images couleur basse r\u00e9solution. Ce proc\u00e9d\u00e9 a permis d'obtenir des images nettes et d\u00e9taill\u00e9es d'une r\u00e9solution de 0,5 m\u00e8tre, id\u00e9ales pour la d\u00e9tection de petits \u00e9l\u00e9ments tels que des routes ou des b\u00e2timents individuels.<\/p>\n

La fusion panchromatique est essentielle car elle pr\u00e9serve la richesse des informations spectrales des donn\u00e9es multispectrales tout en am\u00e9liorant la clart\u00e9 spatiale, garantissant ainsi une correspondance pr\u00e9cise des couleurs avec les caract\u00e9ristiques physiques.<\/p>\n

L'\u00e9quipe a ensuite extrait des informations suppl\u00e9mentaires des images afin d'am\u00e9liorer la pr\u00e9cision de la classification. Elle a calcul\u00e9 l'indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e (NDVI), une mesure de la sant\u00e9 des plantes d\u00e9riv\u00e9e de la r\u00e9flexion de la lumi\u00e8re proche infrarouge (NIR) et rouge.<\/p>\n

Une v\u00e9g\u00e9tation saine r\u00e9fl\u00e9chit davantage la lumi\u00e8re proche infrarouge et absorbe davantage la lumi\u00e8re rouge gr\u00e2ce \u00e0 l'activit\u00e9 de la chlorophylle. La formule\u00a0NDVI=(NIR\u2212Rouge)\/(NIR+Rouge)<\/span>NDVI<\/span><\/span>=<\/span><\/span>(<\/span>NIR<\/span><\/span>\u2212<\/span><\/span>Rouge<\/span><\/span>)<\/span>\/<\/span>(<\/span>NIR<\/span><\/span>+<\/span><\/span>Rouge<\/span><\/span>)<\/span><\/span><\/span><\/span>\u00a0produit des valeurs comprises entre -1 et 1, les valeurs les plus \u00e9lev\u00e9es indiquant une v\u00e9g\u00e9tation plus dense et plus saine.<\/p>\n

L'indice NDVI est un outil pr\u00e9cieux pour distinguer les for\u00eats, les terres agricoles et les espaces verts urbains. Par exemple, dans cette \u00e9tude, il a permis de diff\u00e9rencier les plantations luxuriantes des sols nus.<\/p>\n

Analyse de texture<\/strong>\u00a0Une autre \u00e9tape cl\u00e9 a consist\u00e9 \u00e0 utiliser une m\u00e9thode statistique appel\u00e9e matrice de cooccurrence de niveaux de gris (GLCM) pour quantifier les motifs dans les images, comme la rugosit\u00e9 des champs agricoles par rapport \u00e0 la r\u00e9gularit\u00e9 des routes pav\u00e9es.<\/p>\n

GLCM fonctionne en analysant la fr\u00e9quence d'apparition des paires de pixels pr\u00e9sentant des valeurs et des relations spatiales sp\u00e9cifiques (par exemple, adjacents horizontalement) dans une image. \u00c0 partir de cette matrice, on calcule des m\u00e9triques comme\u00a0homog\u00e9n\u00e9it\u00e9<\/em>\u00a0(uniformit\u00e9 des valeurs de pixels),\u00a0contraste<\/em>\u00a0(variations d'intensit\u00e9 locale), et\u00a0entropie<\/em>\u00a0(le caract\u00e8re al\u00e9atoire de la distribution des pixels) est calcul\u00e9.<\/p>\n

Ces mesures de texture ont aid\u00e9 le mod\u00e8le d'IA \u00e0 diff\u00e9rencier les types de couverture terrestre d'apparence similaire, par exemple en distinguant les routes asphalt\u00e9es des zones de terre sombre.<\/p>\n

Pour simplifier les donn\u00e9es, l'\u00e9quipe a appliqu\u00e9\u00a0Analyse en composantes principales (ACP)<\/strong>, L'analyse en composantes principales (ACP) est une technique qui identifie les tendances les plus significatives dans un ensemble de donn\u00e9es. Elle r\u00e9duit la redondance en transformant les variables corr\u00e9l\u00e9es (par exemple, plusieurs bandes de texture) en un ensemble plus restreint de composantes non corr\u00e9l\u00e9es.<\/p>\n

Dans cette \u00e9tude, l'ACP a permis de condenser cinq bandes de texture en deux composantes principales tout en conservant 95% des informations originales. Ceci a simplifi\u00e9 les donn\u00e9es d'entr\u00e9e du mod\u00e8le d'apprentissage profond, am\u00e9liorant ainsi la pr\u00e9cision et l'efficacit\u00e9 de calcul.<\/p>\n

Apprentissage profond U-Net pour la couverture terrestre <\/strong>Topographie<\/strong><\/h2>\n

L'\u00e9tude reposait sur un mod\u00e8le d'apprentissage profond bas\u00e9 sur l'architecture U-Net, un type de r\u00e9seau neuronal convolutif (CNN) largement utilis\u00e9 dans les t\u00e2ches de segmentation d'images.<\/p>\n

Nomm\u00e9 ainsi en raison de sa conception en forme de U, U-Net se compose de deux parties principales\u00a0: un encodeur qui analyse l\u2019image pour en extraire des caract\u00e9ristiques hi\u00e9rarchiques (par exemple, les contours, les textures) et un d\u00e9codeur qui reconstruit l\u2019image avec des \u00e9tiquettes pixel par pixel.<\/p>\n

L'encodeur utilise des couches convolutionnelles et le pooling pour sous-\u00e9chantillonner l'image et capturer les grandes lignes, tandis que le d\u00e9codeur sur\u00e9chantillonne les donn\u00e9es pour restaurer la r\u00e9solution spatiale. Les connexions r\u00e9siduelles entre les couches de l'encodeur et du d\u00e9codeur pr\u00e9servent les d\u00e9tails fins, permettant une d\u00e9tection pr\u00e9cise des contours \u2013 une caract\u00e9ristique essentielle pour la cartographie de routes \u00e9troites ou de b\u00e2timents de forme irr\u00e9guli\u00e8re.<\/p>\n

\"R\u00e9partition<\/p>\n

Le mod\u00e8le utilise une architecture ResNet34, un r\u00e9seau pr\u00e9-entra\u00een\u00e9 r\u00e9put\u00e9 pour sa profondeur et son efficacit\u00e9. ResNet34 appartient \u00e0 la famille des r\u00e9seaux r\u00e9siduels, qui introduit des \u201c\u00a0connexions de raccourci\u00a0\u201d pour contourner certaines couches, att\u00e9nuant ainsi le probl\u00e8me de disparition du gradient (o\u00f9 les r\u00e9seaux profonds peinent \u00e0 apprendre en raison de la diminution des mises \u00e0 jour pendant l'entra\u00eenement).<\/p>\n

En tirant parti de la capacit\u00e9 de ResNet34 \u00e0 reconna\u00eetre des motifs complexes \u00e0 partir d'ImageNet (une base de donn\u00e9es d'images massive), le mod\u00e8le a n\u00e9cessit\u00e9 moins de donn\u00e9es d'entra\u00eenement et de temps pour s'adapter \u00e0 l'imagerie satellite.<\/p>\n

L'entra\u00eenement du mod\u00e8le a n\u00e9cessit\u00e9 1 440 tuiles d'images, chacune de 512\u00d7512 pixels, couvrant six classes de couverture terrestre : b\u00e2timents, routes, terres agricoles, terres nues, plantations et plans d'eau.<\/p>\n

L'ensemble de donn\u00e9es pr\u00e9sentait des d\u00e9s\u00e9quilibres inh\u00e9rents\u00a0: les routes et les plans d'eau ne repr\u00e9sentaient respectivement que 3,71\u00a0TP3T et 4,21\u00a0TP3T des \u00e9chantillons, tandis que les b\u00e2timents et les terres agricoles en repr\u00e9sentaient chacun plus de 251\u00a0TP3T. Malgr\u00e9 cette difficult\u00e9, le mod\u00e8le a \u00e9t\u00e9 entra\u00een\u00e9 sur 200\u00a0\u00e9poques \u2013 un compromis entre pr\u00e9cision et co\u00fbt de calcul \u2013 avec une taille de lot de 2 en raison de contraintes de m\u00e9moire.<\/p>\n

Un\u00a0\u00e9poque<\/strong>\u00a0fait r\u00e9f\u00e9rence \u00e0 un passage complet des donn\u00e9es d'entra\u00eenement \u00e0 travers le mod\u00e8le, tandis que\u00a0taille du lot<\/strong>\u00a0D\u00e9termine le nombre d'\u00e9chantillons \u00e0 traiter avant la mise \u00e0 jour des param\u00e8tres du mod\u00e8le. Des lots plus petits r\u00e9duisent la consommation de m\u00e9moire, mais peuvent ralentir l'entra\u00eenement.<\/p>\n

Am\u00e9lioration des cartes par traitement morphologique<\/strong><\/h2>\n

M\u00eame les meilleurs mod\u00e8les d'IA produisent des erreurs, comme la mauvaise classification de pixels isol\u00e9s ou la cr\u00e9ation de contours irr\u00e9guliers autour des d\u00e9tails. Pour rem\u00e9dier \u00e0 cela, les chercheurs ont appliqu\u00e9 un traitement morphologique, une technique qui lisse les imperfections gr\u00e2ce \u00e0 des op\u00e9rations telles que l'\u00e9rosion et la dilatation.<\/p>\n

L'\u00e9rosion supprime de fines couches de pixels des contours des objets, \u00e9liminant ainsi de minuscules zones mal class\u00e9es, tandis que la dilatation ajoute des pixels pour \u00e9tendre les contours des objets, comblant les lacunes dans les \u00e9l\u00e9ments lin\u00e9aires comme les routes.<\/p>\n

Ces op\u00e9rations reposent sur un \u00e9l\u00e9ment structurant (une petite matrice) qui se d\u00e9place sur l'image pour modifier les valeurs des pixels. La taille optimale du noyau pour ces op\u00e9rations (5 \u00d7 5 pixels) a \u00e9t\u00e9 d\u00e9termin\u00e9e par une analyse de semi-variance, une m\u00e9thode g\u00e9ostatistique qui quantifie les structures spatiales de l'image.<\/p>\n

La semi-variance mesure la diff\u00e9rence des valeurs de pixels \u00e0 diff\u00e9rentes distances, permettant d'identifier l'\u00e9chelle \u00e0 laquelle les caract\u00e9ristiques de texture (par exemple, les groupes de b\u00e2timents) sont les plus distinctes.<\/p>\n

L'IA am\u00e9liore la vitesse et la pr\u00e9cision de la cartographie<\/strong><\/h2>\n

Le mod\u00e8le a atteint une pr\u00e9cision initiale de 84% (score kappa<\/strong>\u00a0= 0,79), qui est pass\u00e9 \u00e0 86% (kappa = 0,81) apr\u00e8s post-traitement.\u00a0score kappa<\/strong>\u00a0(Le kappa de Cohen) mesure la concordance entre les classifications pr\u00e9dites et r\u00e9elles, en tenant compte du hasard.<\/p>\n

Un score de 0,81 indique un accord \u201c presque parfait \u201d, d\u00e9passant la plage 0,61\u20130,80 consid\u00e9r\u00e9e comme \u201c substantielle \u201d. Les plans d\u2019eau et les plantations ont \u00e9t\u00e9 class\u00e9s avec une pr\u00e9cision quasi parfaite (97% et 96%, respectivement), tandis que les routes \u2014 mises \u00e0 l\u2019\u00e9preuve par leur forme mince et lin\u00e9aire et leurs ombres \u2014 ont atteint 85%.<\/p>\n

\"L'IA<\/p>\n

Les b\u00e2timents et les terres agricoles ont \u00e9galement obtenu de bons r\u00e9sultats, avec des scores F1 respectifs de 88% et 83%. Le score F1, moyenne harmonique de la pr\u00e9cision et du rappel, \u00e9quilibre les faux positifs et les faux n\u00e9gatifs, ce qui le rend id\u00e9al pour l'\u00e9valuation des ensembles de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9s.<\/p>\n

Les gains d'efficacit\u00e9 \u00e9taient encore plus frappants. La st\u00e9r\u00e9o-cartographie traditionnelle, qui consiste \u00e0 \u00e9tiqueter manuellement les \u00e9l\u00e9ments sur des images a\u00e9riennes 3D, prend neuf jours par feuille de carte (5,29 km\u00b2) pour les b\u00e2timents et la v\u00e9g\u00e9tation.<\/p>\n

L'approche bas\u00e9e sur l'IA a permis de r\u00e9duire ce temps \u00e0 43 minutes par feuille, soit une am\u00e9lioration de 250 fois. L'entra\u00eenement du mod\u00e8le a n\u00e9cessit\u00e9 17 heures initialement, mais une fois entra\u00een\u00e9, il pouvait cartographier de vastes zones avec une intervention humaine minimale. Le d\u00e9ploiement de ce syst\u00e8me pourrait permettre \u00e0 l'Indon\u00e9sie de cartographier 9\u00a0000 km\u00b2 par an, r\u00e9duisant ainsi le d\u00e9lai d'ach\u00e8vement pr\u00e9vu de plus d'un si\u00e8cle \u00e0 seulement 15 ans.<\/p>\n

La cartographie par IA fait progresser la durabilit\u00e9 mondiale<\/strong><\/h2>\n

Les implications vont bien au-del\u00e0 de l'Indon\u00e9sie. La classification automatis\u00e9e de l'occupation des sols contribue aux efforts mondiaux tels que les Objectifs de d\u00e9veloppement durable (ODD) des Nations Unies. Par exemple, le suivi de la d\u00e9forestation (ODD 15) ou de l'expansion urbaine (ODD 11) devient plus rapide et plus pr\u00e9cis.<\/p>\n

Dans les r\u00e9gions expos\u00e9es aux catastrophes, comme les zones inondables, des cartes \u00e0 jour permettent d'identifier les communaut\u00e9s vuln\u00e9rables et de planifier les itin\u00e9raires d'\u00e9vacuation.<\/p>\n

Les agriculteurs en b\u00e9n\u00e9ficient \u00e9galement\u00a0; des donn\u00e9es pr\u00e9cises sur la couverture terrestre permettent une agriculture de pr\u00e9cision, optimisant l\u2019utilisation de l\u2019eau et les rendements des cultures gr\u00e2ce au suivi de la sant\u00e9 des sols et du stress de la v\u00e9g\u00e9tation via l\u2019indice NDVI.<\/p>\n

Des d\u00e9fis subsistent toutefois. Les performances du mod\u00e8le sur des classes sous-repr\u00e9sent\u00e9es comme les routes soulignent la n\u00e9cessit\u00e9 de disposer de donn\u00e9es d'entra\u00eenement \u00e9quilibr\u00e9es. Les travaux futurs pourraient int\u00e9grer l'apprentissage par transfert, une technique qui consiste \u00e0 affiner un mod\u00e8le pr\u00e9-entra\u00een\u00e9 sur une t\u00e2che (par exemple, la reconnaissance d'images g\u00e9n\u00e9rale) pour une application sp\u00e9cifique (par exemple, la d\u00e9tection de routes dans les images satellites).<\/p>\n

Cela r\u00e9duit le besoin de vastes ensembles de donn\u00e9es \u00e9tiquet\u00e9es, dont la cr\u00e9ation est co\u00fbteuse. Tester des architectures avanc\u00e9es comme U-Net3+, qui am\u00e9liore l'agr\u00e9gation des caract\u00e9ristiques \u00e0 diff\u00e9rentes \u00e9chelles, ou des mod\u00e8les bas\u00e9s sur les transformeurs (qui excellent dans la capture des d\u00e9pendances \u00e0 longue port\u00e9e dans les images) pourrait encore am\u00e9liorer la pr\u00e9cision.<\/p>\n

Toutefois, l'int\u00e9gration de donn\u00e9es Lidar (Light Detection and Ranging) ou radar pourrait \u00e9galement am\u00e9liorer les r\u00e9sultats, notamment dans les r\u00e9gions nuageuses o\u00f9 les satellites optiques ont des difficult\u00e9s.<\/p>\n

Conclusion : Une nouvelle \u00e8re pour les sciences g\u00e9ospatiales<\/h2>\n

Cette \u00e9tude marque un tournant dans la cartographie topographique. Gr\u00e2ce \u00e0 l'automatisation de la classification de l'occupation des sols, les pays peuvent produire des cartes pr\u00e9cises plus rapidement et \u00e0 moindre co\u00fbt qu'auparavant. Pour l'Indon\u00e9sie, cette technologie n'est pas un simple atout\u00a0: c'est une n\u00e9cessit\u00e9 pour g\u00e9rer son urbanisation rapide, prot\u00e9ger ses for\u00eats et se pr\u00e9parer aux catastrophes li\u00e9es au changement climatique.<\/p>\n

Avec les progr\u00e8s de l'IA et des technologies satellitaires, la vision d'une cartographie haute r\u00e9solution en temps r\u00e9el devient accessible, permettant aux gouvernements et aux communaut\u00e9s de b\u00e2tir un avenir plus durable.<\/p>\n

R\u00e9f\u00e9rence<\/strong>Hakim, YF; Tsai, F. Extraction de la couverture terrestre bas\u00e9e sur l'apprentissage profond \u00e0 partir d'images satellites \u00e0 tr\u00e8s haute r\u00e9solution pour aider \u00e0 la production de cartes topographiques \u00e0 grande \u00e9chelle. Remote Sens. 2025, 17, 473. https:\/\/doi.org\/10.3390\/rs17030473<\/a><\/p>","protected":false},"excerpt":{"rendered":"

L\u2019Indon\u00e9sie, pays de plus de 17\u00a0000 \u00eeles s\u2019\u00e9tendant sur 1,9 million de kilom\u00e8tres carr\u00e9s, est confront\u00e9e \u00e0 un d\u00e9fi crucial\u00a0: la cr\u00e9ation de cartes d\u00e9taill\u00e9es pour soutenir ses objectifs de d\u00e9veloppement\u2026.<\/p>","protected":false},"author":210157960,"featured_media":11626,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1661,1366],"tags":[],"class_list":["post-11618","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-satellite-imagery","category-topography"],"acf":[],"yoast_head":"\nHigh-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional - GeoPard<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/fr\/blog\/les-modeles-dia-de-haute-precision-classent-les-cartes-topographiques-plus-rapidement-que-les-methodes-traditionnelles\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional - GeoPard\" \/>\n<meta property=\"og:description\" content=\"Indonesia, a nation of over 17,000 islands spanning 1.9 million square kilometers, faces a critical challenge in creating detailed maps to support its development goals....\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/fr\/blog\/les-modeles-dia-de-haute-precision-classent-les-cartes-topographiques-plus-rapidement-que-les-methodes-traditionnelles\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2025-05-25T21:15:55+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional\",\"datePublished\":\"2025-05-25T21:15:55+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/\"},\"wordCount\":1728,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Satellite Imagery\",\"Topography\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/\",\"name\":\"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional - GeoPard\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2025-05-25T21:15:55+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Des mod\u00e8les d'IA de haute pr\u00e9cision classent les cartes topographiques plus rapidement que les m\u00e9thodes traditionnelles - GeoPard","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/fr\/blog\/les-modeles-dia-de-haute-precision-classent-les-cartes-topographiques-plus-rapidement-que-les-methodes-traditionnelles\/","og_locale":"fr_FR","og_type":"article","og_title":"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional - GeoPard","og_description":"Indonesia, a nation of over 17,000 islands spanning 1.9 million square kilometers, faces a critical challenge in creating detailed maps to support its development goals....","og_url":"https:\/\/geopard.tech\/fr\/blog\/les-modeles-dia-de-haute-precision-classent-les-cartes-topographiques-plus-rapidement-que-les-methodes-traditionnelles\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2025-05-25T21:15:55+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"\u00c9crit par":"dementievgeopard","Dur\u00e9e de lecture estim\u00e9e":"9 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional","datePublished":"2025-05-25T21:15:55+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/"},"wordCount":1728,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1","articleSection":["Satellite Imagery","Topography"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/","url":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/","name":"Des mod\u00e8les d'IA de haute pr\u00e9cision classent les cartes topographiques plus rapidement que les m\u00e9thodes traditionnelles - GeoPard","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1","datePublished":"2025-05-25T21:15:55+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/high-accuracy-ai-models-classifies-topographic-mapping-faster-than-traditional\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"High-Accuracy AI Models Classifies Topographic Mapping Faster Than Traditional"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - Logiciel d'agriculture de pr\u00e9cision","description":"Logiciel de cartographie pour l'agriculture de pr\u00e9cision","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Agriculture","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"l'ours d\u00e9mentiel","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-31o","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/High-Accuracy-AI-Models-Classifies-Topographic-Mapping-Faster-Than-Traditional.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/11618","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/comments?post=11618"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/11618\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media\/11626"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media?parent=11618"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/categories?post=11618"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/tags?post=11618"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}