Infodoc : Sciences, Techniques et Culture

Cette étude présente différentes méthodes de détection des changements de paysages forestiers. Grâce à des images radar fournies par Copernicus Sentinel-1, Sentinel-2, plusieurs déforestations ont été observées. Cependant, ces déforestations ainsi que certains changements observés apparaissent en sombre dans les images SAR. Pour être capable de révéler si oui il y a déforestation, il est important de connaître les propriétés de tous les objets sombres détectés par images radar afin d’être capable de les classifier. Pour cela, quarante-sept zones surveillées ont été mis sur surveillance au Cameroun, afin d'assurer une gestion forestière et de détecter toutes activités illégales. Des approches de détection de changement automatique (Platform FLEGTWatch) et manuelle ont été utilisées pou[...]

Cette étude présente différentes méthodes de détection des changements de paysages forestiers. Grâce à des images radar fournies par Copernicus Sentinel-1, Sentinel-2, plusieurs déforestations ont été observées. Cependant, ces déforestations ainsi que certains changements observés apparaissent en sombre dans les images SAR. Pour être capable de révéler si oui il y a déforestation, il est important de connaître les propriétés de tous les objets sombres détectés par images radar afin d’être capable de les classifier. Pour cela, quarante-sept zones surveillées ont été mis sur surveillance au Cameroun, afin d'assurer une gestion forestière et de détecter toutes activités illégales. Des approches de détection de changement automatique (Platform FLEGTWatch) et manuelle ont été utilisées pour ces surveillances radar. Cependant, la classification des images repose sur le choix de plusieurs paramètres obtenus grâce à des résultats statistiques. À petite échelle, ces méthodes nous ont donné des résultats satisfaisants. Cependant, pour étendre nos observations à grande échelle, nous nous sommes intéressés sur le développement d’un algorithme universel en se faisant aider des paramètres recensés lors de nos études en miniature. Par conséquent, nous avons utilisé un algorithme de classification (forêt aléatoire) basé sur la méthode de l'arbre de décision. Pour chaque classe, des caractéristiques discriminantes ont été trouvées, ainsi que son propre arbre de décision avec des règles de décision globales. Cet algorithme a permis une bonne classification du groupe test des paramètres. Mais, des études un peu plus poussées reste à faire pour améliorer la précision et les performances de cet algorithme.