Publié le 15 juillet 2025

FIND - Sols anthropiques

Identification automatique des sols dégradés par causes anthropiques et revalorisables. Administrations bénéficiaires : Canton du Tessin et Canton de Vaud.

Contexte

Afin de garantir à la population suisse un approvisionnement alimentaire minimum en cas de crise, la législation fédérale sur l’aménagement du territoire prévoit l’établissement et la protection des surfaces d’assolement (SDA). Les SDA correspondent à des terres agricoles productives dont la qualité doit être protégée et une surface minimale par canton doit être conservée. Cependant, il peut arriver que des projets de construction impliquent l’utilisation des SDA. Dans ce cas, il est nécessaire de compenser les pertes par la création de nouvelles SDA de surface équivalente. Afin de déterminer les surfaces prioritaires à convertir en SDA, les cantons sont tenus de fournir un registre ou une carte indicative des sols potentiellement revalorisables et cultivables. La priorité peut être mise sur les sols dégradés par causes anthropiques dans le passé par exemple. Ces surfaces correspondent généralement aux terrains pollués, aux décharges, etc.

Dans le cadre de ce projet, le STDL a été sollicité par les Cantons du Tessin et de Vaud afin de développer une méthode de détection automatique de l’utilisation des sols au cours du temps. En particulier, on identifiera les sites ayant accueilli une activité anthropique. Ces zones peuvent être priorisées pour réhabilitation.

Méthodologie

Une vérité de terrain a été créée par les experts pour les classes « activité non agricole » et « mouvement de terrain ». Elle comprend une sélection d’objets entre 1950 et 2023 et a servi à entraîner le détecteur d’objets du STDL à segmenter les deux classes d’intérêt à travers les années. Des tests ont été menés afin d’homogénéiser les couleurs desles images RGB et en noir et blanc, mais au final, travailler avec les images originales donnait les meilleurs résultats.

Image précédente

Image suivante

Résultats

Le meilleur modèle du détecteur d’objet du STDL a un rappel de 38% et une précision de 60% sur le jeu de donnée de test. Les résultats sont donc mauvais en raison des nombreux objets manqués et de la confusion entre les deux classes. Grâce à la combinaison de plusieurs modèles et à un post-traitement, le rappel a été amélioré jusqu’à atteindre 58%, rendant les résultats plus acceptables.

Une fois l’inférence effectuée pour toutes les années et les deux classes fusionnées en une seule « activités anthropiques », 92% de la surface des labels est retrouvée et 30% de la surface des détections couvrent un label. L’accumulation des détections à travers les années est donc favorable à l’exhaustivité du résultat, mais détériorent sa précision. Un contrôle complet des détections est par conséquent recommandé.

Le Canton du Tessin a fourni les couches vecteur permettant de localiser plusieurs usages du sol et d’ainsi restreindre les résultats aux zones valorisables en SDA. Le Canton de Vaud a préféré garder les résultats tels quels afin de rechercher toutes les potentielles activités anthropiques.

Ressources documentées

Tous les travaux du STDL sont publiés sous une license ouverte et nous vous encourageons à les utiliser dans vos projets.

• Documentation technique du projet

  Automatic identification of anthropogenic soils potentially suitable for rehabilitation

• Codes sources

  • GitHub - A deep learning model trained to segment human activity in a multi-year dataset of aerial imagery from 1946 to 2023
  • GitHub - A suite of Python scripts allowing the end-user to use Deep Learning to detect objects in georeferenced raster images.

Retour à la page d'accueil du STDL