Dead Trees Detection Based on Machine Learning and Remote Sensing / Manelle Benarbia  

Public ISBD Titre : Dead Trees Detection Based on Machine Learning and Remote Sensing Type de document : texte imprimé Auteurs : Manelle Benarbia, Auteur ; Nabila Chergui, Auteur Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (51 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection  Artificial Intelligence  Machine Learning  Deep Learning  Remote Sensing  Vegetation Indices  Classification  Détection des arbres morts  Intelligence Artificielle  Apprentissage Automatique  Apprentissage Approfondu  télédétection  Indices de Vegetations Index. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing holds significance in efficient and scalable monitoring, early disturbance detection, assessing ecosystem health, managing resources, and planning conservation efforts. This approach facilitates timely interventions, enhances forest management practices, and contributes to environmental monitoring, ensuring the sustainability and resilience of forest ecosystems. In this thesis, we focus on classifying dead trees using remote sensing images obtained from the Sentinel 2 satellite and Vegetation Indices (VIS). We initially extracted three VIs: the Normalised Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil Adjusted Vegetation Index. Subsequently, we selected three prominent classification algorithms for Machine Learning (ML): Decision Tree (DT), Random Forest (RF), and Support Vector Machine (SVM). Additionally, we compared their performances with the Deep Learning Neural Network (DNN). Notably, the Random Forest algorithm attained the highest accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la télédétection revêt une grande importance pour une surveillance efficace et évolutive, la détection précoce des perturbations, l’évaluation de la santé des écosystèmes, la gestion des ressources et la planification de la conservation. Elle permet des interventions rapides, améliore les pratiques de gestion forestière et contribue aux efforts de surveillance environnementale, garantissant ainsi la durabilité et la résilience des écosystèmes forestiers. Dans ce mémoire, nous avons classifié les arbres morts en utilisant des images de télédétection acquises à partir du satellite Sentinel 2 et desindices de végétation (VIS). Nous avons tout d’abord extrait trois indices de végétation, à savoir l’indice de végétation par différence normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des principaux algorithmes d’apprentissage automatique pour effectuer la classificationarbres de décision (DT), les forêts aléatoires (RF), les machines à vecteurs de support (SVM) en plus du réseau de neurons (DNN). Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu la meilleure précision dans la classification des arbres morts, atteignant une précision de 0,73. Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : pdf Dead Trees Detection Based on Machine Learning and Remote Sensing [texte imprimé] / Manelle Benarbia, Auteur ; Nabila Chergui, Auteur . - [S.l.] : Setif:UFA, 2023 . - 1 vol (51 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Dead tree detection  Artificial Intelligence  Machine Learning  Deep Learning  Remote Sensing  Vegetation Indices  Classification  Détection des arbres morts  Intelligence Artificielle  Apprentissage Automatique  Apprentissage Approfondu  télédétection  Indices de Vegetations Index. décimale : 004 - Informatique Résumé : Dead tree detection utilising machine learning and remote sensing holds significance in efficient and scalable monitoring, early disturbance detection, assessing ecosystem health, managing resources, and planning conservation efforts. This approach facilitates timely interventions, enhances forest management practices, and contributes to environmental monitoring, ensuring the sustainability and resilience of forest ecosystems. In this thesis, we focus on classifying dead trees using remote sensing images obtained from the Sentinel 2 satellite and Vegetation Indices (VIS). We initially extracted three VIs: the Normalised Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI2), and the Soil Adjusted Vegetation Index. Subsequently, we selected three prominent classification algorithms for Machine Learning (ML): Decision Tree (DT), Random Forest (RF), and Support Vector Machine (SVM). Additionally, we compared their performances with the Deep Learning Neural Network (DNN). Notably, the Random Forest algorithm attained the highest accuracy in dead tree classification, achieving an accuracy of 0.73 = La détection des arbres morts basée sur l’intelligence artificielle et la télédétection revêt une grande importance pour une surveillance efficace et évolutive, la détection précoce des perturbations, l’évaluation de la santé des écosystèmes, la gestion des ressources et la planification de la conservation. Elle permet des interventions rapides, améliore les pratiques de gestion forestière et contribue aux efforts de surveillance environnementale, garantissant ainsi la durabilité et la résilience des écosystèmes forestiers. Dans ce mémoire, nous avons classifié les arbres morts en utilisant des images de télédétection acquises à partir du satellite Sentinel 2 et desindices de végétation (VIS). Nous avons tout d’abord extrait trois indices de végétation, à savoir l’indice de végétation par différence normalisée (NDVI), l’indice de végétation amélioré (EVI2) et l’indice devégétation ajusté au sol. Ensuite, nous avons sélectionné trois des principaux algorithmes d’apprentissage automatique pour effectuer la classificationarbres de décision (DT), les forêts aléatoires (RF), les machines à vecteurs de support (SVM) en plus du réseau de neurons (DNN). Les résultats ont montré que l’algorithme de forêt aléatoire a obtenu la meilleure précision dans la classification des arbres morts, atteignant une précision de 0,73. Côte titre : MAI/0755 En ligne : https://drive.google.com/file/d/1pK3ThW0ig-RHAQLEFvJNh0fkEU6fBSzZ/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0755	MAI/0755	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)