_ca.png){kind=link}
_ca.png){kind=link}
Deep Learning pour la classification des cultures à partir de données satellites multi-sources Ce projet vise à développer un modèle d’apprentissage profond (Deep Learning) capable d’identifier automatiquement les types de cultures agricoles (comme le blé, le riz ou le soja) à partir d’images satellites. La surveillance des cultures à grande échelle est essentielle pour la gestion agricole, l’évaluation de la sécurité alimentaire et le suivi de l’environnement.
Les images satellites, notamment celles du satellite Sentinel-2, permettent d’observer les champs agricoles à différents moments de la saison de croissance. Ces séries temporelles d’images capturent l’évolution de la végétation au fil du temps, ce qui aide à distinguer les différentes cultures en fonction de leur cycle de croissance.
Dans ce projet, un modèle hybride combinant réseaux de neurones convolutionnels (CNN) et Transformers sera utilisé. Les CNN servent à extraire les caractéristiques spatiales des images, tandis que les Transformers permettent d’analyser les dépendances temporelles entre les observations successives.
L’objectif principal est de reproduire et d’analyser une méthode proposée dans un article scientifique portant sur un réseau CNN-Transformer léger pour la cartographie des cultures à partir d’images Sentinel-2. Le projet comprend plusieurs étapes : l’analyse de la littérature scientifique, l’acquisition et l’exploration des données, le prétraitement des images satellites (filtrage des nuages, interpolation temporelle, normalisation et calcul d’indices de végétation), puis l’implémentation et l’entraînement du modèle.
Enfin, les performances du modèle seront évaluées à l’aide de métriques de classification afin de mesurer sa capacité à identifier correctement les différentes cultures et à comparer les résultats obtenus avec ceux présentés dans l’article scientifique. L’étude pourra également explorer l’impact de l’ajout de données environnementales supplémentaires (climat, sol, topographie) pour améliorer la précision de la classification.