Amélioration des systèmes de suivi des cultures à à l’aide de la télédétection multi-source et des techniques d’apprentissage profond ; Leverage Multi-Source Remote Sensing data via deep learning to improve Crop Monitoring Systems
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Amélioration des systèmes de suivi des cultures à à l’aide de la télédétection multi-source et des techniques d’apprentissage profond ; Leverage Multi-Source Remote Sensing data via deep learning to improve Crop Monitoring Systems
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Les systèmes de suivi des cultures jouent un rôle essentiel dans l'évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d'information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l'essor des techniques d'apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l'évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d'apprentissage profond. Nous proposons deux méthodes pour caractériser l'occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d'attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l'intégration d'une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d'études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d'investigation sur l'estimation et la prévision des rendements des surfaces cultivées, à l'échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d'apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l'évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d'apprentissage profond semblent mieux adaptées que les méthodes traditionnelles ...