Évaluation de techniques d’apprentissage profond pour la cartographie par télédétection multi-capteur de l’occupation et l’usage des sols en milieu rural au centre et au nord du Bénin

English. The use of Satellite Image Time Series (SITS) is crucial for accurate and current land-use mapping across extensive regions. While many SITS studies have concentrated on conventional classification algorithms like Random Forests (RF), deep learning algorithms have demonstrated notable success, particularly in supervised tasks involving data structures such as spatial or temporal attributes. This research conducts a thorough comparative analysis of four land-use classification models. The dataset encompasses Sentinel-2 image time series for the year 2022, comprising 400 variables (16 bands × 25 time stamps) and a ground truth database. The results highlight the effectiveness of convolutional neural networks (CNNs) in capturing intricate patterns and generating predictions that align closely with real observations. This underscores their relevance for complex classification tasks based on SITS, particularly in our study area characterized by a fragmented landscape, small agricultural holdings, and incomplete temporal image series due to substantial cloud cover. Moreover, the TempCNN model, which primarily leverages temporal correlations, outperformed approaches that incorporate a spatial context description, such as DuPLO and CNN2D.

French. L’utilisation des séries temporelles d’images satellites (SITS) s’est avérée indispensable pour une cartographie précise et à jour de l’occupation des sols sur de vastes étendues. Bien que la plupart des études portant sur les SITS se soient concentrées sur l’emploi d’algorithmes de classification traditionnels tels que les Random Forests (RF), les algorithmes d’apprentissage profond ont connu un succès remarquable pour les tâches supervisées, notamment dans le cas de données présentant des structures entre les attributs, telles que l’espace ou le temps. Dans cette optique, cette étude propose une analyse comparative approfondie de quatre modèles de classification de l’occupation des sols. Pour ce faire, nous avons fais usage d’une d’une série temporelle d’images Sentinel-2 sur l’année 2022 (400 variables, soit 16 bandes × 25 estampilles temporelles) et une base de données vérité terrain. Les résultats obtenus attestent de la bonne capacité des réseaux de neurones convolutifs à saisir des motifs complexes et à produire des prédictions en étroite concordance avec les observations réelles, démontrant ainsi leur pertinence pour les tâches complexes de classification basées sur les SITS surtout dans le contexte spécifique de notre zone d’étude caractérisée par un paysage assez fragmenté, la petite taille des exploitations agricoles et l’incomplétude de la série temporelle d’images (fortes nébulosités) dû à la présence de nuages. De plus, il ressort que le modèle TempCNN qui exploite principalement les corrélations dans le temps à été meilleur par rapport aux approches intégrant une description du contexte spatial tels que DuPLO et CNN2D.