W Ildfire F Inal B Urned A Rea E Stimation U Sing E Nhanced U-n Et A Rchitectures : N Ew D Eep L Earning A Pproachs

Résumé: Les incendies de forêt représentent une menace environnementale et économique significative, né- cessitant des méthodes avancées pour la prédiction précise et l’évaluation des dommages. L’apprentissage profond a démontré des capacités remarquables dans de nombreux domaines, y compris la gestion des incendies de forêt, principalement en raison de sa capacité à automatiser et améliorer les processus de prédiction. Les recherches antérieures ont montré des limites en raison de la complexité du phénomène et de la nature des données. Dans cette thèse, nous présentons nos contributions à l’amélioration de la prédiction de la super- ficie finale brûlée des incendies de forêt grâce à l’intégration de techniques d’apprentissage profond, en particulier les architectures U-Net. Nous avons mené une étude comparative pour évaluer différentes architectures U-Net, y compris U-Net standard, U-Net++, et Dense U-Net, sur l’ensemble de données de prédiction de la super- ficie finale brûlée Mesogeos. Dense U-Net a surpassé les autres, démontrant sa robustesse dans le traitement des données complexes des incendies de forêt. Par la suite, Dense U-Net a été utilisé pour créer deux modèles améliorés. Le premier modèle a amélioré Dense U-Net en utilisant une approche de régularisation, fournissant des estimations détaillées de la superficie brûlée, tandis que le deuxième modèle a incorporé un module de raffinement pour améliorer la précision de la seg- mentation de la superficie brûlée. Les deux modèles ont montré des améliorations significatives par rapport aux études précédentes. Nos recherches ont exploré divers défis, y compris la complexité des données et le déséquilibre, contribuant au développement d’outils plus efficaces pour la gestion des incendies de forêt.

Publié dans la revue: