L'imagerie satellitaire hyperspectrale détecte les feux de forêt

Ces dernières années, le changement climatique et d'autres problèmes environnementaux liés à l'activité humaine ont suscité un intérêt considérable dans la littérature scientifique. Historiquement, la détection des feux de forêt reposait principalement sur la surveillance de vastes zones depuis des tours d'observation et sur l'utilisation d'appareils simples tels que des détecteurs d'incendie. Cependant, cette méthode manquait de précision et son efficacité pouvait être affectée par la fatigue accumulée lors de longues périodes d'observation. Par ailleurs, les capteurs alternatifs utilisés pour détecter les gaz, les flammes, la fumée et les émissions de chaleur nécessitent généralement des temps de mesure prolongés. De plus, en raison de leur portée limitée, seuls un grand nombre de capteurs peuvent couvrir de vastes zones. Le développement rapide des technologies de reconnaissance de cibles, d'apprentissage profond et de télédétection nous a offert de nouvelles méthodes pour localiser et suivre les feux de forêt.

1. Principales classifications techniques

Les technologies actuellement largement utilisées peuvent être classées en trois grandes catégories, capables d'identifier ou d'observer les feux actifs ou la fumée en temps réel ou quasi réel : les systèmes terrestres, aéroportés et satellitaires. Ces technologies sont généralement associées à des capteurs de lumière visible, infrarouges, multispectraux ou hyperspectraux ; une fois les données collectées, elles peuvent être traitées à l'aide d'algorithmes d'intelligence artificielle (IA) appropriés (généralement des méthodes d'apprentissage automatique). Ces technologies s'appuient sur l'extraction de caractéristiques définies par l'humain ou sur des méthodes d'IA performantes pour détecter les feux de forêt à leurs débuts et simuler le comportement de la fumée et du feu. Différents types de méthodes de détection des incendies sont illustrés dans la figure 1.

Figure 1. Méthodes de détection d'incendie

Ces dernières années, de nombreuses recherches ont été menées pour identifier les feux de forêt grâce à l'imagerie satellitaire, notamment en raison du grand nombre de satellites lancés et de la baisse des coûts qui en découle. Plus précisément, une série de satellites d'observation de la Terre (OT) a été développée (par exemple, Planet). Les satellites sont généralement classés selon leur orbite, chaque catégorie présentant ses propres avantages et inconvénients. Le tableau 1 répertorie les principales catégories.

Tableau 1. Catégories de satellites

La plupart des satellites en orbite géostationnaire (GEO) placés sur des orbites polaires basses héliosynchrones disposent d'estimations précises d'altitude et d'inclinaison afin de garantir que les engins spatiaux observent la même scène sous le même angle d'incidence du soleil à chaque passage, et que les ombres soient identiques à chaque survol. Les données des satellites héliosynchrones présentent une haute résolution spatiale mais une faible résolution temporelle (LandSat-7/8 a un cycle de répétition de 8 jours, tandis que Sentinel 2A/2B a un cycle de répétition de 2 à 3 jours aux latitudes moyennes), tandis que les satellites GEO ont une résolution spatiale plus faible mais une résolution temporelle plus élevée. Par conséquent, ils ne sont pas efficaces pour la détection en temps réel des feux de forêt actifs ; ils sont en revanche plus adaptés à des tâches moins urgentes, comme l'estimation de la superficie brûlée. Les systèmes de satellites en orbite géostationnaire sont capables de détecter les feux de forêt car ils peuvent observer de vastes zones. La plupart des satellites qui photographient la Terre utilisent des capteurs d'imagerie multispectrale et sont situés sur des orbites géostationnaires ou quasi polaires héliosynchrones.

Tableau 2. Liste de quelques systèmes satellitaires de télédétection pertinents et leurs caractéristiques

2. méthodes de détection actuelles

À partir de données hyperspectrales, des informations préliminaires peuvent être obtenues par l'analyse de bandes spectrales individuelles. Par exemple, la fumée peut être identifiée grâce à l'examen de la bande visible et proche infrarouge (VNIR), tandis que les feux de forêt actifs peuvent être détectés par l'analyse des pixels saturés dans la bande infrarouge à ondes courtes (SWIR). En effet, dans la bande de 2000 à 2400 nm, le signal sature facilement lors de l'observation de feux de forêt actifs, car le signal capté depuis la Terre est supérieur à celui provenant du Soleil (les feux de forêt agissant comme des émetteurs d'énergie actifs). Cependant, l'analyse de l'ensemble des caractéristiques spectrales à l'aide de réseaux de neurones convolutifs permet d'éviter les erreurs et d'améliorer la fiabilité de la classification.

Le modèle CNN de classification multiclasse est présenté sur la figure 2. Le spectre des pixels d'entrée des données hyperspectrales contient les canaux SWIR et VNIR. Il s'agit donc d'un hypercube contenant C = 2^34 éléments (après suppression des données brutes inutiles). La première couche cachée est une couche de convolution unidimensionnelle avec un noyau de 3, un filtre n1 = 112, un remplissage identique, une fonction d'activation ReLU et une régularisation par noyau l2. Après la couche de convolution, une couche de max-pooling avec une taille de pooling de 2 et un pas de 2 (n2 = n1, comme illustré sur la figure 2) est appliquée. Le résultat de ce max-pooling est ensuite aplati, puis connecté à une couche entièrement connectée de 128 unités (avec une fonction d'activation ReLU). La dernière couche est une couche dense avec une fonction d'activation SoftMax pour la classification multiclasse. Il convient de noter que les métriques des figures C1 et C2 sont faciles à évaluer et dépendent de l'architecture du réseau. Nous utilisons l'optimiseur Adam et la fonction de perte d'entropie croisée de classification pour entraîner le modèle.

Figure 2. Modèle CNN de classification multiclasse