Analyser l’occupation des sols, un travail de précision

Une cartographie périodique de l’occupation des sols est produite à partir du traitement d’images de satellites dans de nombreux pays du monde. Ce travail se fait le plus souvent par des agences publiques et, à l’échelle globale, résulte de l’initiative d’agences spatiales ou d’institutions supranationales. Cette information est utile à plusieurs titres: pour la recherche sur le fonctionnement des écosystèmes, pour la gestion des territoires, ou encore comme donnée auxiliaire pour le traitement d’autres données géographiques, ce qui conduit des acteurs privés comme Esri et Google à la mettre à disposition de leurs usagers.
Notons que la notion d’occupation est ambiguë. L’expression anglaise land use land cover, largement utilisée y compris à travers sa traduction dans diverses langues, permet de comprendre cette ambiguïté liée à la fusion dans une même classification des notions — pourtant bien différentes — d’usage et de couverture du sol. Or, une même couverture peut avoir plusieurs usages. Par exemple, une pelouse, c’est-à-dire une couverture, peut aussi bien être observée sur un stade de football que sur un pâturage, qui en constituent autant d’usages.
La méthode traditionnelle de classification consiste, après avoir adopté une nomenclature, à identifier pour chaque classe un échantillon d’entraînement. L’algorithme attribue chaque pixel à une classe en fonction de sa similitude spectrale avec l’échantillon de cette classe. La notion de similitude est propre à chaque algorithme, qui doit ainsi définir une frontière entre les classes. Ces frontières étant classiquement définies en fonction du contenu statistique de chaque classe, il arrive qu’un changement important de l’occupation du sol lié à la croissance urbaine, la déforestation ou des incendies, par exemple, décale la frontière au cours du temps. Ce qui biaise alors la comparaison entre deux dates, puisqu’un pixel pourtant inchangé peut changer de classe au cours du temps.

DISTINGUER LA COUVERTURE ET L’USAGE DES SOLS

Plus généralement, une certaine proportion de pixels est classée de manière erronée, pour diverses raisons, telles que la sensibilité limitée du capteur, le manque de représentativité de l’échantillon ou la présence d’un mélange de classes au sein d’un même pixel. Le taux d’erreur de classification est évalué à l’aide d’un échantillon de contrôle, distinct de l’échantillon d’entraînement, et les confusions entre les classes sont consignées dans une matrice de confusion, qui sert à calculer divers indicateurs de précision.
Si la cartographie périodique de l’occupation du sol est destinée à montrer les grandes tendances dans la réponse de l’environnement aux effets du climat et des politiques publiques, à suivre la trajectoire des territoires au regard des objectifs de développement durable (ODD) ou encore à fournir des données en entrée des modèles climatiques, alors on peut s’accommoder de précisions de l’ordre de 80 à 90%. En revanche, des initiatives de lutte contre la déforestation tropicale comme le Redd + (Reducing emissions from deforestation and forest degradation) et plus récemment le TFFF (Tropical forests forever facility) lancé pendant la COP30, privilégient des mécanismes financiers qui récompensent les États ou les propriétaires qui maintiennent la forêt sur pied et pénalisent ceux qui permettent la déforestation: ces initiatives ne sont viables que si la précision de la classification tend asymptotiquement vers 100%, ce qui exige une remise en cause des satellites utilisés et un effort de recherche sur les algorithmes.