Comment associer expertise thématique et apprentissage automatique afin d'améliorer les méthodes de cartographie agro-environnementales par télédétection ?

How to combine thematic expertise and machine learning to improve agro-environmental mapping methods using remote sensing?

• Auteur / Autrice : Maxime Dumont
• Direction : Bruno Tisseyre
• Type : Projet de thèse
• Discipline(s) : EFSA-Sciences Agronomiques
• Date : Inscription en doctorat le 14/02/2022
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : ITAP - Technologies & méthodes pour les agricultures de demain

Mots clés

Mots clés libres

Cartographie

Télédétection

Machine Learning

Connaissance experte

Échantillonnage

Mapping

Remote sensing

Machine Learning

Expert knowledge

Sampling

Résumé

Cartographier l'occupation des sols est un enjeu majeur en vue de mieux inventorier, gérer et protéger les agroécosystèmes à échelle des territoires. Classifier l'occupation des sols revient à donner une classe prédéfinie de couverture physique de la surface terrestre en tous points d'une zone d'étude. Cela constitue donc un préalable à la majorité des étude agro-environnementales en France et dans le monde. Avant les années 2000, cette classification était uniquement réalisée par des experts qui arpentaient le territoire afin d'identifier les types de classes d'occupation des sols. Avec l'essor récent des orthophotographies (images aériennes ou satellite), le métier a grandement évolué. Aujourd'hui, la classification est réalisée à la fois grâce à un échantillonnage ponctuel sur le terrain et l'analyse d'orthophotographies par des méthodes d'IA (Machine Learning, DeepLearning, etc.). Ces méthodes nécessitent la création d'un jeu d'apprentissage, réalisé par les experts métiers, afin de permettre aux modèles d'apprendre à reconnaitre les classes et produire des résultats. Si aujourd'hui, les méthodes d'IA sont performantes et adaptées à nombre de cas d'étude, l'acquisition terrain données d'apprentissage manque de méthodes objectives. Pourtant, la création d'un jeu d'apprentissage de qualité est primordiale pour garantir une classification efficiente. Dans cette thèse, nous nous proposons de résoudre ce problème en développant des méthodes permettant aux experts de générer des données d'apprentissage adaptées aux analyses d'images, et qu'en retour le traitement d'image permette d'aider à l'élaboration de l'échantillonnage. Ainsi durant cette thèse les recherches seront dirigées vers les deux axes suivants : - Comment orienter l'échantillonnage en considérant simultanément les compétences métiers terrain et les données issues du traitement d'image ? - Comment sélectionner les variables d'image pertinentes sur la base de l'expertise introduite dans le modèle d'apprentissage machine ?

Land occupation mapping is a major issue when managing, monitoring and protecting agroecosystems at large scale. Classify land occupation consists in determining the type of physical cover of each location on a specific land. Therefore, land occupation classification is a prerequisite to most agri-environmental studies. Before the years 2000, this was exclusively done by experts on the field, surveying the land and identifying each type of land classification. With the recent emergence of remote sensing images nowadays, this is done thanks to both field sampling and remote sensing images analysis with Ai methods (Machine Learning, Deep Learning). These methods require that experts create training dataset so the models learn to recognize land occupation classes and generate results. If todays AI methods are efficient and adapted to many use cases, field sampling of training dataset still lack objective methods. However, creating a quality training dataset is essential in order to ensure an efficient classification. During this PhD work, we will solve this issue by creating new methods allowing experts to create training datasets fully adapted to remote sensing images analysis and in return allow this analysis to help preparing field sampling. Thus, we will answer the two following questions: - How to direct data sampling considering both field expertise and remote sensing images analysis? - How to choose relevant images variables considering field expertise introduced in the machine learning model?