Maîtrisez le GeoAI appliqué aux ressources naturelles
Du SIG aux foundation models : une formation complète, pratique, et ancrée dans les usages professionnels les plus actuels de la géomatique.
52
leçons
4
modules
11
études de cas
QGIS · Python
Outils libres
GEE · PyTorch
Modèles récents
Pourquoi cette académie
Une pédagogie de chercheur, une exigence de terrain
Conçue par un chercheur, pas un influenceur
Enseignant-chercheur en géomatique environnementale, spécialisé dans les technologies de précision appliquées à la gestion des ressources naturelles et forestières.
100% pratique, du logiciel gratuit aux modèles de pointe
QGIS, Sentinel, Random Forest, foundation models (Prithvi, Clay, AlphaEarth) : chaque leçon se termine par un exercice concret et un livrable exploitable.
Une progression cohérente, pas des vidéos isolées
SIG puis télédétection puis Machine Learning puis GeoAI : chaque module s'appuie explicitement sur le précédent, jusqu'à un projet de synthèse complet.
Le parcours
Le parcours en 4 modules
52 leçons, chacune avec un exercice pratique. Chaque module se termine par un cas pratique complet, pièce de portfolio professionnel.
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.
Le lancement approche
Laissez votre email pour être prévenu en premier de l'ouverture des inscriptions, avec une offre de lancement réservée à la liste d'attente.
Pas de spam. Un email au lancement, c'est tout.