Publications du Service canadien des forêts

A Machine Learning Approach to Waterbody Segmentation in Thermal Infrared Imagery in Support of Tactical Wildfire Mapping. Oliver, J.A., Pivot, F.C., Tan, Q., Cantin, A.S., Wooster, M.J., Johnston, J.M., Remote Sens. (2022) 14, 2262.

Année : 2022

Disponible au : Centre de foresterie des Grands Lacs

Numéro de catalogue : 40707

La langue : Anglais

Disponibilité : PDF (télécharger)

Disponible sur le site Web de la revue ou du journal.
DOI : https://doi.org/10.3390/ rs14092262

† Ce site peut exiger des frais.

Sélectionner

Résumé en langage clair et simple

Lorsque nous cartographions des incendies de forêt par imagerie infrarouge effectuée lors de vols d’avions de nuit, les plans d’eau sont en réalité plus chauds que la terre. Cette situation cause des problèmes lorsqu’il s’agit de détecter des foyers de combustion couvante, et il est nécessaire de procéder à un dépistage manuel des données fait par l’homme. L’objectif de cette étude était de détecter et de cartographier des plans d’eau grâce aux données IR aéroportées lors de vols de nuit en utilisant l’intelligence artificielle afin d’améliorer l’exactitude et l’efficacité des opérations de cartographie tactiques. Dans la présente étude, nous avons utilisé des données IR aéroportées des feux de forêt recueillies par le SCF et les chercheurs du RU du nord-ouest de l’Ontario, et nous avons formé une série de modèles de IA pour reconnaître les plans d’eau et les cartographier. Nous avons trouvé plusieurs approches fiables, de préférence le modèle de forêt d’arbres décisionnels. Les constatations sont importantes pour ce qui est d’améliorer la qualité, l’efficacité et les ressources humaines du service de TorchLight. Il existe possiblement d’autres implications en ce qui concerne l’utilisation de l’imagerie infrarouge en vue de cartographier avec précision les plans d’eau pour d’autres applications (p. ex., le niveau de l’eau ou la cartographie des inondations).