Résumé:
Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection,
la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est
abondante concernant l’interprétation de données visuelles, y compris pour la télédétection.
Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées
Considérables en interprétation automatique d’images.
Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et
l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des
méthodes d’apprentissage profond permettant la détection de catastrophes naturelles
automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer
un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les
performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé
avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats
expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés
avec des vidéos collectées sur You Tube.
