Dans ce module, vous étudierez comment les analystes spatiaux estiment les valeurs entre des points de mesure discrets. À partir d’un exemple concret portant sur les données de capteurs de qualité de l’air, vous découvrirez la méthode d’interpolation par pondération inverse de la distance (IDW) et apprendrez comment les hypothèses basées sur la distance sont utilisées pour générer des surfaces continues à partir d’observations ponctuelles. Vous explorerez l'influence du choix des paramètres sur les résultats d'interpolation et apprendrez à interpréter de manière responsable les surfaces estimées dans des contextes concrets d'analyse spatiale.

Dans ce module, vous passerez du calcul à l'interprétation, en vous concentrant sur les semi-variogrammes en tant qu'outils de diagnostic de la structure spatiale. En apprenant à interpréter les valeurs de portée, de seuil et de nugget, vous développerez une intuition quant à la dépendance spatiale, une connaissance qui vous permettra à la fois d'orienter vos choix d'analyse et de communiquer efficacement avec un public non spécialisé.

Les apprenants comprennent ce que représentent les nuages de points LiDAR et sont capables de les charger et de les explorer en toute confiance dans un environnement 3D.

Les apprenants comprennent pourquoi les modèles DEM sont des produits dérivés et sont capables d'en créer un correctement à partir de points LiDAR classés au sol.

Les apprenants évaluent si un MNT est adapté à l'usage prévu en le comparant à des altitudes de référence connues.

Vous découvrirez pourquoi les images brutes ne suffisent pas à elles seules pour la classification supervisée et comment les caractéristiques artificielles permettent d'améliorer les performances du modèle. Ce cours est axé sur l'extraction pratique des bandes spectrales et des mesures de texture utilisées dans l'analyse de la couverture du sol.

Vous utiliserez des techniques d'ingénierie des données pour entraîner un classificateur de type « Random Forest ». L'accent est mis sur l'intuition : comment les arbres « votent », comment les paramètres influencent les performances et comment éviter les erreurs de débutant.

Vous évaluerez si le modèle répond aux exigences du poste en analysant les matrices de confusion et les indicateurs de précision. Ce cours met l'accent sur la prise de décision, et pas seulement sur les calculs.

Dans ce module, vous appliquerez des techniques d'apprentissage par transfert afin d'affiner un réseau neuronal convolutif (CNN) pré-entraîné destiné à la classification de la couverture terrestre à partir d'images satellites. Ce module porte sur l'adaptation de modèles de vision existants à des données géospatiales, dans le cadre de contraintes réelles telles que le nombre limité d'échantillons étiquetés, le déséquilibre entre les classes et les difficultés de généralisation spatiale.

Dans ce module, les apprenants conçoivent et mettent en œuvre des pipelines d'augmentation de données afin d'améliorer la généralisation des réseaux neuronaux convolutifs entraînés sur des images satellites. Le module met l'accent sur le choix d'augmentations réalistes qui préservent la signification spatiale tout en remédiant aux problèmes liés au caractère limité et déséquilibré des données sur la couverture du sol.

Dans ce module, les apprenants utilisent les visualisations Grad-CAM pour interpréter les prédictions des réseaux neuronaux convolutifs appliqués à l'imagerie satellite. Ce module met l'accent sur la compréhension du mécanisme d'attention du modèle, l'identification des modes de défaillance et la communication claire du comportement du modèle aux parties prenantes, qu'elles soient issues ou non du milieu technique.

Dans le cadre de ce projet, vous allez mettre au point un workflow d’apprentissage automatique géospatial visant à classer la couverture du sol à l’aide d’images, de données altimétriques issues du LiDAR et d’échantillons étiquetés. Vous devrez concevoir des caractéristiques, entraîner un modèle, valider les résultats et générer une sortie classée de la couverture du sol. Vous devrez également résumer les performances du modèle et créer un rapport d’interprétation afin d’expliquer son fonctionnement. Ce projet demande aux apprenants de mettre en pratique l’analyse spatiale, l’utilisation de données 3D, la mise en œuvre de l’apprentissage automatique, la validation, l’interprétation et la communication avec les parties prenantes au sein d’un flux de travail authentique.