Sylvie Daniel 31 janvier 2025 Maîtrise

Les feux de forêt constituent une menace majeure pour les écosystèmes, les infrastructures et les populations. Avec l’aggravation des changements climatiques, leur fréquence et leur intensité augmentent, nécessitant des solutions compte tenu des risques qu’ils font encourir à la population et des coûts financiers importants qu’ils engendrent. Le Canada a connu plusieurs catastrophes marquantes où les feux de forêts ont ravagés plusieurs villes (ex. Fort McMurray, Jasper). Les images satellitaires offrent une couverture étendue et des données acquises fréquemment, selon plusieurs bandes spectrales. Mais leur exploitation repose sur des approches robustes capables de traiter des volumes massifs de données hétérogènes.

Les modèles de fondation (foundation models), comme Prithvi, sont des réseaux neuronaux profonds pré-entraînés sur des ensembles de données massifs. Ils ont récemment démontré leur capacité à exceller dans diverses tâches complexes, y compris l’analyse d’images. Ces modèles offrent un potentiel prometteur pour la détection des feux

de forêt, notamment en termes de généralisation, de contextualisation, et de détection dans des environnements variés.

L’objectif principal de cette recherche est de concevoir une solution, basée sur les modèles de fondation, pour la détection des feux de forêt dans les images satellitaires. Il s’agira notamment de déterminer le ou les modèles présentant le plus de potentiel pour l’imagerie multispectrale et les techniques requises pour les adapter à ce contexte spécifique. Les performances obtenues par ces modèles adaptés seront comparées à celles produites par les approches traditionnelles. On visera notamment à limiter la quantité de données étiquetées requises au moment d’analyser les performances.