Rose Waytehad Nkondjock soutiendra sa thèse intitulée « Exploitation des algorithmes d’apprentissage profond et des séries temporelles d’images satellitaires pour la prédiction de la déforestation » le vendredi 16 décembre 2022 à 14h30 dans l’amphithéâtre STEINBRUNN de l’ESIREM
Composition du Jury :
- Mme Saïda BOUAKAZ (rapportrice) Professeure des universités, Université Claude Bernard Lyon 1
- M. Olivier MONGA (rapporteur) Directeur de recherche, Institut de Recherche pour le Développement, Paris
- M. Clémentin TAYOU DJAMENI (rapporteur) Professeur des universités, Université de Dschang
- M. Paul DAYANG (examinateur) Maître de conférences, Université de Ngaoundéré
- M. Franck MARZANI (examinateur) Professeur des universités, Université de Bourgogne
- M. Albert DIPANDA (direction de thèse) Professeur des universités, Université de Bourgogne
- M. KOLYANG (direction de thèse) Professeur des universités, Université de Maroua
- M. Wahabou ABDOU (direction de thèse) Maître de conférences, Université de Bourgogne
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. Le succès de ces méthodes résulte de la disponibilité sans cesse croissante de grandes quantités d’informations ainsi que des puissances de calcul des ordinateurs. Dans le domaine de la télédétection, on dispose aujourd’hui de volumes considérables d’images satellites grâce au nombre élevé de satellites d’observation de la Terre qui gravitent autour de la planète. Cette disponibilité en images permet de constituer des séries chronologiques de données appelées séries temporelles d’images satellite (STIS). Les STIS peuvent être utilisées pour de multiples applications du monde réel comme la prédiction des changements des classes d’occupation des sols, notamment la déforestation. Dans le cadre de cette thèse, il est question d’exploiter les potentialités des algorithmes d’apprentissage profond et la disponibilité des STIS pour créer des modèles basés sur l’apprentissage profond, capables d’analyser les données historiques d’une zone donnée et de prédire la déforestation dans cette zone. Quatre contributions sont apportées pour ces travaux de thèse. Premièrement, nous définissons un workflow de collecte et de prétraitement par lot des images satellite Sentinel-1 qui nous a permis de mettre à la disposition de la communauté scientifique trois jeux de données d’apprentissage. Deuxièmement, pour déterminer quelle architecture DL est la plus adaptée pour la prédiction des STIS, nous évaluons trois variantes d’architectures LSTM (ConvLSTM, CNN-LSTM, Stack-LSTM) pour la prédiction de la prochaine occurrence dans une séquence d’images. Ensuite, nous montrons par une étude comparative que les méthodes DL permettent d’obtenir de meilleurs résultats que la méthode classique CA-Markov pour les tâches de prédiction des changement des classes d’occupation des sols. Pour finir, nous proposons un modèle basé sur l’architecture hybride CNN-LSTM pour prédire la déforestation autour de la réserve de Biosphère du Dja (Cameroun) en 2025 comme cas d’utilisation. Le modèle entraîné sur des images Sentinel-1A a permis d’estimer une hausse approximative de 6% de déforestation dans cette zone. Pour cette contribution, nous définissons également une stratégie d’augmentation des données permettant d’améliorer les performances du modèle.