[ Utilisation de l’apprentissage profond et de la combinaison des images multi capteurs pour la cartographie de l’utilisation et de la couverture des sols dans le bassin versant de la Marahoué ]
Volume 80, Issue 1, August 2025, Pages 6–24
KAMENAN Satti Jean-Robert1, Marc Youan Ta2, Adja Miessan Germain3, and Kouassi Amani Michel4
1 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
2 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
3 Département des Sciences et Technologies, Ecole Normale Supérieure, Abidjan, Côte d'Ivoire
4 Institut National Polytechnique Félix Houphouet-Boigny (INP-HB), Département des Sciences de la Terres et des Ressources Minières (STeRMi), Côte d’Ivoire
Original language: French
Copyright © 2025 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Knowledge of information related to land use and land cover in a region is necessary for urbanization projects, sustainable development and natural risk management, particularly floods. The aim of this article is to explore the use of Artificial Intelligence techniques and the combination of multi-sensor images to map land use and land cover in the Marahoué region. To this end, the Deep Forest algorithm is used as the main classifier. Its construction required the use of three common classifiers Extreme Gradient Boosting (XGB), Random Forest (RF) and Extra Tree (ET). Three Deep Forest models (DF-XGB; DF-RF; DF-ET) were developed and optimized to guarantee optimum accuracy. These DF models were then compared with four (04) classifiers commonly used in land use studies (RF, XGB, CNN, CART). The results indicate that the DF-XGB model outperformed all conventional classifiers by over 96%, confirming the relevance of integrated approaches mobilizing multi-sensor data, spectral indices and advanced classifiers. The predominance of cultivated land, the regression of forest formations and the localized presence of wetlands identified by the DF-XGB model, reflect the ongoing dynamics of anthropization. This approach thus offers a powerful tool for environmental monitoring, sustainable community management and flood risk prevention in the Marahoué watershed.
Author Keywords: Deep Learning, Land cover, Google earth engine, Remote sensing, Marahoué, Ivory Coast.
Volume 80, Issue 1, August 2025, Pages 6–24
KAMENAN Satti Jean-Robert1, Marc Youan Ta2, Adja Miessan Germain3, and Kouassi Amani Michel4
1 EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
2 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), U.F.R des Sciences de la Terre et des Ressources Minières (STRM), Université Félix Houphouët Boigny de Cocody, 22 B.P. 801 Abidjan 22, Côte d'Ivoire
3 Département des Sciences et Technologies, Ecole Normale Supérieure, Abidjan, Côte d'Ivoire
4 Institut National Polytechnique Félix Houphouet-Boigny (INP-HB), Département des Sciences de la Terres et des Ressources Minières (STeRMi), Côte d’Ivoire
Original language: French
Copyright © 2025 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
Knowledge of information related to land use and land cover in a region is necessary for urbanization projects, sustainable development and natural risk management, particularly floods. The aim of this article is to explore the use of Artificial Intelligence techniques and the combination of multi-sensor images to map land use and land cover in the Marahoué region. To this end, the Deep Forest algorithm is used as the main classifier. Its construction required the use of three common classifiers Extreme Gradient Boosting (XGB), Random Forest (RF) and Extra Tree (ET). Three Deep Forest models (DF-XGB; DF-RF; DF-ET) were developed and optimized to guarantee optimum accuracy. These DF models were then compared with four (04) classifiers commonly used in land use studies (RF, XGB, CNN, CART). The results indicate that the DF-XGB model outperformed all conventional classifiers by over 96%, confirming the relevance of integrated approaches mobilizing multi-sensor data, spectral indices and advanced classifiers. The predominance of cultivated land, the regression of forest formations and the localized presence of wetlands identified by the DF-XGB model, reflect the ongoing dynamics of anthropization. This approach thus offers a powerful tool for environmental monitoring, sustainable community management and flood risk prevention in the Marahoué watershed.
Author Keywords: Deep Learning, Land cover, Google earth engine, Remote sensing, Marahoué, Ivory Coast.
Abstract: (french)
La connaissance des informations liées à l’utilisation et de la couverture des sols dans une région est nécessaire pour les projets d’urbanisation, de développement durable et de gestion des risques naturels notamment celles des inondations. Ainsi cet article se propose d’explorer les techniques de l’Intelligence Artificielle et de la combinaison des images multi capteurs pour cartographier l’utilisation et la couverture du sol dans la région de la Marahoué. À cet effet, l’algorithme Deep Forest est utilisé comme principal classificateur. Sa construction a nécessité l’utilisation de trois classificateurs usuels Extreme Gradient Boosting (XGB), Random Forest (RF) et Extra Tree (ET). Ainsi trois modèles du Deep Forest (DF-XGB; DF-RF; DF-ET) ont été développés puis optimisés afin de garantir une précision optimale. Ensuite ces modèles DF ont été comparés à quatre (04) classificateurs couramment utilisés dans les études d’occupation du sol (RF, XGB, CNN, CART). Les résultats obtenus indiquent que le modèle DF-XGB a surclassé tous les classificateurs conventionnels avec un taux de plus 96 %, confirment la pertinence des approches intégrées mobilisant des données multi capteurs, des indices spectraux et des classificateurs avancés. La prédominance des terres cultivées, la régression des formations forestières et la présence localisée des zones humides identifiées par le modèle DF-XGB, traduisent les dynamiques d’anthropisation en cours. Cette approche offre ainsi un outil puissant pour le suivi environnemental, la gestion durable de la localité et la prévention des risques d’inondations dans le bassin versant de la Marahoué.
Author Keywords: Deep Learning, Occupation du sol, Google earth engine, Télédétection, Marahoué, Côte d’Ivoire.
How to Cite this Article
KAMENAN Satti Jean-Robert, Marc Youan Ta, Adja Miessan Germain, and Kouassi Amani Michel, “Using Deep Learning and the combination of multi-sensor images to map land use and land cover in the Marahoué watershed,” International Journal of Innovation and Scientific Research, vol. 80, no. 1, pp. 6–24, August 2025.
