Fiche détaillée
| Id | 345 |
| Auteur | Shahroozi Katayoon |
| Titre | Développement d'une méthodologie pour l’identification automatique des espèces d’arbres isolés |
| Sous-titre | |
| Résumé | Les données issues de télédétection sont d’un grand intérêt pour la détection des arbres et elles fourniraient des renseignements importants permettant d’améliorer les données sur l’inventaire des arbres et suivre l’intégralité du patrimoine arboré. Le but de cette recherche est dans un premier temps d'établir l'état des connaissances sur l’identification automatique des espèces d’arbres à l’aide des données de télédétection et dans un deuxième temps d’examiner leur potentiel d'utilisation pour la détection des espèces arbres du Canton de Genève. Dans ce travail, nous allons évaluer l’utilisation d’une méthode d’apprentissage automatique pour la classification des arbres isolés selon leurs genres. Dans ce contexte, nous avons réalisé une classification supervisée par objet avec l’algorithme de classification Random Forest. Les modèles de classification ont été générés et leurs précisions ont été comparé. Nous avons également proposé des méthodes possibles pour améliorer nos résultats de classification. Tenant compte des simples analyses réalisées dans cette étude, les résultats doivent être interprétés avec prudence. Cependant, ce travail confirme le grand potentiel des méthodes de classification Random Forest dans l’identification des espèces d’arbres en utilisation des données LiDAR et des données spectrales. |
| Summary | Remote sensing data is of great interest for tree detection and it offers a significant improvement in the tree inventory data and the arboreal heritage monitoring. The aim of this research is, firstly, to establish the state of the art on the automatic identification of tree species using remote sensing data and, secondly, to examine their potential use for tree species identification in the Canton of Geneva. In this work, we evaluated the application of a machine learning algorithm to classify the genera of individual trees. In this context, we have carried out a supervised object-based classification using the Random Forest algorithm. Classification models were generated and were compared. We have also proposed possible methods to improve the classification results. Considering the simplified analysis carried out in this study, the results must be interpreted with caution. However, this work confirms the great potential of Random Forest classification method in the identification of tree species using LiDAR and spectral data. |
| Volee | 2019 |
| Soutenance | 2020-01-20 |
| Sujet | Biodiversité, arbres isolés, télédétection, SIG, cartographie, segmentation, indice de végétation, classification supervisée, Random Forest |
| Url 1 | Mémoire de stage disponible sur demande (admincg) |
| Url 2 | |
| Url 3 |