Publié le 14 octobre 2022
Développement d'un modèle d'apprentissage profond utilisant des réseaux de neurones artificiels et SIG pour extraire des zones urbaines à partir d'images satellite - zone d'étude : Syrie
La classification des images de télédétection est un processus de base utilisé pour créer des cartes d'utilisation des terres et des cartes d'occupation des sols, extraire une catégorie spécifique ou détecter des changements après des catastrophes ou au fil du temps. Pour y parvenir, il utilise des algorithmes spécialement développés pour trouver le meilleur moyen d'extraire des données spatiales et des caractéristiques de ces images afin qu'elles représentent numériquement et avec une grande précision la véritable réalité de la Terre.
Dans cette recherche, on propose une nouvelle approche pour l'extraction d'une catégorie spécifique représentant les zones urbaines, en se basant sur l'intelligence artificielle, en particulier l'apprentissage automatique et l'apprentissage en profondeur via les réseaux de neurones artificiels (RNA).
La méthodologie a été appliquée à une image multispectrale Landsat 8 de la ville de Homs prise durant l'année 2017, et un modèle a été construit sur la base de ses données, puis on a utilisé ce modèle à une image Landsat 8 de la ville de Tartous de l'année 2018 pour extraire les zones urbaines et vérifier la validité du modèle.
À toutes les étapes de traitement, de création de réseau, de formation et de prédiction, plusieurs bibliothèques Python libres et open source, en particulier des bibliothèques d'apprentissage en profondeur, ont été utilisées, ainsi que des systèmes d'information géographique (ArcGIS Desktop).
Les résultats de l'étude ont indiqué une amélioration significative de la précision, du temps et de l'effort en le comparant aux méthodes de classification traditionnelles basées sur les pixels, en particulier la méthode de Maximum de vraisemblance, ainsi qu'aux méthodes de classification basées sur les objets.