Article très chouette, juste une micro remarque générale : je m'attendais à un petit avis technique ou même personnelle, sur la complétude/précision de la donnée.
Hormis ça, quelques coquilles ou question de forme, rien de plus !

Merci pour la review @aurelienchaumet, tentative de prise en compte. Pour info, pas hyper calé(s) dans ces histoires de télédétection.

@Michel-Francis @gounux voilà pour ma relecture. J'ai fait quelques remarques et repéré une ou deux coquilles.

Globalement l'article est clair mais je reste quand même sur un goût d'inachevé. Au-delà de la fin un peu abrupte de la partie tutoriel après les commandes GDAL, je trouve qu'il manque une problématique, une comparaison avec d'autres jeux de données. Par exemple, en 2022, on relayait aussi l'initiative comparable de Microsoft https://github.com/microsoft/GlobalMLBuildingFootprints https://preview-pullrequest-1247--geotribu-preprod.netlify.app/rdp/2022/rdp_2022-06-03/?h=microsoft#800-millions-dempreintes-de-batiments.

Les bâtiments sont également l'un des thèmes du cœur de cible de la fondation Overture qui intègre justement les donnés de Google Open Buildings (cf https://docs.overturemaps.org/guides/buildings/#14/32.58453/-117.05154/0/60). Du coup, pourquoi ne pas utiliser directement l'agrégat de la fondation ? ou pourquoi celui de Google plutôt que celui de MS ? y'a t'il des éléments de décision ? pourquoi les boîtes U$ se donnent-elles autant de mal pour compenser les lacunes de données ailleurs portées par les pouvoirs publics ?

Je me demande si ce qui est amorcé en conclusion ne devrait finalement pas être en introduction, ne serait-ce que pour expliquer les enjeux de ce genre de jeux de données.