Détection de zones brûlées après un feu de forêt à partir d'une seule image satellitaire SPOT 5 par techniques SVM

par Olivier Zammit

Thèse de doctorat en Automatique, traitement du signal et des images

Sous la direction de Josiane Zerubia et de Xavier Descombes.


  • Résumé

    Cette thèse aborde le problème de cartographie de zones brûlées à partir d’images satellitaires haute résolution. Nos modèles reposent sur le traitement d’une seule image SPOT 5, acquise après le feu afin de détecter automatiquement les zones brûlées. Le modèle est fondé sur les Séparateurs à Vaste Marge (SVM), une technique de classification supervisée qui a démontré une meilleure précision et une meilleure capacité de généralisation que les algorithmes de classification plus traditionnels. Concernant notre problème de détection, les différentes zones brûlées possèdent des caractéristiques spectrales assez similaires, au contraire des zones non brûlées (végétation, routes, eau, zones urbaines, nuage, ombre. . . ) dont les caractéristiques spectrales varient énormément. Nous proposons donc d’utiliser les One-Class SVM, une technique qui dérive des SVM mais qui n’utilise que des exemples de pixels brûlés pour les phases d’apprentissage et de classification. Afin de prendre en compte l’information spatiale de l’image, l’algorithme OC-SVM est utilisé comme une technique de croissance de régions, ce qui permet de diminuer les fausses alarmes et d’améliorer les contours des zones brûlées. De plus, la base d’exemple de pixels brûlés nécessaire à l’apprentissage des techniques SVM est déterminée automatiquement à partir de l’histogramme de l’image. Finalement, la méthode de classification proposée est testée sur plusieurs images satellitaires afin de valider son efficacité selon le type de végétation et la surface des zones brûlées. Les zones brûlées obtenues sont comparées aux vérités de terrain fournies par le CNES, Infoterra France, le SERTIT, les Services Départementaux d’Incendies et de Secours ou l’Office National des Forêts.

  • Titre traduit

    Burnt area mapping after a forest fire using a single post-fire SPOT 5 image by SVM techniques


  • Résumé

    This PhD investigates the problem of burnt area mapping from high-resolution satellite images. Our approach is based on the use of a single SPOT 5 image, acquired after the fire, to detect automatically the burnt areas. The method is based on Support Vector Machines (SVM), a supervised classification technique that has greater accuracy and better generalization ability than traditional classifiers. Because all burnt pixels have similar spectral characteristics, while unburnt pixels vary greatly since they belong to different classes (forest, water, urban areas, roads, fields,. . . ), we propose to use the One-Class SVM (OC-SVM), an extension of the original two-class SVM that uses only positive examples for the training and classification steps. In order to take into account the spatial information provided by the image, the OC-SVM algorithm is used as a region-growing technique, thereby decreasing false positives and improving the boundaries of burnt areas. Moreover, the samples of burnt areas required for the training step of the SVM are automatically selected from the image histogram. Finally, the proposed classification approach is tested on several satellite images to validate its effectiveness with respect to vegetation type and burnt surface area. The burnt areas extracted are compared to ground truth provided by the French Space Agency, Infoterra France, SERTIT, local fire brigades, and the French Forestry Office.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (147 p.)
  • Annexes : Bibliogr. p. 137-142. Résumés en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Non disponible pour le PEB
  • Cote : 08NICE4042
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.