Modèles d'apprentissage automatique pour la cartographie de récifs coralliens par imagerie satellite

Machine learning models for satellite-based coral reef mapping

• Auteur / Autrice : Teo Nguyen
• Direction : Benoit Liquet, Kerrie L. Mengersen
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 13/12/2023
• Etablissement(s) : Pau en cotutelle avec Macquarie University (Sydney, Australie)
• Ecole(s) doctorale(s) : Sciences Exactes et leurs Applications
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mathématiques et de leurs applications (Pau)
• Jury : Président / Présidente : Christian Paroissin
• Jury : Examinateurs / Examinatrices : Benoit Liquet, Kerrie L. Mengersen, Audrey Minghelli, Anne Ruiz-Gazen, Nan Ye
• Jury : Rapporteur / Rapporteuse : Audrey Minghelli, Anne Ruiz-Gazen

Mots clés

Mots clés contrôlés

Protection

Coraux

Cartographie

Imagerie satellitaire

Mots clés libres

Image satellite

Classification de coraux

Apprentissage machine

Données compositionnelles

Satellite image

Coral classification

Machine learning

Compositional data

Résumé

La crise actuelle du changement climatique nécessite le développement de méthodes efficaces pour surveiller et cartographier l'environnement et les espèces afin d'assurer leur préservation. Cette thèse explore l'application d'algorithmes d'apprentissage automatique pour cartographier efficacement les récifs coralliens à partir d'images satellites multispectrales. Le lagon de Maupiti en Polynésie française sert d'étude de cas. Ce travail de recherche a conduit à la production d'un outil automatisé capable de générer des cartes de récifs coralliens à partir d'images satellites. De plus, cet outil peut être adapté pour cartographier d'autres écosystèmes, tels que des forêts ou des calottes glaciaires, à condition que le modèle soit ré-entraîné avec des données pertinentes.Tout d'abord, une analyse de la littérature scientifique des dernières années examine les méthodes et les tendances actuelles en matière d'utilisation d'algorithmes d'apprentissage automatique pour la cartographie des récifs coralliens. Ensuite, les tentatives de développement de l'outil nous ont conduits à nous confronter au cas particulier des données compositionnelles, qui sont des données contenant des informations relatives et se situant dans un espace mathématique connu sous le nom de simplexe. Des adaptations des méthodes conventionnelles sont nécessaires pour répondre aux caractéristiques spécifiques de cet espace.Dans un premier temps, en réponse aux jeux de données déséquilibrés, une technique de suréchantillonnage est développée spécifiquement pour les données compositionnelles. En outre, un modèle autorégressif spatial basé sur la distribution de Dirichlet est formulé pour tenir compte des effets spatiaux qui peuvent survenir dans le processus de cartographie automatique.Enfin, nous présentons la mise en oeuvre de notre outil de cartographie final. Pour atteindre l'objectif souhaité, un processus de classification en deux étapes est mis en place, combinant des approches basées sur les pixels et sur les objets. Cette technique permet à notre outil d'atteindre une précision supérieure à 85% avec 15 classes.Ce travail de recherche apporte de nouvelles solutions pour le traitement des données compositionnelles et fournit un outil de cartographie performant pour les écosystèmes de récifs coralliens, pouvant contribuer à la gestion de l'environnement et aux efforts de conservation.

The ongoing crisis of climate change necessitates the development of effective methods for monitoring and mapping environmental features and species to ensure their preservation. This thesis explores the application of machine learning algorithms to efficiently map coral reefs using multispectral satellite images. The Maupiti lagoon in French Polynesia serves as a case study. The research led to the production of an automated tool capable of generating coral reef maps from satellite images. Moreover, the tool can be adapted to map other ecosystems, such as forests or ice sheets, provided that the model is retrained with relevant data.To begin, a comprehensive literature review investigates current methods and trends in utilizing machine learning algorithms for coral reef mapping. Then, the attempts to develop the tool led us to face the special case of compositional data, which are data carrying relative information and lying in a mathematical space known as simplex. Adaptations of conventional methods are required to address the specific characteristics of this space.First, in response to data imbalance, an oversampling technique is developed specifically for compositional data. Additionally, a spatial autoregressive model based on the Dirichlet distribution is formulated to account for spatial effects that may arise in the mapping process.Finally, we present the implementation of our final mapping tool. To achieve the desired objective, a two-staged classification process is implemented, combining pixel-based and object-based approaches. This technique enables the tool to achieve an accuracy exceeding 85% with 15 classes.The research contributes novel solutions for handling compositional data and delivers a high-performing mapping tool for coral reef ecosystems, aiding in environmental management and conservation efforts.