Contributions of deep learning methods for automatic recognition ofland use and land cover patterns and objects by remote sensing in tropical environments
Apports des méthodes d'apprentissage profond pour la reconnaissance automatique des modes d'occupation des sols et d'objets par télédétection en milieu tropical
Résumé
The New Caledonian landscape is changing rapidly with the development of new mining projects, the intensification of urbanization and the impacts of extreme climatic events such as cyclones. With the democratization and accumulation of satellite data and the advent of artificial intelligenc methods, the implementation of automatic detection methods is becoming an essential tool for documenting and monitoring these changes to the scale of a territory in a regular, rapid and objective manner. Among these methods, deep learning has shown effective results on co mplex problems, especiall on image processing using dense convolutional neural networks. Considering the constraints related to the processing of satellite imagery and the problems related to learning algorithms, the objective of the thesis is multiple: to contribute to the adaptation of deep learning techniques to remote sensing problems on several key points of the processing chain; to estimate the performance of these techniques compared to the methods commonly used in the field of remote sensing; and to dev elop automatic detection methods to deliver reliable indices to any exploitation of satellite imagery. This thesis focused on three applications: 1) land cover and land use detection on very high resolution data; 2) the detection of land cover in New Caledonia at an annual frequency on high resolution data; 3) and the detection of palm trees in the Pará region of Brazil using computer simulated data. For the first application, a reference dataset based on SPOT 6 satellite data was manually created and made available to the scientific community in order to compare land cover class detection techniques in tropical island environments. Dense neural networks show better performance, especially in the context of land cover detection which requires a higher level of conceptualization of the environment. For the second application, an automatic land cover detection chain, based on a dense neural network fed by Sentinel-2 data, has been realized. This coverage is compared to coverage obtained by semi-automatic methods in the South Province of New Caledonia. The model performs equally well ove a few test areas, but additional field data are required to confirm the reliability over the whole New Caledonian territory. Finally, for the last application, the originality of the research work consisted of testing the contribution of synthetic sa tellite images in the learning base. For this purpose, images of the palm tree were constructed from a radiative transfer model. The use of these synthetic images in addition to the Pleiades images significantly improved the overall accuracy of the models.
Le paysage néo-calédonien change rapidement avec le développement de nouveaux projets miniers, l'intensification de l’urbanisation et les impacts d'événements climatiques extrêmes comme les cyclones. Avec la démocratisation et l’accumulation des données satellite et l'avènement des méthodes d'intelligence artificielle, la mise en place de méthodes automatiques de détection devient un outil incontournable pour documenter et surveiller ces changements à l’échelle du territoire de façon régulière, rapide et objective. Parmi ces méthodes, l'apprentissage profond a montré des résultats performants sur des problématiques complexes, notamment sur le traitement d'images à l'aide de ces réseaux de neuro nes denses convolutionnels. En tenant compte des contraintes liées au traitement de l'imagerie satellite et des problèmes liés aux algorithmes d'apprentissage, l'objectif de la thèse est multiple : contribuer à l'adaptation des techniques d'apprentissage profond à des problématiques de télédétection sur plusieurs points clés de la chaîne de traitement ; estimer les performances de ces techniques par rapport aux méthodes communément utilisées dans le domaine de la télédétection ; et développer des méthodes automatiques de détection pour délivrer des indices fiables à toute exploitation d'une imagerie satellitaire. Cette thèse s'est concentrée sur trois applications : 1) la détection de la couverture et de l'usage des sols sur des données à très haute résolution ; 2) la détection de la couverture des sols en Nouvelle-Calédonie à une fréquence annuelle sur des données à haute résolution ; 3) et la détection de palmiers dans la région Pará du Brésil à l'aide de données simulées informatiquement. Pour la première application, un jeu de données de référence basé sur les données du satellite SPOT 6 a été créé manuellement et mis à disposition de la communauté scientifique pour comparer les techniques de détection des classes d'occupation des sols en milieu tropical insulaire. Les réseaux de neurones denses affichent de meilleures performances notamment dans le cadre de la détection de l'usage des sols qui nécessite un niveau plus élevé de conceptualisation de l'environnement. Pour la deuxième application, une chaîne de détection automatique de la couverture des sols, basée sur un réseau de neurones dense alimenté par des données Sentinel-2, a été réalisée. Ces couvertures sont comparées aux couvertures obtenues par des méthodes semi-automatiques en province Sud de l Nouvelle-Calédonie. Le modèle offre des performances égales sur quelques zones tests, mais des données terrain supplémentaires sont requises pour conforter la fiabilité sur l'ensemble du territoire néo-calédonien.Enfin, pour la dernière application, l'originalité du travail de recherche a consisté à tester l'apport dans la base d'apprentissage d'images satellites de synthèse. Pour cela des images du palmier ont été construites à partir d'un modèle de transfert radiatif. L'utilisation de ces images de synthèse en complément des images Pléiades a permis d'améliorer significativement la précision globale des modèles.
Domaines
Intelligence artificielle [cs.AI]| Origine | Version validée par le jury (STAR) |
|---|