Fiche détaillée
| Id | 512 |
| Auteur | Sledz Pierre |
| Titre | Automatic detection and observation of mineral extraction sites using satellite images |
| Sous-titre | |
| Résumé | Ce projet s'appuie sur des travaux antérieurs pour démontrer l'efficacité d'un algorithme de détection automatique d'objets basé sur l'apprentissage profond pour identifier les sites d'extraction minière (MES) dans l'imagerie satellite du Swiss Data Cube et du Brazil Data Cube. L'algorithme a été entraîné à l'aide de données d'observation de la Terre (EO), en tirant parti de l'infrastructure de l'Open Data Cube (ODC), afin de détecter les MES sur de vastes zones. Les modèles entraînés ont obtenu des scores F1 allant de 49 % à 76 % sur les ensembles de données de validation, identifiant avec succès les MES potentielles, bien que des faux positifs aient été observés, notamment en raison de la confusion avec des caractéristiques telles que les affleurements rocheux, les plans d'eau et les zones déboisées, ainsi que de l'influence de la résolution spectrale de certaines couches. Malgré ces difficultés, le cadre a permis une détection rapide, en traitant de vastes zones en quelques minutes ou quelques heures, en fonction de la réalité du terrain, et en offrant une grande reproductibilité du cadre de détection d'objets. La détection automatique des MES à l'aide de cette méthode permet une surveillance efficace et à grande échelle, et pourrait soutenir le suivi des inventaires de l'évolution des MES au fil du temps. En utilisant des images satellite à haute résolution temporelle, l'algorithme peut fournir des informations précieuses sur les changements en cours dans les activités minières, offrant un avantage significatif par rapport à la cartographie manuelle et aux enquêtes in situ en termes de gain de temps et d'argent. L'intégration de l'infrastructure Open Data Cube facilite également l'analyse multicouche, les données prêtes à l'analyse étant déjà disponibles pour le suivi des caractéristiques futures. Le cadre offre la possibilité de mises à jour en temps réel, ce qui en fait un outil précieux pour améliorer la rapidité et l'efficacité de la surveillance des MES en Suisse et dans d'autres régions du monde. |
| Summary | This project builds on previous work to demonstrate the effectiveness of an automatic deep learning-based object detection algorithm for identifying Mining Extraction Sites (MES) in satellite imagery from the Swiss Data Cube and the Brazil Data Cube. The algorithm was trained using Earth Observation (EO) data, leveraging Open Data Cube (ODC) infrastructure, to detect MES across large areas. The trained models achieved F1-scores ranging from 49% to 76% on validation datasets, successfully identifying potential MES, though false positives (FPs) were observed, particularly due to confusion with features such as rock outcrops, water bodies, and deforested areas, as well as the influence of spectral resolution of certain layers. Despite these challenges, the framework enabled rapid detection, processing large areas within minutes or hours depending on the ground truths, and providing a high replicability of the object detector framework. The automatic detection of MES with this method allows for efficient, large-scale monitoring, and could support the monitoring of MES Notice Analytique evolution inventories over time. By using satellite imagery with high temporal resolution, the algorithm can offer valuable insights into the ongoing changes in mining activities, providing a significant advantage over manual mapping and in situ surveys in terms of time/cost savings. The integration of the Open Data Cube infrastructure also facilitates multi-layers analysis, with Analysis Ready Data already available for future feature tracking. The framework offers the potential for live-time updates, making it a valuable tool for improving the speed and efficiency of MES monitoring in Switzerland and in other regions of the world. |
| Volee | 2024 |
| Soutenance | 2025-05-22 |
| Sujet | Deep Learning, Automatic detections, Mining extractions sites (MES), Open Data Cube, Swiss Data Cube, Brazil data cube, Ground truths, Earth observation data, Object-detector, labels, ARD |
| Diffusion interdite |