Le développement rapide des villes et l’évolution croissante des besoins fonctionnels rendent les types d’utilisation des terres urbaines plus complexes et diversifiés. Obtenir automatiquement et efficacement des informations précises sur l’utilisation des terres urbaines est un problème urgent à résoudre. Face aux limites des méthodes basées sur l’apprentissage profond, caractérisées par une faible explicabilité et une forte dépendance aux échantillons, cet article propose une méthode de classification des utilisations des terres urbaines guidée par la sémantique et basée sur la connaissance ontologique. Cette méthode fusionne les données multi-sources et les produits tels que les images de télédétection, les données OpenStreetMap (OSM) comprenant les points d’intérêt (POI) et les zones d’intérêt (AOI), les données des zones climatiques locales (LCZ) et les données globales d’occupation humaine (WSF). Elle reconstruit la sémantique des types d’utilisation des terres à l’aide de la matrice EAGLE (groupe d’action EIONET sur la surveillance des terres en Europe), analyse les primitives ontologiques, puis extrait les caractéristiques des données multi-sources, les indices de télédétection et les indices morphologiques associés pour correspondre aux attributs des primitives. Par la combinaison des primitives et les contraintes des caractéristiques, elle construit un modèle ontologique. Sur cette base, une stratégie de segmentation fusionnant « spectre + réseau routier » est proposée, où les parcelles homogènes d’utilisation des terres urbaines générées servent d’instances pour le raisonnement ontologique. Enfin, le type d’utilisation des terres de chaque parcelle est déterminé par un raisonnement logique, fournissant ainsi les résultats de classification. Pour valider l’efficacité de la méthode, le centre-ville de Toronto, Canada, à forte complexité d’utilisation des terres, a été sélectionné pour l’expérimentation. Les résultats montrent que la précision globale de la classification guidée par la sémantique atteint 87,02 %, avec un coefficient Kappa de 0,84. Cette méthode permet non seulement une classification précise, mais la stratégie de segmentation fusionnant spectre et réseau routier rend également les frontières des résultats plus conformes à la situation réelle de la surface terrestre, offrant une nouvelle approche fiable et interprétable pour l’identification précise et la surveillance de l’utilisation des terres urbaines.

Basée sur la connaissance;information sémantique;matrice EAGLE;données multi-sources;utilisation des terres urbaines