Exploitation des algorithmes d'apprentissage profond et des séries temporelles d'images satellitaires pour la prédiction de la déforestation

Exploiting deep learning algorithms and satellite image time series for deforestation prediction

• Auteur / Autrice : Waytehad Rose Moskolai
• Direction : Albert Dipanda, Wahabou Abdou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/12/2022
• Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Université de Maroua
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Franck Marzani
• Jury : Examinateurs / Examinatrices : Paul Dayang, Dina Taïwé Kolyang
• Jury : Rapporteurs / Rapporteuses : Saïda Bouakaz, Olivier Monga, Clémentin Tayou Djamegni

Mots clés

Mots clés contrôlés

Apprentissage profond

Déboisement

Imagerie satellitaire

Télédétection

Vision par ordinateur en médecine

Vision par ordinateur

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Prédiction déforestation

Réseaux de neurones récurrents

Images satellitaires

Apprentissage profond

Séries temporelles d'images

Artificial intelligence

Deforestation prediction

Recurrent neural networks

Satellite images

Deep learning

Image time series

Résumé

Ces dernières années, nous assistons à une émergence des méthodes d'apprentissage profond appelées Deep Learning en anglais (DL), qui ont favorisé d'énormes progrès dans divers domaines tels que la conduite autonome, la vision par ordinateur, la médecine, les finances, ainsi que dans le domaine de l'analyse des données de télédétection. Le succès de ces méthodes d'apprentissage automatique résulte de la disponibilité sans cesse croissante de grandes quantités d'informations ainsi que des puissances de calculs des ordinateurs. Dans le domaine de la télédétection par exemple, on dispose aujourd'hui de volumes considérables d'images satellitaires grâce au nombre élevé de satellites d'Observation de la Terre (OT) qui gravitent autour de la planète. Avec un temps de revisite des satellites au-dessus d'une zone de plus en plus court, il sera probablement bientôt possible d'obtenir quotidiennement et gratuitement des images satellites, de n'importe quelle zone dans le monde. Cette disponibilité en images permet de constituer des séries chronologiques de données appelées Séries Temporelles d'Images Satellitaires (STIS). Les STIS peuvent être utilisées pour de multiples applications du monde réel comme la prédiction des changements de classes d'occupation de sol en général, et la déforestation en particulier. Dans le cadre de cette thèse, il est question d'exploiter les potentialités des méthodes d'apprentissage profond et la disponibilité des STIS pour créer des modèles prédictifs basés sur l'apprentissage profond, capables d'analyser les données historiques d'une zone donnée et de prédire la déforestation dans cette zone. Quatre principales contributions sont réalisées au terme de ces travaux de thèse : 1) Proposition d'un workflow de collecte et de prétraitement par lot des images satellitaires Sentinel-1; 2) Comparaison de trois architectures DL par la création de modèles de prédiction de la prochaine occurrence dans une STIS; 3) Validation des méthodes DL pour la prédiction des changement des classes d'occupation par comparaison à la méthode actuelle utilisée (méthode CA-Markov); 4) Proposition d'un modèle de prédiction de déforestation (Deforest_Pred) autour de la réservede Biosphère du Dja (Cameroun). Le modèle Deforest_Pred est basé sur une architecture hybride CNN-LSTM et entraîné sur un jeu de données d'images Sentinel-1A augmentées par une technique de fusion d'images proposée dans le cadre de ces travaux.

In recent years, we have witnessed the emergence of Deep Learning (DL) methods, which have led to enormous progress in various fields such as automotive driving, computer vision, medicine, finances, and remote sensing data analysis. The success of these machine learning methods is due to the ever-increasing availability of large amounts of information and the computational power of computers. In the field of remote sensing, we now have considerable volumes of satellite images thanks to the large number of Earth Observation (EO) satellites orbiting the planet. With the revisit time of satellites over an area becoming shorter and shorter, it will probably soon be possible to obtain daily images of any area in the world. This availability of images allows to create time series of data called Satellite Image Time Series (SITS). SITS can be used for multiple real-world applications such as the prediction of land cover changes in general, and in particular the deforestation. The aim of this thesis is to exploit the potential of deep learning methods and the availability of SITS to create predictive models based on deep learningarchitectures, that will analyze historical data of a given area and will predict the deforestation in that area. Four main contributions are noted at the end of this thesis work: 1) Proposal of a workflow for batch collection and preprocessing of Sentinel-1 satellite images; 2) Comparison of three DL architectures for the task of predicting the next occurrence in a STIS; 3) Validation of DL methods for predicting land cover changes by comparison with the most method used in the literature (CA-Markov method); 4) Proposal of a model called (Deforest_Pred) for the prediction of deforestation around the Dja Biosphere Reserve (Cameroon). The Deforest_Pred model is based on a hybrid CNN-LSTM architecture and trained on Sentinel-1A images, augmented by an image fusion technique proposed in this study.