| Titre | Suivi de la dynamique du paysage à l'aide de l'analyse d'images satellite par apprentissage automatique du SIG GRASS dans le Parc National du W, nord du Bénin | |
|---|---|---|
| Auteur | Polina Lemenkova | |
 |
Revue | Bulletin de l'Association de Géographes Français |
| Numéro | no 102/1, décembre 2025 Informations numériques géolocalisées et pratiques touristiques | |
| Rubrique / Thématique | Article varia |
|
| Page | 133-154 | |
| Résumé |
Depuis le début des années 2010, l'utilisation de techniques d'apprentissage automatique dans le traitement des images satellitaires est devenue une tendance qui se développe rapidement. Dans cette étude, l'analyse des données de télédétection effectuée par les algorithmes du logiciel GRASS SIG est appliquée à des scènes Landsat OLI/TIRS couvrant la zone du Parc National du W, au nord du Bénin. La recherche s'appuie sur deux types de cadres : la classification non supervisée d'images satellitaires et la classification supervisée basée sur plusieurs méthodes d'apprentissage automatique, donnant une perspective technique de la programmation d'applications en cartographie. L'analyse de données multi-temporelles a permis de révéler des changements dans les types d'occupation du sol au sein de la zone d'étude sur la période 2013 à 2023. Cette étude a prouvé l'efficacité des techniques d'apprentissage automatique pour traiter les données d'observation de la Terre dans les études géographiques avec un cas particulier de Bénin, Afrique de l'Ouest. Source : Éditeur (via OpenEdition Journals) |
|
| Résumé anglais |
Since the beginning of the 2010s, the use of machine learning techniques in satellite image processing has become a rapidly developing trend. In this study, remote sensing data analysis performed by algorithms of GRASS SIG software is applied to a Landsat OLI/TIRS scenes covering the area of W National Park, northern Benin. The research is based on two types of framework: unsupervised classification of satellite images and supervised classification based on several methods of machine learning, giving a technical perspective of programming applications in cartography. Analysis of multi-temporal data enabled to reveal changes in land cover types of landscapes within the study area in the period of 2013 to 2023. This study proved the efficacy of machine learning techniques for processing Earth observation data in geographical studies with a particular case of Benin, West Africa. Source : Éditeur (via OpenEdition Journals) |
|
| Article en ligne | https://journals.openedition.org/bagf/13880 |
