Item – Theses Canada

​
OCLC number
299224364
Author
Migolet, Pierre,1977-
Title
Utilisation des réseaux de neurones pour la cartographie par krigeage de la biomasse aérienne forestière à partir des données de l'image satellitaire IKONOS et géospatiales multisources
Degree
Thèse (M. Sc. F.)--Université de Moncton, 2007.
Publisher
Ottawa : Library and Archives Canada = Bibliothèque et Archives Canada, [2008]
Description
2 microfiches
Notes
Comprend des références bibliographiques
Abstract
Ce projet vise à développer un modèle d'estimation et de cartographie de la biomasse aérienne forestière à partir des données de télédétection et/ou environnementales. Plusieurs études axées sur l'estimation et la cartographie de la biomasse aérienne forestière au Canada sont réalisées en tenant compte des recommandations de ce projet. La présente étude vise à cartographier par krigeage la biomasse aérienne forestière estimée avec les réseaux de neurones à partir des données de télédétection et géospatiales. L'extraction des différentes variables indépendantes de l'étude a d'abord été effectuée sur les images satellitaires Ikonos et les cartes matricielles supports des données géospatiales. Ces variables indépendantes étaient constituées des données de télédétection représentées par les groupes d'espèces classifiées, des indices de végétation (NDV1: 'normalised difference vegetation index,' TSAVI: ' transformed soil adjusted vegetation' index, etc.) et de texture (homogénéité, entropie, etc.). Les données géospatiales considérées dans cette étude étaient composées notamment du MNA (modèle numérique d'altitude) et ses dérivés (pente et orientation de la pente), le sol, le drainage et les précipitations. Les groupes d'espèces de l'étude étaient représentés par les épinettes noire ('Picea mariana' (Mill.) B.S.P) et blanche ('Picea glauca' (Moench) Voss.), le sapin baumier ('Abies balsamea' (L.) Mill.), les autres résineux, les feuillus tolérants et intolérants. Après l'extraction des données, les biomasses aériennes forestières des placettes échantillons de terrain ont été estimées par groupe d'espèces avec les équations de Ker et Lambert. Les régressions multiples linéaires, quadratiques et cubiques ont ensuite été effectuées par groupe d'espèces entre la biomasse aérienne forestière estimée et les variables indépendantes. Les régressions multiples quadratiques réalisées en considérant les biomasses estimées avec les équations de Ker ont fourni les meilleurs coefficients de détermination (R 2) de l'ordre de 0,67 à 1 pour tous les groupes d'espèces. Les réseaux de neurones ont aussi été formés à partir des variables utilisées lors des régressions multiples. Les résultats ont montré que le réseau de neurones Perceptron multicouches associé à l'algorithme ' back propagation' était le plus performant, donnant ainsi des ratios d'écarts types (écart-type d'erreur de prédiction/écart-type des données de référence) inférieurs ou égaux à 0,1 et 1, respectivement pour la vérification et l'entraînement, sur les prédictions de biomasses. Les biomasses des placettes échantillons de validation issues des réseaux de neurones au cours de leur formation et celles des régressions multiples ont respectivement été confrontées aux biomasses de terrain estimées. Les réseaux de neurones ont présenté les meilleurs RMSE ('Root Mean Square Error') (oscillant entre 0,007 et 0,02) et erreurs résiduelles (comprises entre 0,03 et 0,11 en valeur absolue). Les biomasses des pixels échantillons générés aléatoirement par groupe d'espèces sur la zone d'étude ont par la suite été prédites avec les réseaux de neurones correspondants à partir des variables indépendantes. La cartographie par krigeage ordinaire de la biomasse aérienne forestière de chaque groupe d'espèces, en utilisant cinq modèles de variogrammes différents, a ensuite été effectuée (à l'intérieur de polygones homogènes) à partir des biomasses prédites avec les réseaux de neurones. La cartographie par krigeage avec le variogramme gaussien comparativement aux autres modèles a été retenue dans cette étude pour tous les groupes d'espèces pour ses meilleurs résultats d'erreurs résiduelles (variant entre 2,6 et 8,9% en valeur absolue) et de RMSE (situés entre 17.2 et 61.1%). L'image classifiée de chaque groupe d'espèces a ensuite été convertie en valeurs binaires et celle-ci a été superposée comme masque à la carte matricielle de biomasse correspondante obtenue par krigeage. Les cinq cartes masquées ont enfin été fusionnées pour produire la carte de biomasse de la zone d'étude. (Abstract shortened by UMI.)
ISBN
9780494365052
0494365056