Programmation génétique appliquée à l'imagerie hyperspectrale pour l'évaluation d'une variable biophysique au sein d'une grande culture : cas de l'azote dans un champ de maïs

Chion, Clément (2005). Programmation génétique appliquée à l'imagerie hyperspectrale pour l'évaluation d'une variable biophysique au sein d'une grande culture : cas de l'azote dans un champ de maïs. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

L'imagerie hyperspectrale de télédétection offre d'innombrables opportunités pour la gestion durable des ressources naturelles. L'agriculture de précision est une approche récente qui prend en considération l'hétérogénéité biophysique des cultures, lors de l'application d'intrants (engrais, herbicides...). Nous proposons une nouvelle méthode fondée sur les principes de la programmation génétique et des indices de végétation; l'objectif est d'élaborer un modèle décrivant une variable biophysique d'un champ, pour évaluer précisément sa variabilité et agir localement. La validation de notre approche est réalisée sur des mesures d'azote (variable biophysique étudiée) relevées dans un champtest de maïs de l'Université McGill (Montréal). Le meilleur modèle obtenu explique 84.83% de la variance d'un jeu de données non apprises avec une erreur de généralisation de 14.34%, améliorant ainsi les résultats de la littérature.

Titre traduit

Genetic programming applied to hyperspectral imagery for biophysical variable assessment within a large scale culture: case of nitrogen within a cornfield

Résumé traduit

One of the main issues of remote sensing is the extraction of relevant information from a data set. Recent development of hyperspectral tools has considerably increased the amount of available data and consequently, new techniques for data mining are required. In precision farming, emergence and democratization of hyperspectral imagery gives rise to great hopes by providing powerful tools to set up more reasonable management. Indeed, spectral properties of plants and their components being well studied, extrapolation of this knowledge from plant to canopy scale appears to be promising. However, many external factors like air humidity, irradiance or effect of pixel resolution bring some noise and make information extraction more complex at canopy scale. An answer to this problem can be brought by vegetation indices (IV), defined as simple arithmetic combinations of spectral bands. One of the goals of these IV is to bring out a specific canopy biophysical parameter. In our study, we try to find an IV correlated with nitrogen variability through a cornfield canopy, by means of a genetic programming based algorithm, trained with in situ measures. This approach led us to find a model predicting nitrogen levels through the field with a coefficient of determination R2 = 84.83% and a relative error RMSE = 14.34%. This result obtained with our data set improves all others models found in articles; the best of them given by Hansen & al. predicting nitrogen with R2 = 70.23% and RMSE = 18.03%. The other important result is that model precision less depends on dataset size than on training data accuracy. At present, it doesn't yet seem possible to find a general model for nitrogen assessment, efficient in all of real situations. Meanwhile, coupling "ground truth" with hyperspectral data can lead to great levels of efficiency when investigations are made with specific search algorithms.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie de la production automatisée". Bibliogr.: f. [124]-130. Chap. 1. Mise en contexte -- Chap. 2. Revue de littérature -- Chap. 3. Données de l'étude -- Chap. 4. Algorithme -- Chap. 5. Résultats : discussion et interprétation -- Chap. 6. Transfert technologique.
Mots-clés libres:	Agriculture, Algorithme, Azote, Bande, Biophysique, Genetique, Hyperspectral, Imagerie, Indice, Maïs, Programmation, Spectral, Variable, Vegetation
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Landry, Jacques-André
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	31 janv. 2011 21:04
Dernière modification:	01 nov. 2016 00:06
URI:	https://espace.etsmtl.ca/id/eprint/368

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt