La récolte de bois brûlé est une pratique courante au Québec après les feux de forêt afin de limiter les pertes économiques. Cependant, la récupération de la matière ligneuse doit être effectuée dans les deux premières années suivant la perturbation pour limiter la dégradation du bois. Pour planifier la récolte, une caractérisation rapide des patrons de brûlage doit être réalisée à l'aide d'images satellitaires de résolution suffisante pour la planification opérationnelle. L'objectif de ce projet était de développer un modèle de classification utilisant des images haute résolution (50 cm) pour différencier les zones affectées par le feu de celles qui ne le sont pas et, plus précisément, pour distinguer les différents niveaux de sévérité de brûlage. Quatre images Skysat ont été utilisées pour calculer des indices et collecter des données d'entraînement. Des indices ont également été calculés à partir d'images Landsat. Trois types de modèles ont été comparés (k-NN, Random Forest et Featureless) avec deux stratégies d'entraînement afin d'évaluer le potentiel de généralisation des modèles. La stratégie Exclusive entraînait les modèles en utilisant des données provenant de toutes les images sauf celle à classifier, tandis que la stratégie Inclusive incluait des données de l'image en cours de classification. Enfin, les variables les plus pertinentes pour la performance du modèle ont été sélectionnées. Les résultats indiquent que le modèle Random Forest avec la stratégie d'entraînement Inclusive et l'utilisation de variables d'entrée provenant de plusieurs échelles (valeur de pixel Skysat, valeur moyenne sur 3 m autour des pixels Skysat, valeurs des pixels Landsat, etc.) offre la meilleure performance. Cette étude suggère d'utiliser la stratégie d'entraînement Exclusive uniquement dans les contextes où la caractérisation des patrons de brûlage doit être réalisée dans un délai trop court pour permettre l'acquisition de nouvelles données d'entraînement. / Harvesting burned wood is a common practice in Quebec after forest fires to minimize economic losses. However, the recovery of woody material must be carried out within the first two years following the disturbance to limit wood degradation. To plan the harvest, a rapid characterization of burn patterns must be conducted using sufficiently high-resolution satellite images for operational planning. The objective of this project was to develop a classification model using high-resolution images (50 cm) to distinguish between areas affected by fire and those that are not, and more specifically, to differentiate between varying levels of burn severity. Four Skysat images were used to calculate indices and collect training data. Indices were also calculated from Landsat images. Three types of models were compared (k-NN, Random Forest, and Featureless) with two training strategies to assess the generalization potential of the models. The Exclusive strategy trained models using data from all images except the one being classified, while the Inclusive strategy included data from the image being classified. Finally, the most relevant variables for model performance were selected. Results indicate that the Random Forest model with the Inclusive training strategy and the use of input variables from multiple scales (value of Skysat pixels, mean value within 3 m around Skysat pixels, values of Landsat pixels, etc.) offered the best performance. This study suggests using the Exclusive training strategy only in contexts where the characterization of burn patterns must be carried out in a timeframe too short for acquiring new training data.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/154123 |
| Date | 14 November 2024 |
| Creators | Thibault, Gabrielle |
| Contributors | Achim, Alexis |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (x, 52 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0022 seconds