Approche basée sur l’apprentissage profond pour la détection des feux de forêt

Abstract

Les systèmes de détection de feux de forêts sont devenus cruciaux pour la détection précoce des feux de forêts. De nombreux efforts ont été réalisés pour développer des solutions efficaces exploitant les réseaux de neurones convolutionnels (CNN) dans ce domaine. Les performances de tels systèmes dépendent de divers facteurs et sont influencées par les caractéristiques des données. Ce mémoire présente une solution de détection de feux de forêts basée sur des réseaux de neurones convolutionnels. Cette solution vise à améliorer la précision de la détection et à réduire les faux négatifs en exploitant les capacités de traitement des CNN. Les données sont prétraitées et alimentées dans le réseau CNN pour extraire des caractéristiques pertinentes, permettant ainsi une détection précise des feux de forêts. Pour mettre en œuvre cette solution, nous allons aborder les principaux aspects de la conception d'un modèle de CNN : la collecte et la préparation des données, et la conception et l'entraînement du réseau CNN, ainsi que la validation et le test du CNN. Les données sont collectées et prétraitées pour former un ensemble de données représentatif. Ensuite, un réseau CNN est conçu et entraîné sur cet ensemble de données pour apprendre à reconnaître les motifs caractéristiques des feux de forêts.