Comment nous avons cartographié 35 ans de développement résidentiel et de changement de couverture du sol au Canada

Le Canada compte aujourd'hui plus de 40 millions d'habitants — près du double de sa population il y a trois décennies. Cette croissance s'est traduite sur le terrain par des maisons unifamiliales en banlieue, des immeubles de quatre étages dans les quartiers urbains et des tours de condos dans les centres-villes. Mais lorsque les urbanistes veulent évaluer des plans de zonage et des politiques de logement, ou que les chercheurs veulent comparer l'étalement urbain entre les villes, ils se heurtent toujours au même obstacle : il n'existe pas d'inventaire historique cohérent de l'utilisation du sol ou du logement permettant une comparaison multi-villes au Canada. Les données du recensement recensent le nombre de logements, mais seulement à un niveau spatialement agrégé — pas assez fin pour montrer exactement où et quand sont apparus les différents types de logements.

Chez Curbcut, nous avons entrepris de combler cette lacune. Nous avons cartographié 35 ans de développement résidentiel et de changement de couverture du sol, de 1990 à 2025, dans 11 grandes régions métropolitaines canadiennes. En combinant l'imagerie satellite historique, des données mondiales sur l'établissement humain et des statistiques de recensement, nous avons classifié les types de logements et la couverture du sol au niveau du pixel, offrant un portrait beaucoup plus fin de la croissance des villes canadiennes.

Établir un registre cohérent à partir de l'imagerie satellite

Cartographier des changements sur 35 ans exige d'abord une source d'imagerie historique cohérente et harmonisée. Nous avons utilisé deux produits satellites complémentaires adaptés à notre échelle spatiale et temporelle :

1. Landsat 5, en fonction de 1984 à 2013 avec un cycle de revisite de 16 jours, nous a fourni des données sur la couverture du sol de 1990 à 2010.
2. Harmonized Landsat Sentinel-2 (HLS), un programme de la NASA lancé en 2016 combinant Landsat 8, Landsat 9 et Sentinel-2A/B/C, nous a offert une couverture améliorée à partir de 2015.

Pour chaque intervalle de cinq ans entre 1990 et 2025, nous avons généré des images composites médianes sans nuages à partir d'images prises entre avril et octobre, la période où la végétation est la plus visible et où la couverture nuageuse est généralement inférieure à 50 %. Chaque composite représente un instantané des conditions du sol à ce moment précis.

Imagerie composite satellite utilisée pour la classification

Vue rapprochée du détail de l'imagerie satellite

Classifier la couverture du sol en deux étapes

Nous avons utilisé une approche de classification en deux étapes : d'abord séparer les grands types de couverture du sol, puis affiner la classification en types de logements précis.

Dans la première étape, nous avons calculé plusieurs indices spectraux à partir des images traitées — l'indice de végétation par différence normalisée (NDVI), l'indice normalisé de bâti (NDBI), l'indice normalisé d'eau (NDWI) et l'albédo de surface — pour distinguer respectivement la végétation, les surfaces bâties, l'eau et les surfaces imperméables claires. Nous avons combiné ces indices avec les bandes rouge-vert-bleu (RVB) de l'imagerie et des échantillons d'entraînement sélectionnés manuellement (eau, végétation, logements de faible hauteur et autres zones bâties) pour exécuter une classification supervisée par forêts aléatoires (Random Forest) pour chaque ville. Cela nous a donné les bases nécessaires à la classification plus détaillée des logements qui a suivi.

Ancrer la classification dans les données de logement et démographiques

Classifier des types de logements précis exige davantage que des données satellites seules — cela nécessite des informations de terrain sur la façon dont les gens vivent réellement dans un secteur donné. Nous avons utilisé le Recensement de la population de Statistique Canada, en extrayant le nombre de logements par type de construction pour chaque aire de diffusion, et les avons regroupés en trois catégories que l'imagerie satellite peut raisonnablement distinguer :

1. Résidentiel de faible hauteur : maisons individuelles, maisons jumelées, maisons en rangée, duplex et maisons mobiles.
2. Résidentiel de hauteur moyenne : immeubles d'appartements de moins de cinq étages, qui se lisent comme des structures plus grandes et plus compactes.
3. Résidentiel de grande hauteur : immeubles d'appartements de cinq étages ou plus.

Exemple de logement résidentiel de faible hauteur

Désagréger la population avec le GHSL

Pour combler l'écart entre l'imagerie au niveau du pixel et les données de recensement au niveau du quartier, nous avons intégré le Global Human Settlement Layer (GHSL), produit par la Commission européenne. Le GHSL estime la population résidentielle et la superficie bâtie non résidentielle à une résolution de grille de 100 mètres, mise à jour tous les cinq ans, en s'appuyant sur l'imagerie satellite, les données de recensement et les bases de données géographiques.

Cela nous a fourni une couche de référence beaucoup plus fine pour compléter les données agrégées du recensement.

Apprendre la signature démographique de chaque type de logement

Les différents types de logements présentent des densités de population distinctes — les secteurs de faible hauteur comptent généralement le moins de gens, suivis des secteurs de hauteur moyenne, puis de grande hauteur. Pour quantifier cela, nous avons repéré les quartiers de recensement ne comportant qu'un seul type de logement, les avons superposés aux données de population du GHSL, puis avons échantillonné les pixels correspondants. À partir de ces échantillons, nous avons calculé la population moyenne ainsi que les quartiles supérieur et inférieur pour chaque type de logement.

Résultat : un ensemble de fourchettes de population attendues, par type de logement, applicable partout au pays — y compris dans les quartiers à logements mixtes où le recensement seul ne pouvait pas indiquer à quel type appartenait chaque pixel.

Assembler le tout : classifier les types de logements

Munis des classifications de couverture du sol, des données de recensement et des estimations de population et de superficie bâtie du GHSL, nous avons appliqué un ensemble de règles de décision logiques pour affiner la classification finale.

Par exemple, si un pixel avait d'abord été classifié comme bâti ou comme logement de faible hauteur, mais que les données du GHSL et du recensement ne montraient aucune population résidentielle — ou révélaient un fort signal non résidentiel — nous le reclassifiions comme zone bâtie non résidentielle.

Nous avons traité différemment les quartiers à type de logement unique et les quartiers à logements mixtes, selon le recensement :

• Dans les quartiers à type de logement unique, les pixels bâtis ou de faible hauteur qui montraient également une population résidentielle et une superficie bâtie résidentielle dans le GHSL étaient réattribués au type de logement de ce quartier.
• Dans les quartiers à logements mixtes, nous avons utilisé les fourchettes de population établies précédemment pour trier les pixels : un pixel se situant dans la fourchette de population de hauteur moyenne était classifié comme hauteur moyenne; un pixel dépassant à la fois les fourchettes de faible hauteur et de hauteur moyenne était classifié comme grande hauteur.

Enfin, nous avons superposé les données du réseau routier pour chaque période, rastérisées pour correspondre au reste de la classification. Le résultat est une carte finale comportant sept classes : Eau, Végétation, Résidentiel de faible hauteur, Résidentiel de hauteur moyenne, Résidentiel de grande hauteur, Bâti non résidentiel et Route.

Carte de classification de l'utilisation du sol

Détail rapproché de la classification de l'utilisation du sol

Ce que ces données rendent possible

Cet ensemble de données ouvre la porte à des questions qui n'avaient tout simplement pas de réponse à ce niveau de résolution auparavant : comment le développement résidentiel s'est-il étendu au fil des décennies? Où et quand le développement en zones vierges a-t-il eu lieu? Comment les types de logements diffèrent-ils d'une ville canadienne à l'autre, et comment ces différences ont-elles évolué?

Au-delà du détail au niveau du pixel, notre classification donne aux urbanistes et aux chercheurs un moyen de dépasser les instantanés agrégés du recensement et de suivre les tendances du développement résidentiel entre les villes, dans le temps et à grande échelle. C'est un outil pour surveiller les effets concrets des politiques de logement, et pour éclairer les prochaines étapes de la croissance urbaine au Canada.