Omid Reisi Gahrouei

FR:
L'identification précise des espèces d'arbres est nécessaire dans diverses applications forestières telles que la détection et le contrôle des espèces envahissantes, la gestion durable des forêts, la biodiversité des forêts et la durabilité des écosystèmes forestiers. Le Québec, avec 20 % des forêts du Canada et 2 % des forêts du monde, est considéré comme une province stratégique pour la production et l'exportation de produits forestiers au Canada. Par conséquent, la production d'une carte précise des espèces d'arbres pour les forêts du Québec est nécessaire pour une prise de décision locale et régionale appropriée. Ces dernières années, l'intégration de différentes techniques de télédétection a montré un bon potentiel pour la classification des espèces d'arbres dans de vastes zones. Cette étude évaluera la combinaison de données LiDAR et multi/hyperspectrales pour la classification des espèces d'arbres dans les forêts du Québec en utilisant des approches d'apprentissage profond. Les trois principaux objectifs de cette étude sont 1) Quantifier l'amélioration de l'utilisation d'une combinaison de données optiques et de données LiDAR avec 3D-CNN par rapport aux méthodes traditionnelles d'apprentissage automatique (SVM et RF) pour l'identification des espèces d'arbres, 2) évaluer le gain de l'utilisation de l'imagerie hyperspectrale au lieu des données multispectrales avec LiDAR pour la classification des espèces d'arbres et 3) évaluer le gain de l'utilisation des caractéristiques environnementales et dérivées comme complément aux données de télédétection pour améliorer la classification des espèces d'arbres au niveau des micro-stands.

EN:
Accurate tree species identification is required in various forestry applications such as invasive species detection and control, sustainable forest management, forest biodiversity, and forest ecosystem sustainability. Québec, with 20 % of Canada's forests and 2% of the world's forests, is considered a strategic province to produce and export forest products in Canada. Therfore, producing an accurate tree species map for Quebec's forests is required for suitable local and regional decision-making. In recent years, integrating different remote sensing showed good potential for tree species classification in vast areas. This study will evaluate the combination of LiDAR and multi/hyperspectral data for tree species classification in Quebec forests using the deep learning approaches. The three main objectives of this study are: 1) Quantify the improvement of using a combination of optic data and LiDAR data with 3D-CNN compared to traditional machine learning methods (SVM and RF) to tree species identification, 2) assess the gain of using hyperspectral imagery instead of multispectral data with LiDAR for tree species classification and 3)assess the gain of using environmental and visual-derived features as complementary data with remote sensing data to improve the tree species classification at the micro-stand level.

Direction: Martin Béland

Codirection : Jean-François Côté