Heureux de partager notre travail intitulé "Machine Learning-Based Forest Canopy Height Modeling with Multi-Sensor and GEDI Data", récemment publié dans le cadre de la 4th International Conference on Embedded & Distributed Systems (EDiS 2024), organisée par l'IEEE à Bechar, Algérie.

Cette recherche met en évidence l'importance de l'intégration des données multi-capteurs et des techniques d'apprentissage automatique pour améliorer la cartographie et la gestion des forêts. En ce qui concerne la région étudiée, il s’agit de la zone de reforestation de Djelfa, "Dar Chioukh", en Algérie.

 Résumé :

Dans cette étude, nous avons modélisé la hauteur de la canopée forestière en utilisant des données multi-capteurs, notamment Sentinel-1, Sentinel-2 et GEDI (Relative Height - RH98). Nous avons appliqué des techniques avancées d'apprentissage automatique, comme les Random Forest (RF) et les Classification and Regression Trees (CART), sur la plateforme Google Earth Engine (GEE).

Les résultats montrent que le modèle Random Forest (RF) se distingue par ses performances prédictives, avec un R² de 0.831 en validation et une RMSE de 0.8036 m. La variable la plus influente est l'élévation, suivie des bandes NIR, Green, et SWIR1.

 

Auteurs :

o  Bengusmia Djamal

Bureau National d'Etudes pour le Développement Rural (BNEDER), Bouchaoui - Chéraga, Alger

 

o  Benhalima Noureddine

Université des Sciences et Technologies Houari Boumediene (USTHB), Faculté de Génie Electrique, Alger, Algérie

 

o  Ouarzeddine Mounira

Université des Sciences et Technologies Houari Boumediene (USTHB), Faculté de Génie Electrique, Alger, Algérie

 

o  Souissi Boularbah

Université des Sciences et Technologies Houari Boumediene (USTHB), Faculté de Génie Electrique, Alger, Algérie

 

Publication dans : IEEE Xplore

https://ieeexplore.ieee.org/document/10783293