|
Résumé :
|
La délimitation précise des parcelles est cruciale pour une gestion foncière efficace et durable dans les contextes agricoles, urbains et périurbains. Elle soutient les politiques agricoles, optimise la planification urbaine, contribue à la gestion des ressources naturelles et à la sécurité alimentaire, et aide à réduire les impacts environnementaux. Les méthodes traditionnelles d'extraction de caractéristiques, basées sur des règles manuelles, sont longues, fastidieuses et sujettes à des erreurs humaines, rendant ces techniques inadéquates pour les exigences actuelles de segmentation d'image. Les techniques conventionnelles bien que simples et claires, montrent leurs limites en raison de leur sensibilité au bruit et de leurs segmentations souvent incomplètes. L'émergence des modèles de deep learning (DL) offre de nouvelles possibilités, permettant de mieux capturer les informations sémantiques des images. Il est donc essentiel d'évaluer les avantages et les limites de ces méthodes pour la délimitation des parcelles dans divers contextes environnementaux.Notre projet vise à évaluer les performances des modèles de segmentation UNet, TransUNet et DeepLabV3+ à travers une analyse quantitative et qualitative. Nous entraînons ces modèles sur des données rurales et urbaines pour tester leur capacité de généralisation sur des zones périurbaines. Le projet se déroule en trois étapes : la création d'un jeu de données annotées, l'entraînement des modèles, et la comparaison de leurs performances.Les résultats montrent que le modèle UNet (Rural) se distingue par sa capacité à généraliser et à fournir des résultats précis avec une perte de test de 0.45496, une précision de 79.85%, un coefficient de Dice de 77.48%, une précision de 84.08%, un rappel de 76.24%, un score F1 de 80.12%, et un IoU de 64.41%. En comparaison,Dans les milieux urbains, DeepLabV3+ (Urbain) montre des performances plus faibles avec une perte de test de 0.61091, une précision de 53.84%, un coefficient de Dice de 57.22%, une précision de 67.39%, un rappel de 46.52%, un score F1 de 55.67%, et un IoU de 40.34%.Le modèle TransUNet, bien qu'efficace, a des performances moindres en raison des contraintes liées aux Transformers. Lors de l'évaluation sur des données périurbaines, le modèle UNet, entraîné sur des données rurales contenant des informations infrarouges, s'est révélé plus performant que celui entraîné sur des données urbaines, en partie à cause de la quantité de données disponibles, qui était moins volumineuse pour les données urbaines. En comparaison avec DeepLabV3+ qui utilise une seule bande, ces résultats soulignent l'importance de la diversité et de la richesse des données d'entraînement ainsi que des informations supplémentaires fournies par la bande infrarouge. En conclusion, UNet (entraîné sur des données rurales) montre une meilleure capacité à généraliser et à fournir des résultats précis dans divers environnements, notamment les zones périurbaines.
|
