Fiche détaillée
| Id | 470 |
| Auteur | Turlin François |
| Titre | Detection of the evolution of mine sites and tailings dams using Artificial Intelligence and remote sensing |
| Sous-titre | |
| Résumé | Le but de cette étude est d’étudier le potentiel des images satellites disponibles gratuitement en les couplant aux nouvelles technologies open-source tels que l’intelligence artificielle (deep-learning), cloud computing – Google Earth Engine et les bibliothèques et logiciels open-source (Tensor Flow, Google Collaboratory, QGIS, programmation et bibliothèques Python et R) afin d’identifier les sites miniers et les stériles d’Afrique du Sud ainsi que leur évolution dans le temps. Cette étude a été divisée en plusieurs phases. La première a consisté à générer le modèle entrainé d’Intelligence Artificielle (IA) qui a été par la suite validé puis utilisé lors des prédictions réalisées. Deux types de prédictions ont été faites, l’une sur une surface relativement réduite mais sur plusieurs années consécutives, et deux sur des surfaces plus larges, à l’échelle de l’Afrique du Sud (et du Lesotho), pour les années 2018 à 2021. Toutes ce étapes visent à atteindre le même objectif, la construction d’un modèle d’IA entrainé pour la prédiction à l’échelle de grands territoires de la présence ou non de sites miniers et résidus, à travers le temps. Dans cette étude, nous avons démontré que nous pouvions utiliser l’IA et plus spécifiquement le Deep learning pour détecter des mines et résidus dans des images satellite multispectrales en accès libre, tout en utilisant des logiciels open-source et en réutilisant des codes préétablis. Cette étude a été réalisée à l’échelle de l’Afrique du Sud, de laquelle nous avons également extrait l’échantillonnage d’entrainement du réseau d’IA. La prédiction de l’IA peut être appliquée sur des surfaces de petites tailles (en divisant la zone en patch d’1x1 km) mais également sur des surfaces de plus grandes tailles (en extrayant de larges images Sentinel2 pour couvrir la zone d’intérêt et en les divisant en patch plus petits avant prédiction). Ainsi, ce travail est une étape fondamentale contribuant au suivi des projets miniers et de leur évolution dans le temps à l’échelle de grands territoires et du monde. |
| Summary | The main goal of this work was to explore the use of freely available multispectral satellite imagery data in combination with new and open-source technologies such as AI (deep learning), cloud computing – Google Earth Engine and the corresponding open-source software and libraries (Tensor Flow, Google Collaboratory, QGIS, Python and R programming and libraries) to monitor the mining sites and tailings dams in South Africa but also their evolution in time. This study has been divided into several phases. The first one consisted in the generation of the AI trained model, that was followed by a validation phase prior to its use for predictions. Two types of predictions were subsequently performed, one on a relatively small area but for four successive years, and two on large areas, i.e. at the scale of South Africa (and Lesotho), for the years 2018 and 2021. All these phases aim at the same goal, building a trained AI model for large area predictions of surface mines and tailings dams, through time. In this study, we have demonstrated that we can use Artificial Intelligence and more specifically Deep learning techniques to detect mines and tailings dams in free multispectral satellite images, while using open-source software and code reusage. The study was performed over the area of South Africa, from which we also extracted the training dataset for the AI network. The prediction of the AI can be applied on small areas (by dividing the area in 1 x 1 km patches) but also on large areas (by extracting large Sentinel2 images to cover the wide area and dividing them in smaller patches before prediction). Accordingly, this work is a step forward for the contribution of the monitoring of mining projects and their evolution in time over larger areas and even worldwide. |
| Volee | 2023 |
| Soutenance | 2024-01-22 |
| Sujet | Télédétection, Intelligence Artificielle |
| Url 1 | Mémoire de stage disponible sur demande (admincg) |
| Url 2 | |
| Url 3 |