Dans le cadre de l'élaboration de la couche cartographique du couvert forestier de la National Land Cover Database 2011, un projet pilote a été lancé pour tester l'utilisation de la photographie haute résolution couplée à de multiples données accessoires pour cartographier la distribution du couvert forestier dans les états contigus des États-Unis. Deux techniques de modélisation stochastique, les forêts aléatoires (FA) et le « gradient boosting » aléatoire (GBA) sont comparées. Les objectifs de cette étude consistaient : premièrement à explorer la sensibilité des deux techniques face aux choix pour le réglage des paramètres; et deuxièmement à comparer la performance des deux modèles finaux en évaluant l'importance des variables prédictives et leurs interactions, les mesures d'exactitude globale dérivée d'un dispositif de test indépendant, de même que la qualité visuelle des cartes du couvert forestier qui sont produites. L'exactitude des prévisions des deux techniques était remarquablement similaire dans les quatre régions pilotes. Dans les quatre régions, l'EQM du dispositif de test indépendant était identique à trois décimales près; le plus grand écart était au Kansas où la technique FA produisait un EQM de 0,0113 tandis que la technique GBA produisait un EQM de 0,0117. Avec des variables prédictives corrélées, la technique GBA avait tendance à concentrer l'importance des variables sur moins de variables alors que la technique FA avait tendance à répartir l'importance parmi davantage de variables. La technique FA est plus simple à appliquer que la technique GBA étant donné qu'elle compte à la fois moins de paramètres qui ont besoin de réglage et qu'elle est aussi moins sensible à ces paramètres. En tant que techniques stochastiques, tant la technique FA que la technique GBA introduisent une nouvelle composante d'incertitude : des simulations répétées vont potentiellement produire différentes prédictions finales. Nous illustrons comment la technique FA permet de produire une carte spatialement explicite de cette incertitude stochastique du modèle final. [Traduit par la Rédaction] [ABSTRACT FROM AUTHOR]