🏢 Indicateur d’occupation foncière

Suivre, comprendre et piloter les dynamiques territoriales

Un outil d’analyse innovant pour observer l’évolution des territoires, mesurer la consommation foncière et appuyer les stratégies d’aménagement public et privé

⬆️ Pourquoi cet indicateur ?

✔️ Une lecture fiable, régulière et actualisée des transformations urbaines
✔️ Une fréquence de mise à jour supérieure aux référentiels nationaux
✔️ Un soutien opérationnel aux politiques de sobriété foncière, de densification et aux objectifs ZAN

🔄 Les données sont :

Automatisées

Reproductibles

Historisées

→ permettant un suivi longitudinal des dynamiques territoriales

📐 Que mesure-t-il ?

📍 Fréquence de mise à jour

🔁 Bi-annuelle : Île-de-France et région Sud

🔁 Annuelle : métropoles du projet (Lille, Strasbourg, Lyon, Toulouse, Nantes)

🏙️ Surfaces anthropisées

Part des surfaces transformées par l’activité humaine (équivalent taux d’artificialisation) :

Bâti

Infrastructures

Sols imperméabilisés ou aménagés

etc.

➡️ Calcul basé sur un socle de Sentinel 2 super-résolues et des données open data, avec indicateur de confiance

🏗️ Usage des bâtiments – occupation foncière

Part des surfaces artificialisées réellement occupées par des bâtiments, avec identification de l’usage principal :

🏠 Résidentiel

🏬 Commercial

🏭 Industriel

🚚 Logistique

➡️ Détection et classification automatisées des usages par intelligence artificielle

🔍 Comment interpréter les résultats ? 

Ces indicateurs sont issus d’une classification automatique d’images satellitaires en usages du sol. La précision dépend directement de la qualité des modèles de Deep Learning mobilisés et des données d’entraînement associées.

Ils doivent être considérés comme des approximations qui traduisent des tendances globales. Leur niveau de précision varie selon plusieurs paramètres : la résolution spatiale des images satellitaires, la fréquence temporelle d’acquisition, les choix de conception des modèles d’apprentissage profond (Deep Learning) et la calibration fine de leurs hyperparamètres.

Des phénomènes tels que le surapprentissage (overfitting), les biais liés à l’échantillonnage des données d’entraînement ou la variance du modèle peuvent introduire des incertitudes. Les erreurs de classification automatique, résultant notamment de la complexité des scènes ou de la similarité visuelle entre classes, doivent également être prises en compte.

Par ailleurs, la complexité territoriale influence la qualité des résultats. La diversité des usages du sol, les formes urbaines contrastées, les discontinuités spatiales, les dynamiques locales d’aménagement et les contraintes réglementaires peuvent créer des biais ou des limitations dans l’interprétation des indicateurs.

Les indicateurs traduisent des tendances globales. Leur précision dépend notamment :

de la résolution et de la fréquence des images satellitaires

de la qualité des données d’entraînement

de la complexité des territoires analysés

⚠️ À considérer comme outil d’aide à l’analyse, à compléter par une expertise terrain

🛰️ Données & technologie

📡 Imagerie satellitaire (basse et haute résolution)

🗂️ Données de référence :

MOS (IDF, SUD)

OCS GE

BD TOPO®

BD Ortho®

Sitadel

✨ Chaîne de traitement automatisée :

Machine Learning

Deep Learning

✅ Méthodologie documentée, robuste et réplicable à l’ensemble des territoires

🧾 Crédit et usage des données

Les indicateurs sont produits à partir de traitements automatisés combinant :

Données ouvertes

Référentiels métiers

🏷️ Toute diffusion doit mentionner :

Le producteur de l’indicateur

Les sources mobilisées

📌 Les résultats :

N’ont pas de valeur réglementaire

Ne se substituent pas aux données officielles de l’État

🔄 Mise à jour & accompagnement

📆 Mise à jour semestrielle (selon disponibilité des données)
💬 Accompagnement dédié pour faciliter la lecture et l’exploitation des indicateurs

*Mini glossaire*
*Apprentissage profond (Deep Learning)*	Technique d’intelligence artificielle qui utilise des réseaux de neurones complexes pour analyser et interpréter des données, comme les images satellites.
*Calibration des hyperparamètres*	Processus d’ajustement des paramètres internes d’un modèle d’apprentissage pour améliorer ses performances.
*Classification automatique*	Méthode qui permet d’assigner automatiquement des catégories (ex. : types d’usage du sol) à chaque zone d’une image.
*Erreur de classification*	Cas où le modèle attribue une mauvaise catégorie à une zone, par exemple confondre un espace vert avec un espace bâti.
*Overfitting (surapprentissage)*	Phénomène où un modèle apprend trop précisément les données d’entraînement, ce qui réduit sa capacité à généraliser sur de nouvelles données.
*Biais d’échantillonnage*	Distorsion qui survient lorsque les données utilisées pour entraîner un modèle ne sont pas représentatives de la réalité globale.
*Variance du modèle*	Mesure de la sensibilité d’un modèle aux variations dans les données d’entraînement, pouvant entraîner des résultats instables.
*Résolution spatiale*	Niveau de détail d’une image satellite, souvent exprimé en mètres par pixel.
*Surfaces anthropisées*	Proportion des surfaces terrestres transformées par l’homme, notamment imperméabilisées (bâtiments, routes) – équivalent du taux d’artificialisation
*Usage des bâtiments*	Répartition des usages du sol dans un territoire, calculée à partir d’au moins quatre classes distinctes (ex. : résidentiel, commercial, industriel, logistique (entrepôts)).