QUASIUS : Quality and Uncertainty Assesment for Spatial Indicators of Urban Sprawl...

751

... Evaluation de la qualité et des incertitudes des indicateurs spatiaux de l’étalement urbain

Post-doctorante : Valérie Laurent

Organisme d'accueil : Irstea

Encadrement à Tetis : Nathalie Saint-Geours (Irstea)

Autre(s) encadrant(s) : Jean-Stéphane Bailly (AgroParisTech) et Jean-Pierre Chéry (AgroParisTech)

Axe(s) Tetis concerné(s) : AMoS

Début - Fin : juillet 2013 à décembre 2014 (18 mois)

Mots-clés : artificialisé, indicateurs, étalement urbain, incertitudes

Contexte/Cadre du post-doctorant : GEOSUD

Résumé : Ce post-doctorat fait partie du projet EQUIPEX GEOSUD et se situe dans la tâche n°3 qui concerne les développements méthodologiques amont. L’objectif du projet QUASIUS (Quality and Uncertainty Assesment for Spatial Indicators of Urban Sprawl) est d’évaluer la qualité des indicateurs de l’étalement urbain. A terme, ces indicateurs, et leurs incertitudes associées pourraient être utilisés en tant que produit de démonstration des possibilités de l’infrastructure GEOSUD.
Partant du constat que 160 ha de terres sont artificialisées (zones résidentielles, commerciales, industrielles, ou infrastructures de transport) chaque jour en France, une réflexion s’est engagée sur la durabilité de l’urbanisation et de la périurbanisation. L’un des axes majeurs de cette réflexion concerne la perte des zones agricoles qui constituent 80 % des terres converties. Souvent, comme en Languedoc-Roussillon, l’artificialisation se fait sur les zones les plus productives de la région, ce qui pose le problème du maintien de l’agriculture en zone périurbaine.
De nombreuses recherches ont été menées sur la délimitation cartographique des zones artificialisées (tache artificialisée) et sur le développement d’indicateurs de l’étalement urbain. Dans le cadre d’un projet DRAAF-Languedoc-Roussillon, une approche opérationnelle a été mise en place. Une cartographie de l’occupation des sols est obtenue par segmentation objet, puis classification d’images satellitaires (IRS, RapidEye) et de données cartographiques des infrastructures routières (BD-Carto). Des zones tampons sont ensuite appliquées pour relier les objets artificialisés distants de moins de 100 m. La zone obtenue constitue la tache artificialisée. Celle-ci est ensuite croisée avec les limites administratives et des données de population (INSEE) pour calculer les indicateurs. Les données d’entrée contiennent des incertitudes, qui se propagent ensuite dans la chaîne de production des cartes d’indicateurs. Des méthodes de type Monte Carlo seront utilisées pour quantifier les incertitudes des cartes des indicateurs. Les cartes des indicateurs seront ainsi accompagnées d’une couche contenant les incertitudes, précisant leur domaine d’utilisation. En se basant sur ces couches d’incertitudes et sur les analyses effectuées en amont, des recommandations pourront être faites quant au choix des résolutions spatiales et temporelles pour le suivi de l’étalement urbain.

Bibliographie :
Balestrat, M. (2011). Système d’indicateurs spatialisés pour la gouvernance territoriale: Application à l'occupation des sols en zone périurbaine languedocienne. Université Paul Valéry Montpellier III, Cemagref, UMR TETIS.
Cardoso, J. S., & Corte-Real, L. (2005). Toward a generic evaluation of image segmentation. IEEE Transactions on Image Processing, 14(11), 1773–1782.
Clinton, N., Holt, A., Scarborough, J., Yan, L., & Gong, P. (2010). Accuracy assessment measures for object-based image segementation goodness. Photogrammetric Engineering & Remote Sensing, 76(3), 289–299.
Dupuy, S., Barbe, E., & Balestrat, M. (2012). An Object-Based Image Analysis Method for Monitoring Land Conversion by Artificial Sprawl Use of RapidEye and IRS Data. Remote Sensing, 4(12), 404–423. doi:10.3390/rs4020404
Heuvelink, G. B. M., Burroughs, P. A., & Stein, A. (1989). Propagation of errors in spatial modelling with GIS. Int. J. Geogr. Inf. Sys., 3(4), 303–322.
Lee, S. U., Yoon Chung, S., & Park, R. H. (1990). A comparative performance study of several global thresholding techniques for segmentation. Computer Vision, Graphics and Image Processing, 52(2), 171–190.
Martin, D., Fowlkes, C., Tal, D., & Malik, J. (2001). A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics. In Proceedings of the IEEE International Conference on Computer Vision (Vol. 2, pp. 416–423).
Möller, M., Lymburner, L., & Volk, M. (2007). The comparison index: A tool for assessing the accuracy of image segmentation. International Journal of Applied Earth Observation and Geoinformation, 9(3), 311–321. doi:10.1016/j.jag.2006.10.002
Monteiro, F. C., & Campilho, A. C. (2006). Performance Evaluation of Image Segmentation. In ICIAR 2006, LNCS 4141 (pp. 248–259). Springer-Verlag Berlin Heidelberg.
Radoux, J., Bogaert, P., Fasbender, D., & Defourny, P. (2011). Thematic accuracy assessment of geographic object-based image classification. Int. J. Geogr. Inf. Sci., 25(6 (SI)), 895–911.
Saint-Geours, N. (2012). Sensitivity analysis of spatial models: application to cost-benefit analysis of flood risk management plans. Université Montpellier 2.
Yasnoff, W. A., Mui, J. K., & Bacus, J. W. (1977). Error measures for scene segmentation. Pattern Recognition, 9(4), 217–231.
Zhang, Y. J. (1995). Influence of segmentation over feature measurement. Pattern Recognition Letters, 16(2), 201–206.
Zhang, Y. J. (1996). A survey on evaluation methods for image segmentation. Pattern Recognition, 29(8), 1335–1