Simulation et modèle d'apprentissage automatique pour l'évaluation et la réduction des biais dans les estimateurs de densité foliaire des forêts tropicales

Simulation and machine learning models for bias assessment and reduction in leaf area density estimators in tropical forests

• Auteur / Autrice : Yuchen Bai
• Direction : Florence Forbes, Jean-Baptiste Durand, Grégoire Vincent
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann

Mots clés

Mots clés libres

Apprentissage profond

LiDAR

Surface foliaire

Forêts tropicales

Simulation

Drone

Deep Learning

LiDAR

Leaf Area

Tropical Forests

Simulation

Uav

Résumé

Cette thèse consiste à développer de nouvelles méthodes en statistique et apprentissage automatique pour analyser des données LiDAR et estimer des densités foliaires. La première partie consiste à élaborer de nouveaux modèles bayésiens et des méthodes d'estimation dédiées qui sont différentes extensions de champs de Markov cachés avec des lois a priori non paramétriques sur le nombre d'états. Ces modèles visent principalement à tenir compte de dépendances spatiales et d'hétérogénéité entre voxels pour estimer des densités foliaires, mais la classe de modèles et d'algorithmes développés se doivent d'être génériques et applicables à des problèmes et données variés, par exemple une cartographie des accidents de la route (Durand et al., 2021). La seconde partie consiste en des extensions de modèles existants basés sur des réseaux de neurones pour discriminer le bois des feuilles dans des mesures LiDAR. L'approche privilégiée est de combiner des réseaux de convolution sur des nuages de points 3D, de l'information quantitative associée à chaque point, et de l'information a priori spatiale, géométrique et topologique relative aux objets à discriminer.

This thesis project consists in developing new methods in statistics and machine learning to analyse LiDAR data and estimate leaf area densities. The first part consists in building new Bayesian statistical models and associated estimation methods in hidden Markov random fields with nonparametric priors for the number of states. These primarily aim at accounting for spatial dependencies and heterogeneity among voxels in leaf area density estimation but the class of developed models and algorithms is intended to be generic and applicable to various other problems and data sets, such as risk mapping for traffic accidents (Durand et al., 2021). The second part consists in enhancing current neural network models to discriminate wood from leaves in LiDAR measurements. It is expected to combine convolution networks on 3D clouds of points, quantitative information attached to each point and prior spatial, geometrical and topological information related to the objects to be discriminated.