Prédiction de l’usage des sols sur un zonage régulier à différentes résolutions et à partir de covariables facilement accessibles

Résumé Fr En

Nous évaluons dans quelle mesure nous pouvons prédire l’usage des sols (usage urbain, usage agricole, forêts, prairies et sols naturels) au niveau des points de l’enquête Teruti-Lucas à partir de covariables facilement accessibles. Notre approche comporte deux étapes : la première permet de modéliser l’usage du sol au niveau des points Teruti-Lucas et la deuxième propose une méthode pour en déduire l’utilisation des sols sur un maillage défini par des carreaux. Le modèle de la première étape fournit des prédictions à un niveau fin. La deuxième étape agrège ces prédictions sur les carreaux du maillage en comparant plusieurs méthodes. Nous envisageons différents maillages réguliers du territoire en carreaux pour étudier la qualité de restitution en fonction de la résolution. Nous montrons qu’avec des variables facilement accessibles on obtient une qualité de prédiction acceptable au niveau point et que l’amélioration de la qualité est importante dès la première étape d’agrégation.Classification JEL : C21, C25, C38, Q15, R14.

Land use predictions on a regular grid at different scales and with easily accessible covariatesIn this paper, we propose models that allow to predict land use (urban, agriculture, forests, natural grasslands and soil) at the points of the Teruti-Lucas survey from easily accessible covariates. Our approach involves two steps: first we model land use at the Teruti-Lucas point level and second, we propose a method to aggregate land use on regular meshes. The model of the first stage provides fine level predictions. The second step aggregates these predictions on the tiles of the mesh comparing several methods. We are considering various regular meshes of the territory to study the prediction quality depending on the resolution. We show that with easily accessible variables we have an acceptable prediction quality at the point level and that the quality of prediction is improved from the very first stage of aggregation.