LULC segmentation in historical images under domain shift: an empirical study Segmentation de l'utilisation et de la couverture du sol à partir d'images historiques sous changement de domaine : une étude empirique

International audience Agricultural abandonment is a global trend leading to vegetation succession and Forests expansion. Manual annotations of 1946 and 2019 aerial surveys images from a peri-urban area in Massif Central shows Land Use and Land Cover (LULC) evolution in this period. We propose to use a convolutional neural network trained on labelled years images to predict LULC maps from 13 intermediate years unlabelled images. However, sensors variety used for acquisition during this time induce variability in ground sampling distances and colorimetry. We have shown using transfer between labelled years that sampling distances have to be the same in the training and testing set, and that coarse scaling offer sufficient performances for the considered LULC classes. Colorimetric data augmentations were individually used after sampling unification to make models more robust to sensors and illumination changes, but proved to be inconsistent in transfer on intermediate years. L'abandon agricole est une tendance globale menant à une succession végétale et à l'expansion des forêts. Des étiquettes manuelles d'images issues de campagnes aériennes de 1946 et 2019 d'une zone périurbaine du Massif-Central montrent l'évolution de la couverture et de l'usage du sol (LULC) dans cette période. Nous proposons d'utiliser un réseau de neurones convolutif entraîné sur les années étiquetées pour prédire les cartes de LULC à partir d'images non annotées de 13 années intermédiaires. La variété de capteurs utilisés lors de l'acquisition induit cependant une grande variabilité en distance d'échantillonnage au sol et en colorimétrie.Nous avons montré en utilisant le transfert entre années étiquetées que les distances d'échantillonnage doivent être les mêmes entre dans les ensembles d'entraînement et de test, et qu'un rééchantillonnage grossier offre des performances suffisantes pour le classes de LULC étudiées. Des augmentations de données colorimétriques ont été individuellement utilisées après avoir fixé une distance d'échantillonnage pour rendre les modèles robustes aux changements de capteurs et d'illumination, mais se révélèrent inconsistants lors du transfert sur les années intermédiaires.