TJRWMR8X

3224

8 janvier 2021 17:06

12 avril 2021 15:59

L’agriculture est un des secteurs prioritaires de notre société. L’Union européenne y a donc alloué un de ces décrets principaux, la Politique Agricole Commune. Cette politique octroie différentes aides aux agriculteurs en collectant des données sur leur production. Pour ce faire, un recensement des parcelles a lieu annuellement entre les mois de mars et de mai, recensement durant lequel les agriculteurs dessinent les frontières de leurs parcelles et déclarent ce qui s’y trouve. Ce mémoire a pour objectif de délimiter les parcelles agricoles, indépendamment de la déclaration des agriculteurs, à l’aide d’un algorithme d’intelligence artificielle, et plus spécifiquement de deep learning, Robosat. Robosat a été entraîné puis évalué sur une région d’agriculture intensive en Wallonie. Sa performance a ensuite été comparée, sur base de six métriques, à deux algorithmes classiquement utilisés pour la délimitation d’objets : eCognition et Hollistically-Nested Edge Detection. Les résultats montrent une nettement meilleure performance de Robosat sur l’ensemble des métriques, même si cette performance n’est pas suffisante pour une utilisation directe dans le cadre de la PAC. Néanmoins, les résultats appuient l’idée que l’intelligence artificielle est une piste prometteuse dans le domaine de la segmentation de parcelles agricoles en télédétection. Pour améliorer les résultats obtenus, différentes propositions ont été imaginées sur l’ensemble de la chaîne de production des algorithmes de deep learning.

Agriculture is one of the priority sectors of our society. The European Union has therefore allocated one of these main decrees, the Common Agricultural Policy. This policy grants various aids to farmers by collecting data on their production. To do this, a plot census takes place annually between March and May, during which the farmers draw the boundaries of their plots and declare what is there. This dissertation aims to delimit agricultural plots, independently of the farmers' declaration, using an artificial intelligence algorithm, and more specifically deep learning, Robosat. Robosat was trained and then evaluated in an intensive farming region in Wallonia. Its performance was then compared, on the basis of six metrics, to two algorithms conventionally used for object delineation: eCognition and Hollistically-Nested Edge Detection. The results show a significantly better performance of Robosat on all metrics, even if this performance is not sufficient for direct use in the context of the CAP. Nevertheless, the results support the idea that artificial intelligence is a promising avenue in the field of segmentation of agricultural plots in remote sensing. To improve the results obtained, various proposals have been devised across the entire production chain of deep learning algorithms.

None

• AB - Transversal
• artificial intelligence
• common agricultural policy
• FREDO technologie et innovation
• GEO Belgique
• GEO Wallonie
• deep learning
• detection

2020

1 janvier 2020