Résumé :
Ce mémoire trouve son origine dans un double contexte. D’abord, il y a une pression à la production de données d’occupation du sol suite aux récentes actions législatives, avec l’objectif Zéro Artificialisation Nette en tête. Deuxièmement, les données en libre accès sur le marché sont perfectibles sur certains points de vue, qui sont développés et justifiés, notamment en ce qui a trait à l’agilité, la précision et la résolution spatiale et temporelle. C’est pourquoi, cette étude a pour ambition de répondre à la problématique suivante : ”Dans quelle mesure les apports de l’apprentissage profond à la cartographie de l’occupation du sol permettent-ils de monitorer les territoires en adéquation avec les besoins métiers des acteurs publics ?”. La méthode originale conçue dans le cadre de ce mémoire mobilise les réseaux de neurones convolutifs et a été développée pour répondre aux besoins opérationnels des collectivités territoriales, comme le Grand Avignon, partenaire de ce mémoire. Cette chaîne de traitements retourne une segmentation de l’occupation du sol particulièrement précise à un mètre de résolution, à six classes, avec un score F1 moyen de 0.91 et un mIoU de 0.77. Finalement, cette méthode a pour vocation d’être utilisée par les acteurs concernés, et ce faisant, une réflexion a été menée sur les modalités d’utilisation opérationnelle, en plus de l’avoir conçue dans un objectif de reproductibilité des résultats.
Mots clés : Zéro artificialisation nette, Occupation du sol, Méthode territorialisée, Adéquation besoins métiers, Apprentissage profond
Note : 18/20
