Apprentissage de connaissances structurelles à partir de cartes et classification multi-classes : Application à la mise a jour de cartes d'occupation du sol

International audience ; Le nombre de satellites et de capteurs pour la télédétection dédiés à l'observation de la Terre ne cesse d'augmenter, permettant ainsi d'avoir une masse de données importante en particulier en matière d'images. Parallèlement, un effort permanent vise, d'une part, à améliorer l'accès à ces données et, d'autre part, à développer d'avantages d'outils pour les manipuler. De tels efforts sont particulièrement utiles dans des contextes socio-environnementaux très dynamiques spatialement et temporellement, pour lesquels il est nécessaire de suivre et de prédire les événements environnementaux et sociétaux. En revanche, en présence d'un tel flux de données, nous avons besoin de méthodes automatiques d'interprétation d'images. Une solution envisageable pour répondre à ce besoin est de bénéficier des atouts de l'intelligence artificielle pour l'obtention de cartes d'occupation du sol issues d'une classification des régions des images. Afin de contribuer à l'automatisation de la classification, nous proposons une méthode d'induction de règles interprétables par des non-experts et mettant en évidence, explicitement, des connaissances structurelles. Cette méthode s'appuie sur la programmation logique inductive (PLI) et en particulier sur le système inductif ”Aleph”. L'application de la méthode de classification Multi-class Rule Set Intersection (MRSI) permet ensuite de classifier tout nouvel objet au regard des ses caractéristiques intrinsèques et de celles des objets environnants. Nous avons appliqué notre méthodologie à l'étude de la dynamique du littoral de la Guyane Française. Suite à ce travail, nous avons induit 136 règles de classification pour 38 classes d'occupation du sol. Ces règles sont intelligibles et simples à interpréter de par l'utilisation de la logique du premier ordre. Les performances du système ont été évaluées par la validation croisée. En moyenne, la précision, la spécificité et la sensibilité sont, respectivement, égales à 84,62%, 99,57% et 77,22%. Ces résultats quantitatifs ...