Comparaison de méthodes de détection de chemins forestiers à partir d’imagerie satellitaire (Sentinel-2) : apprentissage automatique vs profond. CERFO. Technote. 2021-03. 5 pages

À ce jour, les données géospatiales sur les chemins forestiers récents sont mises à jour ponctuellement par photo-interprétation ou par tracés GNSS. Cette donnée est cependant imprécise due aux limites de techniques de photo-interprétation (échelle d’analyse, donnée utilisée, subjectivité, etc.) ou la qualité du système GNSS. La donnée est sous forme linéaire et n’apporte pas d’informations sur la largeur des chemins forestiers. Cette information est nécessaire à la préparation des travaux de préparation de terrain pour identifier des chevauchements avec les polygones de planification. La composition des chemins forestiers récents (matériel fin compacté) les fait très bien ressortir sur les images satellitaires. Plusieurs approches existent et ont le potentiel de détecter les chemins forestiers. Des méthodes d’apprentissage automatique (random forest – RF) et profond (CNN) ont été comparées en utilisant de l’imagerie satellitaire Sentinel-2. Alors que l’approche RF se montre très capable d’identifier des pixels de chemin forestier (12.1% d’omission), sa sensibilité à la présence de sol dénudé cause beaucoup d’erreur de commission (85.7%). L’approche CNN quant a elle se montre très performante avec très peu d’omission (0.5%) et beaucoup moins de commission (3.9%) que l’approche RF. Le modèle CNN a été inclus dans une interface graphique permettant une utilisation simplifiée de la méthode. Les chemins détectés permettent de nettoyer les polygones de planifications. L’utilisation d’images à plus fine résolution ou l’utilisation d’algorithmes de super-résolution serait intéressante pour améliorer la résolution des détections.

Pour accéder à la technote :  Technote_NordCotiere_2021-03.pdf