| Titre : | Advancing Cadastral Intelligence Through Deep Learning: Toward Automated Parcel Mapping |
| Auteurs : | EL AOUNI Salma, Auteur ; EL HOUJJAJI Wiam, Auteur ; EL-AYACHI Moha, Auteur ; AIT EL KADI Kenza, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 151 |
| Langues: | Français |
| Mots-clés: | cartographie cadastrale ; délimitation parcellaire ; apprentissage profond ; segmentation sémantique ; orthophotos ; occupation du sol. |
| Résumé : |
La délimitation des parcelles est un élément clé de la gouvernance foncière, de la planification
agricole et des infrastructures de données spatiales. Au Maroc et en Espagne, les systèmes cadast raux ont évolué dans des cadres historiques, juridiques et institutionnels distincts. Une analyse descriptive révèle des convergences et divergences. Avec la progression de la numérisation, l’automatisation et la standardisation de ces processus via les te chnologies géospatiales et l’intelligence artificielle deviennent essentielles. Cette étude évalue plusieurs modèles d’apprentissage profond pour la segmentation sémantique d’images aériennes haute résolution. L’objectif est d’analyser comment l’IA peut pe rmettre une cartographie précise et à grande échelle des limites parcellaires et de l’occupation du sol, en appui à la modernisation des systèmes fonciers. La méthodologie repose sur deux flux de travail. Le premier concerne l’extraction des limites à part ir d’orthophotos du PNOA, associées à des données vectorielles. Après rasterisation en tuiles de 512×512 pixels, quatre modèles (UNet, DeepLabV3+, TransUNet, FaUNet) ont été entraînés, et un modèle pré entraîné (SAM) ajouté pour comparaison. Le second flux traite la segmentation de l’occupation du sol (LULC) via le jeu LandCover.ai, en comparant UNet et DeepLabV3+ sur quatre classes. Les résultats montrent que UNet offre les meilleures performances pour la délimitation (F1 : 0,92 ; IoU : 0,85 ; Rappel : 0,9 6), suivi de près par DeepLabV3+. Les deux présentent une précision élevée (0,86 0,87). Pour la LULC, DeepLabV3+ surpasse UNet (Accuracy : 0,96 vs 0,95 ; F1 : 0,89 vs 0,81), avec un IoU identique (0,73). Ces résultats confirment le potentiel de UNet et Dee pLabV3+ pour la cartographie cadastrale automatisée. Les perspectives incluent le développement de métriques vectorielles standardisées et l’élargissement de la classification aux types de cultures. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/EL_AOUNI_EL_HOUJJAJI_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041745 | 10572 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
