Analyse d’images satellites et production de données géospatiales utilisables par l’application TerriSTORY

TitreAnalyse d’images satellites et production de données géospatiales utilisables par l’application TerriSTORY
TypeRapport de stage
AuteursKoumba Koumba Kelly-Sheldon
DirecteursBelin Etienne
Année2023
URLhttps://dune.univ-angers.fr/fichiers/22007428/2023TMPA17093/fichier/17093F.pdf
Mots-clésimages RGB, Panneaux solaires thermiques et photovoltaïques, TerriSTORY, U-net
Résumé

Pendant mon stage de Master 2, d’une durée de 6 mois, j’ai travaillé sur un projet portant sur l’Analyse d’images satellites et la production de données géospatiales pour l’application TerriSTORY. Pour mener à bien ce projet, le travail a été divisé en deux parties. Tout d’abord, pour construire la première partie, j’ai réalisé un bilan des thèmes liés à l’énergie, l’écologie et à l’environnement où l’analyse des images satellites peut se révéler pertinente. Pour choisir une thématique précise à étudier, une base de données appropriée et une méthode de résolution, j’ai réalisé un bilan bibliographique des thématiques étudiées dans la littérature scientifique. Avec mes responsables, nous avons finalement opté pour l’identification et la classification des panneaux solaires thermiques dans la métropole de Lyon en utilisant la structure de réseaux de neurones U-net et la base de données BD ORTHO. La seconde partie de mon travail présente la conception et la mise en pratique d’une méthodologie pour répondre à la problématique choisie. J’ai téléchargé des images RGB depuis le site de l’IGN (Institut national de l’information géographique et forestière). Ensuite, j’ai constitué ma propre base de données en préparant les données d’entrée pour les réseaux de neurones U-net. J’ai redimensionné les images en petites images de 256x256 pixels et j’ai étiqueté les images à l’aide du logiciel COCO ANNOTATOR. J’ai créé des masques binaires et divisé mes données en ensembles d’entraînement, de validation et de test. Par la suite, j’ai implémenté les réseaux de neurones U-net en m’appuyant sur un code existant qui ne fonctionnait pas à la base. Je l’ai modifié et adapté au contexte mentionné ci-dessus. Pour entraîner mon modèle, j’ai tout d’abord utilisé une base de données d’images Google pour pouvoir rapidement tester le fonctionnement de la chaîne de traitement du début à la fin. Ainsi, j’ai entraîné le modèle à classifier les panneaux solaires de manière générale, qu’ils soient thermiques ou photovoltaïques. Ensuite, en utilisant ma propre base de données, j’ai entraîné le modèle pour qu’il puisse classer uniquement les panneaux solaires thermiques. De cette manière, j’ai obtenu des résultats malgré les contraintes techniques et le temps qui m’a été imparti. J’ai donc pu réaliser l’ensemble du processus, depuis le téléchargement des données jusqu’à l’obtention des coordonnées géolocalisées prêtes à être intégrées dans l’application TerriSTORY. Cependant, il reste des améliorations à apporter aux résultats obtenus. Les pistes d’amélioration sont mentionnées dans ce rapport.

Résumé en anglais

During my 6-month Master’s internship, I worked on a project focused on Satellite Image Analysis and the generation of geospatial data for the TerriSTORY application. To successfully carry out this project, the work was divided into two parts. Firstly, to build the first part, I conducted a review of themes related to energy, ecology, and the environment where satellite image analysis can be relevant. To select a specific theme to study, an appropriate database, and a resolution method, I conducted a literature review of the topics studied in scientific literature. Together with my supervisors, we finally chose the identification and classification of thermal solar panels within the Lyon metropolitan area using the U-net neural network architecture and the BD ORTHO database. The second part of my work presents the design and implementation of a methodology to address the chosen problem. I downloaded RGB images from the IGN (National Institute of Geographic and Forest Information) website. Then, I created my own database by preparing input data for the U-net neural networks. I resized the images into small 256x256 pixel images and labeled them using COCO ANNOTATOR software. I created binary masks and divided my data into training, validation, and test sets. Subsequently, I implemented the U-net neural networks, building upon existing code that initially didn’t function. I modified and adapted it to the aforementioned context. To train my model, I initially used a Google image database to quickly test the functionality of the processing pipeline from start to finish. Thus, I trained the model to classify solar panels in a general sense, whether thermal or photovoltaic. Then, using my own database, I trained the model to specifically classify thermal solar panels. In this way, I achieved results despite technical constraints and the time allocated to me. Therefore, I was able to complete the entire process, from data downloading to obtaining geolocated coordinates ready to be integrated into the TerriSTORY application. However, there are still improvements to be made to the obtained results, and these potential enhancements are mentioned in this report.

Langue de rédactionFrançais
Nb pages76
Diplôme

Master Physique Appliquée et ingénierie physique

Date de soutenance2023-08-31
EditeurUniversité Angers
Place PublishedAngers
Entreprise

AURA EE

Libellé UFR

UFR de Sciences