Évolution de l’occupation du sol dans le bassin versant d’Allala : approche par télédétection et apprentissage automatique

Abstract

Ce travail porte sur l’intégration de la télédétection, des systèmes d’information géographique (SIG) et des techniques d’apprentissage automatique pour la cartographie de l’occupation du sol du bassin versant d’Allala. L’étude vise à évaluer l’apport de cette approche dans la production de cartes de classification de l’occupation du sol à partir d’images Sentinel-2, ainsi qu’à analyser et quantifier les changements spatio-temporels survenus au cours d’une période de dix ans. La comparaison de cinq algorithmes d’apprentissage automatique : RF, GTB, CART, SVM et KNN, a permis d’identifier la méthode la plus performante pour la classification des différentes classes d’occupation du sol. Les résultats ont montré que Random Forest présente les meilleures performances pour les années 2016 et 2021, avec une précision globale de (0,78 et 0,84) et un coefficient Kappa (0,73 et 0,79). Tandis que Gradient Tree Boosting s’est révélé le plus performant pour l’année 2026 (OA = 0,73 et Kappa= 0,66). Cette étude met en évidence l’intérêt des méthodes d’apprentissage automatique pour le suivi spatio-temporel de l’occupation du sol en milieu semi-aride et constitue un outil d’aide à la gestion durable des ressources naturelles.