Conception et développement d’une architecture d’intelligence artificielle pour la détection des feux de forêts à partir des images satellitaires

Abstract

Les avancées dans les technologies d'imagerie satellitaire issues de la télédétection ont un impact majeur sur la surveillance de l'environnement et la prévention des risques. Aujourd'hui, les séries temporelles d'images, qu'elles soient optiques ou radar, jouent un rôle crucial dans le suivi de la dynamique de la source terrestre. Elles sont particulièrement utiles pour repérer, caractériser et suivre l'évolution de phénomènes rapides, tels que les feux de forêts. Grâce à ces données, il est possible d'analyser des indicateurs environnementaux, d'identifier des zones à risque et d'observer l'évolution spatiotemporelle des feux depuis leur apparition jusqu'à leur propagation. Elles jouent un rôle essentiel dans l'amélioration des stratégies de gestion des alertes précoces et d'intervention contre les incendies.

L’objectif du sujet proposé est d’extraire des informations significatives à partir d’images satellites (Sentinel-2 API), aussi bien optiques que radar, afin de développer un outil d’analyse de texture destiné à améliorer la détection et le suivi des feux de forêts. Il est possible de concevoir cet outil de manière spécifique ou de l'améliorer et de l'élaborer en se basant sur les bibliothèques et les outils existants, en particulier en Python. L'enjeu principal est d'utiliser cet outil pour analyser et classifier différents types d'images d'occupation du sol, dans une perspective d'aide à la compréhension et à la gestion des phénomènes de feux dans ce cadre. Notre projet s’articule autour de deux axes. Le premier consiste à appliquer une étape de prétraitement visant à améliorer la qualité des images au moyen d’algorithmes spatialisés. La deuxième concerne la mise en place d'une procédure de détection et de classification utilisant des méthodes d'intelligence artificielle, en particulier les méthodes de Deep Learning, afin d'optimiser la reconnaissance et les caractéristiques des zones impactées.

Mots Clés : Télédétection, Images satellitaire, réseau de neurones convolutifs (CNN), prétraitement, classification binaire, détection.

Environmental monitoring and risk prevention are being greatly impacted by the advancements in satellite imaging technologies derived from remote sensing. Monitoring the Earth's surface dynamics relies heavily on time series of images, whether optical or radar. They are particularly useful for detecting, characterizing, and tracking the progression of rapid phenomena, such as forest fires. The use of this data allows for the analysis of environmental indicators, identification of areas at risk, and observation of fires' spatiotemporal evolution from their onset through their spread. Their role is crucial when it comes to improving early warning and fire response strategies.

The aim of this project is to extract meaningful information from satellite images (Sentinel-2 API), both optical and radar, in order to develop a texture analysis tool designed to improve the detection and monitoring of forest fires. The design and development of this tool can be done either from scratch or with the help of existing libraries and tools, particularly in Python. The main challenge is to use this tool to analyze and categorize different types of land-cover imagery, which would help in understanding and managing fire phenomena in this context. Our project is structured around two main areas. A pre-processing stage is applied in the first step to improve image quality using spatial algorithms. The second concern pertains to the implementation of a detection and classification procedure that utilizes Artificial Intelligence methods (AI), particularly deep learning methods, to enhance the recognition and classification of concerned areas.

Keywords: Remote sensing, satellite imagery, convolutional neural networks (CNN), pre-processing, binary classification, detection.

تُحدث التطورات في تقنيات التصوير الفضائي المستمدة من الاستشعار عن بُعد تأثيرًا كبيرًا على مراقبة البيئة والوقاية من المخاطر. واليوم تلعب سلاسل الصور الزمنية، سواء كانت بصريّة أو رادارية، دورًا حاسمًا في رصد ديناميكيات الأرض وهي مفيدة بشكل خاص في تحديد وتوصيف ومتابعة تطور الظواهر السريعة، مثل حرائق الغابات و بفضل هذه البيانات، يمكن تحليل المؤشرات البيئية، وتحديد المناطق المعرضة للخطر، ومراقبة التطور المكاني وألزماني للحرائق منذ ظهورها وحتى انتشارها. وهي تلعب دورًا أساسيًا في تحسين استراتيجيات إدارة الإنذارات المبكرة والتدخل لمكافحة الحرائق.

الهدف من الموضوع المقترح هو استخراج معلومات ذات دلالة من صور الأقمار الصناعية، سواء البصرية أو الرادارية، من أجل تطوير أداة لتحليل النسيج تهدف إلى تحسين الكشف عن حرائق الغابات ومتابعتها. من الممكن تصميم هذه الأداة بشكل خاص في تحسينها وتطويرها بالاعتماد على المكتبات والأدوات الموجودة فيNOHTPY ، لا سيما في لغة ويتمثل التحدي الرئيسي في استخدام هذه الأداة لتحليل وتصنيف أنواع مختلفة من صور استخدام الأراضي، بهدف المساعدة في فهم وإدارة ظاهرة الحرائق في هذا السياق. يدور مشروعنا حول محورين. الأول يتمثل في تطبيق مرحلة معالجة مسبقة تهدف إلى تحسين جودة الصور باستخدام خوارزميات مكانية. والثاني يتعلق بوضع إجراء للكشف والتصنيف باستخدام أساليب الذكاء الاصطناعي، ولا سيما أساليب التعلم العميق، من أجل تحسين التعرف على المناطق المتضررة وخصائصه. كلمات مفتاحيه : الاستشعار عن بعد، صور الأقمار الصناعية، المعالجة المسبقة، التصنيف الثنائي، الشبكات العصبية التلافيفية.