Grant: CCI Applied Research and Development Grants
Cégep de Chicoutimi
$39,675.00
Suivi des espèces floristiques exotiques envahissantes à l'aide de l'imagerie par drones et l'apprentissage profond
EF 2023-24
Résumé
Les espèces floristiques exotiques envahissantes (EFEE) posent un sérieux défi pour la biodiversité et les écosystèmes. Leur gestion efficace nécessite un inventaire précis, souvent limité par les méthodes traditionnelles basées sur l'observation directe. La télédétection, en particulier via l'imagerie par drones, émerge comme une solution prometteuse, offrant une couverture étendue, l'accès à des milieux parfois difficiles d'accès. Bien que des études aient démontré l'utilité de l'imagerie satellitaire pour ce type de suivi, cette dernière offre des résolutions spatiales plus grossières qui ne permettent pas la détection de colonies d'EFEE émergentes plus petites et est parfois limitée par la présence de nuages.
Afin de détecter automatiquement la présence d'EFEE sur les images, diverses techniques d'apprentissage automatique ont été utilisées par le passé. Les méthodes classiques de types machines à vecteurs de support, les forêts aléatoires ou les réseaux neuronaux artificiels ont été utilisés, mais présentent des résultats très variables. Les nouvelles méthodes d'apprentissage profond basées sur les réseaux de neuronnes à convolution (CNN) se sont avéré particulièrement performants pour ce type de tâches, toutefois peu d'études ont porté sur le suivi des EFEE au Québec et à notre connaissance aucune n'a utilisé l'imagerie multispectrale utilisant la portion proche infrarouge du spectre qui est sensible à la vigueur de la végétation.
La proposition actuelle vise à exploiter l'apprentissage profond pour la détection des EFEE à partir de l'imagerie par drones. Les objectifs incluent le développement de méthodes avancées de détection, l'optimisation des paramètres de collecte de données (résolution, bandes spectrales, période optimale) et la mise en œuvre d'un système de géolocalisation automatisé des EFEE. Cette approche innovante combine la photogrammétrie et les CNN pour une analyse automatisée et précise via des images multispectrales.
Ce projet, en collaboration avec la Ville de Québec, vise à améliorer la gestion des espaces naturels et urbains. Il s'intègre dans un effort plus large pour préserver l'équilibre écologique, en fournissant des outils efficaces pour le suivi et la gestion des EFEE. Cette initiative représente une avancée significative dans la lutte contre les espèces envahissantes, cruciale pour la protection de l'environnement et la santé des écosystèmes.
Programme
CCI Applied Research and Development Grants
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
CCARD-2023-00678
Name nom
Duguay, Yannick
Department département
Centre de géomatique du Québec - Cégep de Chicoutimi
Organization id
28439
Institution établissement
Cégep de Chicoutimi
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2023
Award amount
39675
Program id
CCARD
Program name en
CCI Applied Research and Development Grants
Program name fr
ICC Subventions de recherche et développement appliquée
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Area of application code
10000
Area of application group en
The socioeconomic objective available
Area of application group fr
L'objectif socioéconomique disponible
Area of application en
The socioeconomic objective available
Area of application fr
L'objectif socioéconomique disponible
Research subject code
10000
Research subject group en
The field of research available
Research subject group fr
The field of research available
Research subject en
Le domaine de recherche disponible
Research subject fr
Le domaine de recherche disponible
Field of research list codes
RDF2080204
Field of research list names en
Remote sensing in geomatics and photogrammetry
Field of research list names fr
Télédétection en géomatique et photogrammétrie
Socioeconomic objective list codes
RDS10204
Socioeconomic objective list names en
Control of pests, diseases and exotic species
Socioeconomic objective list names fr
Lutte contre les ravageurs, les maladies et les espèces exotiques
Application title
Suivi des espèces floristiques exotiques envahissantes à l'aide de l'imagerie par drones et l'apprentissage profond
Keyword
Télédétection; Imagerie par drones; Apprentissage profond; Vision par ordinateur; Biodiversité; Espèces floristiques exotiques envahissantes
Application summary
Les espèces floristiques exotiques envahissantes (EFEE) posent un sérieux défi pour la biodiversité et les écosystèmes. Leur gestion efficace nécessite un inventaire précis, souvent limité par les méthodes traditionnelles basées sur l'observation directe. La télédétection, en particulier via l'imagerie par drones, émerge comme une solution prometteuse, offrant une couverture étendue, l'accès à des milieux parfois difficiles d'accès. Bien que des études aient démontré l'utilité de l'imagerie satellitaire pour ce type de suivi, cette dernière offre des résolutions spatiales plus grossières qui ne permettent pas la détection de colonies d'EFEE émergentes plus petites et est parfois limitée par la présence de nuages.
Afin de détecter automatiquement la présence d'EFEE sur les images, diverses techniques d'apprentissage automatique ont été utilisées par le passé. Les méthodes classiques de types machines à vecteurs de support, les forêts aléatoires ou les réseaux neuronaux artificiels ont été utilisés, mais présentent des résultats très variables. Les nouvelles méthodes d'apprentissage profond basées sur les réseaux de neuronnes à convolution (CNN) se sont avéré particulièrement performants pour ce type de tâches, toutefois peu d'études ont porté sur le suivi des EFEE au Québec et à notre connaissance aucune n'a utilisé l'imagerie multispectrale utilisant la portion proche infrarouge du spectre qui est sensible à la vigueur de la végétation.
La proposition actuelle vise à exploiter l'apprentissage profond pour la détection des EFEE à partir de l'imagerie par drones. Les objectifs incluent le développement de méthodes avancées de détection, l'optimisation des paramètres de collecte de données (résolution, bandes spectrales, période optimale) et la mise en œuvre d'un système de géolocalisation automatisé des EFEE. Cette approche innovante combine la photogrammétrie et les CNN pour une analyse automatisée et précise via des images multispectrales.
Ce projet, en collaboration avec la Ville de Québec, vise à améliorer la gestion des espaces naturels et urbains. Il s'intègre dans un effort plus large pour préserver l'équilibre écologique, en fournissant des outils efficaces pour le suivi et la gestion des EFEE. Cette initiative représente une avancée significative dans la lutte contre les espèces envahissantes, cruciale pour la protection de l'environnement et la santé des écosystèmes.