Détection automatique des mammifères des savanes africaines et suivi des transhumants par images satellites
Dethier, Hugues
Promotor(s) : Lejeune, Philippe ; Delplanque, Alexandre
Date of defense : 22-Aug-2024 • Permalink : http://hdl.handle.net/2268.2/21443
Details
Title : | Détection automatique des mammifères des savanes africaines et suivi des transhumants par images satellites |
Translated title : | [en] Automatic detection of mammals in African savannas and monitoring of transhumant herders using satellite images |
Author : | Dethier, Hugues |
Date of defense : | 22-Aug-2024 |
Advisor(s) : | Lejeune, Philippe
Delplanque, Alexandre |
Committee's member(s) : | Vermeulen, Cédric
Brostaux, Yves Lhoest, Simon |
Language : | French |
Number of pages : | 60 |
Keywords : | [en] Deep Learning [en] convolutional neural network [en] animal detection [en] transhumance [en] satellite imagery [en] wildlife monitoring [en] savanna [en] sub-Saharan Africa [fr] Réseaux de neurones convolutifs [fr] détection d’animaux [fr] transhumance [fr] images satellites [fr] suivi de la faune sauvage [fr] savanes [fr] Afrique subsaharienne |
Discipline(s) : | Life sciences > Environmental sciences & ecology |
Target public : | Student |
Institution(s) : | Université de Liège, Liège, Belgique |
Degree: | Master en bioingénieur : gestion des forêts et des espaces naturels, à finalité spécialisée |
Faculty: | Master thesis of the Gembloux Agro-Bio Tech (GxABT) |
Abstract
[fr] Dans le contexte de la crise biologique actuelle, il est nécessaire d'estimer la biodiversité et ses
tendances afin de vérifier l'efficacité des moyens de gestion mis en place. Dans les savanes africaines, différentes méthodes de suivi existent, chacune avec ses avantages et inconvénients. Les avancées dans les domaines de l'intelligence artificielle et des images satellites à haute (1-5m) et très haute (<1m) résolution ouvrent de nouvelles possibilités pour le suivi des mammifères sauvages et des activités humaines au sein des milieux ouverts.
Les objectifs de ce travail sont (1) de développer un modèle de réseau de neurones convolutif
(Convolutional Neural Network - CNN) permettant de détecter les grands mammifères des savanes africaines à partir d'images satellites à très haute résolution (VHR), et (2) de comparer les résultats de l'analyse d'une image satellite VHR avec ceux d'un inventaire aérien pour le suivi des mammifères. Par ailleurs, une tentative de détection de nouveaux chemins de transhumances sur base d’images satellites à haute résolution a été réalisée (3).
Pour ce faire, différentes images Pléiades NEO (0,3m/pixel) ont été annotées afin de constituer une base de données pour l'entraînement d'un modèle (HerdNetSat) issu d'un précédent modèle
(HerdNet) de détection et d'identification. Par ailleurs, un inventaire aérien a été réalisé au sein du parc national de Zakouma (Tchad) afin d'obtenir une base de comparaison pour le suivi. Enfin, un test Contextual Mann-Kendall (CMK) a été appliqué sur 21 images satellites PlanetScope dans une zone présentant le passage de transhumants au Tchad. HerdNetSat parvient à détecter 32 % des animaux annotés avec une précision de 26,3%, et l'analyse de l'image satellite ne permet pas d'obtenir des résultats fiables comparés à l'inventaire aérien.
HerdNetSat présente de moins bonnes performances que les modèles présents dans la littérature, mais pourrait permettre de réduire la surface des images à analyser de 52%. Cependant, différentes pistes d'amélioration existent pour augmenter les performances de ce nouveau modèle. Concernant l'analyse des images satellites pour le suivi de la faune, le développement de satellites présentant une meilleure résolution pourrait permettre d'obtenir de meilleurs résultats, notamment si les images peuvent être acquises à des heures précises. Enfin, la tentative de détection du passage de transhumants n’a pas abouti.
[en] In the context of the current biological crisis, it is necessary to estimate biodiversity and its trends to verify the effectiveness of the management measures put in place. In the African savannas, various monitoring methods exist, each with its advantages and disadvantages. Advances in artificial intelligence and high (1-5m) and very high (<1m) resolution satellite images are opening up new possibilities for monitoring wild mammals and human activities in open areas.
The objectives of this work are (1) to develop a convolutional neural network (CNN) model to detect large mammals in the African savannas using very high resolution (VHR) satellite images, and (1) to compare the results of the analysis of a VHR satellite image with those of an aerial survey for mammal monitoring. An attempt was also made to detect new transhumance passages using high-resolution satellite images (3). To achieve this, various Pleiades NEO images (0.3m/pixel) were annotated to form a database for training a model (HerdNetSat) derived from a previous detection and identification model (HerdNet). Additionally, an aerial survey was carried out in Zakouma National Park (Chad) to provide a basis for comparison for monitoring purposes. Finally, a Contextual Mann-Kendall (CMK) test was performed on 21 PlanetScope satellite images in an area with transhumant passage in Chad.
HerdNetSat was able to detect 32% of the annotated animals with a precision of 26.3%, and the analysis of the satellite image did not provide reliable results compared with the aerial inventory. Compared to the models in the literature, HerdNetSat performs worse, but could reduce the area of images to be analyzed by 52%. However, there are various ways of improving the performance of this new model. With regard to the analysis of satellite images for wildlife monitoring, the development of satellites with better resolution could make it possible to obtain more accurate results, particularly if the images can be acquired at precise times. Finally, the attempt to detect transhumance was unsuccessful.
File(s)
Document(s)
Cite this master thesis
The University of Liège does not guarantee the scientific quality of these students' works or the accuracy of all the information they contain.