Apprentissage transfert pour la reconnaissance d’essences

Par Olivia Bernardoff (stagiaire UMR DYNAFOR, master 2 SIGMA)

La reconnaissance d’essences forestières est un enjeu essentiel pour la gestion des forêts dans un contexte de réchauffement climatique. Les récentes évolutions techniques en télédétection (algorithmes et capteurs) permettent d’envisager une cartographie des essences forestières, seulement cela demande des références terrain et des images prises aux mêmes dates sur tout un territoire, ce qui n’est pas toujours possible pour des raisons techniques. Le transport optimal est proposé dans cette étude pour palier à cela. C’est une technique d’adaptation de domaine qui vise à adapter des distributions de données sources référencées vers des distributions de données cibles, qui deviennent alors utilisables pour des algorithmes d’apprentissage. Pour étudier l’apport de cette méthode, nous disposions de tuiles hypertemporelles et hyperspectrales au Nord et au Sud de la France. Nous utilisons toutes les bandes spectrales de l’image ou nous en calculions leur NDVI. Nous avons effectué un transport spatial et un transport temporel avec les algorithmes Earth Mover’s Distance, Sinkhorn et SinhornL1L2, allant du plus simple au plus complexe. Pour cela, nous avons mis en place une bibliothèque python utilisable par tous : pottok. Nous avons trouvé que le transport permet une amélioration croissante de l’apprentissage en fonction de la complexité de l’algorithme quand nous utilisions toutes les bandes. Le NDVI seul ne suffit pas à l’apprentissage pour voir une amélioration nette après transport. Cette méthode est donc prometteuse dans le domaine de la télédétection.