| Titre : | Benchmark of FoundationModels for Hyperspectral Imaging : Applications in CropMapping |
| Auteurs : | ELBARZ Walid, Auteur ; HAJJI Hicham, Auteur ; ID-RAIS Abderrahim, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2025 |
| Format : | 116 |
| Langues: | Français |
| Mots-clés: | Crop mapping ; Foundation Models ; Hyperspectral images ; Remote sensing ; Agriculture . |
| Résumé : |
Les images hyperspectrales représentent aujourd’hui un type prometteur de données d’observation
de la Terre (par exemple, issues de satellites), avec de nombreuses applications, notamment en agriculture. Elles ont largement contribué à l’élaboration de bibliothèques spectrales facilitant la cartographie de cultures grâce à leur haute résolution spectrale. Cependant, leur forte dimensionnalité pose un défi majeur, pouvant entraîner surapprentissage et baisse de performance des modèles statistiques. Les méthodes d’apprentissage profond apportent des solutions prometteuses, mais manquent encore de généralisabilité. Dans ce contexte, les modèles fondamentaux géospatiaux (type GPT, préentraînés sur de vastes corpus) offrent une solution grâce à leur capacité à apprendre des représentations visuelles générales via l’apprentissage auto-supervisé. Cependant, leurs performances n’ont été démontrées que sur des jeux de données de référence, souvent éloignés des conditions réelles. De plus, aucune comparaison directe n’a été menée entre ces modèles appliqués à l’hyperspectral. Cette recherche traite ces deux points. L’objectif est de comparer différents modèles fondamentaux appliqués à l’imagerie hyperspectrale dans un contexte réel de classification des cultures. Les modèles choisis sont : HyperSigma, DOFA (Domain-Oriented Foundation Architecture), et des transformeurs visuels préentraînés sur le jeu SpectralEarth—conçu pour l’entraînement de tels modèles. Le benchmark principal a été réalisé sur deux zones agricoles en Belgique, via une classification multi-étiquette au niveau pixel. Le jeu de données, initialement conçu pour l’identification au niveau des parcelles, a été adapté au niveau pixel. L’évaluation a révélé de faibles performances sur les deux zones, dues à une fuite de données probable causée par chevauchement ou proximité spatiale entre parcelles d’entraînement et de test. Ce résultat souligne l’importance d’une séparation spatiale stricte lors de la conversion vers l’apprentissage pixel-wise. Pour évaluer le transfert entre domaines, les modèles ont été testés sur une zone agricole distincte auMaroc, observée par le capteur PRISMA. Ce test secondaire visait à évaluer la généralisation à travers capteurs et zones géographiques. Les résultats montrent qu’HyperSigma et DOFA ont obtenu des précisions globales de 41% et 63%, révélant une généralisabilité limitée. En revanche, les transformeurs préentraînés sur SpectralEarth ont atteint 94%. Une version réduite entraînée depuis zéro a obtenu 92%, soulignant l’importance de l’architecture et de la stratégie d’entraînement par rapport à la taille du modèle. Ces résultatsmettent en lumière les limites actuelles de l’adaptation des modèles fondamentaux à la classification hyperspectrale multi-étiquette au niveau pixel, tout en illustrant le potentiel du pré-entraînement à grande échelle pour des applications agricoles réelles. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/ELBARZ_Walid_2025.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041733 | 10561 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
