Les 4 modules de l'académie
Une progression pensée pour que chaque module s'appuie sur le précédent.
Module 1 — SIG et QGIS
Les fondamentaux, du logiciel gratuit à l'automatisation
Formation complète sur QGIS : données vectorielles et raster, projections, analyse spatiale, géoréférencement, requêtes, automatisation et plugins incontournables.
Cas pratique final
Cartographier une zone forestière de A à Z : import, analyse, carte professionnelle et rapport.
Module 2 — Télédétection
Lire et exploiter l'imagerie satellite
Sources d'images, indices spectraux (NDVI et bien d'autres), classification, détection de changement, radar (SAR), et les dernières utilisations de l'IA en télédétection.
Cas pratique final
Suivre l'évolution d'une zone forestière sur 3 ans et prioriser les zones de surveillance.
Module 3 — Machine Learning
Random Forest, régression, évaluation rigoureuse
Préparer un jeu de données géospatial, régression et classification, Random Forest en détail, évaluation de modèles, clustering, et une introduction pratique à Python.
Cas pratique final
Estimer la biomasse forestière d'une zone à partir de mesures terrain et de données satellite.
Module 4 — GeoAI
Foundation models, agents et IA générative
Deep Learning appliqué à l'image satellite, foundation models de référence (Prithvi, Clay, AlphaEarth), agents géospatiaux, éthique et validation.
Cas pratique final
Un projet de synthèse combinant les 4 modules, pour un partenaire fictif.
Ressource complémentaire
Google Earth Engine
100 scripts JavaScript prêts à l'emploi
Une bibliothèque de 100 scripts GEE organisés en 10 thèmes : bases, indices spectraux, séries temporelles, Machine Learning, agriculture, foresterie, biomasse GEDI, eau et incendies, climat et topographie, projets avancés.
Ressource complémentaire
100 scripts JavaScript prêts à l'emploi
Module 6 — Hydrologie et bassins versants
RUSLE, SWAT, HEC-HMS, HEC-RAS, HAND/TWI
Délimitation de bassin versant, modèles d'érosion hydrique (RUSLE), modélisation intégrée (SWAT), simulation pluie-débit (HEC-HMS), modélisation hydraulique des crues (HEC-RAS), et susceptibilité aux inondations par apprentissage automatique (HAND/TWI, Random Forest).
Ressource complémentaire
Diagnostic risque érosion/inondation complet sur le bassin de l'Oum Er-Rbia, avec un focus sur l'Oued Lakhdar — résultats du cas d'étude en cours de validation avec des données de référence publiées, complément en cours auprès des chercheurs de terrain.