Modélisation De L’urbanisation D’Antsirabe I Par Réseaux De Neurones Profonds

Abstract

Cette étude analyse la modélisation de l’urbanisation d’Antsirabe I à l’aide de réseaux de neurones profonds combinant un réseau convolutif (CNN) pour la classification de l’occupation du sol et un GAN conditionnel pour la simulation de scénarios d’expansion urbaine. Le CNN présente une convergence rapide : la perte d’entraînement diminue d’environ 0,76 à 0,07 et la perte de validation de 1,41 à 0,06 sur 15 époques, tandis que la précision de validation atteint près de 99 %. La classification spatiale obtenue affiche une accuracy globale de 0,991 sur 272 916 observations, avec des rappels de 99,76 % pour le bâti, 96,78 % pour les routes, 100 % pour l’eau et 99,65 % pour la végétation. Le GAN conditionnel montre une diminution de la perte du générateur de 23,8 à 14,9 et de celle du discriminateur de 0,53 à environ 0,01–0,02, traduisant toutefois un déséquilibre adversarial. Les simulations produisent 258,1 ha, 318,4 ha et 381,2 ha de nouvelles surfaces pour les scénarios conservateur, équilibré et expansif. Ces résultats confirment l’intérêt du deep learning pour la cartographie et la prospective urbaine.