Détection des arbres dépérissants par imagerie aérienne à l’aide de modèles d’apprentissage profond

Details

Supervisors

Ponette, Quentin ; Radoux, Julien ; Titeux, Hugues

Faculty

Faculté des bioingénieurs

Degree label

Master [120] : bioingénieur en gestion des forêts et des espaces naturels, à finalité spécialisée

Abstract

Dans un contexte climatique de plus en plus instable, le dépérissement du hêtre commun s’intensifie en Wallonie comme ailleurs en Europe. Face à cette crise, les méthodes d’évaluation de l’état sanitaire depuis le sol permettent le suivi et l’étude du dépérissement, mais leurs mises en œuvre restent chronophages et spatialement limitées. C’est dans ce contexte que ce mémoire explore le potentiel de la télédétection combinée à l’intelligence artificielle pour automatiser la détection d’arbres dépérissants et ainsi apporter de nouveaux outils capables d’alimenter les réflexions et d’enrichir les diagnostics issus des méthodes classiques de suivi pour une gestion toujours plus durable. L’objectif de ce travail est de développer un modèle de deep learning, capable de détecter sur des orthophotos les hêtres présentant différents niveaux de dépérissement, en se basant sur la mortalité de branches. Trois classes ont été définies : arbres sains (< 25 % de mortalité de branches), arbres dégradés (26–85 %), et arbres morts (> 85 %). Pour ce faire, une phase de photo-interprétation a d’abord permis de tester la pertinence de plusieurs critères sur orthophotos, en les comparant aux observations de terrain réalisées durant l’été 2024. Ce travail a révélé que la mortalité de branches était le critère le plus cohérent entre les deux approches. Sur cette base, des modèles RetinaNet et Mask R-CNN ont été entraînés et validés sur des images aériennes à haute résolution (4,5 cm et 9 cm). Les résultats montrent que les performances des modèles sont limitées. Le modèle RetinaNet, entraîné à 9 cm de résolution et de l’augmentation de données, détecte correctement 32 % des arbres de l’échantillon de validation, avec un F1-score global de 0,28. De son côté, Mask R-CNN atteint 57 % d’arbres correctement détectés, mais son F1-score total chute à 0,19 en raison d’un grand nombre de mauvaises détections. Les difficultés rencontrées s’expliquent par un déséquilibre des classes dans les données d’entraînement, un volume d’exemples réduit et une taille de tuiles mal adaptées à la taille réelle des houppiers. Pour améliorer les performances des modèles, il est recommandé de renforcer la quantité et la qualité des données d’apprentissage, notamment en augmentant la représentation des classes minoritaires et le volume globale de données d’apprentissage. Enfin, pour affiner l’évaluation de l’état sanitaire à partir d’images aériennes, il serait pertinent d’adapter les critères d’évaluation pour renforcer la cohérence entre terrain et télédétection.