Délimitation robuste des zones brûlées par apprentissage multitâche

Ces dernières années, les incendies de forêt ont posé un défi considérable en raison de leur fréquence et de leur gravité croissantes. Par conséquent, une délimitation précise des zones brûlées est essentielle pour la surveillance environnementale et l'évaluation post-incendie. Cependant, les approches traditionnelles basées sur des modèles de segmentation binaire peinent souvent à obtenir des résultats robustes et précis, particulièrement lorsqu'ils sont entraînés à partir de zéro, en raison des ressources limitées et du déséquilibre inhérent à cette tâche de segmentation. Nous proposons d'aborder ces limitations de deux manières : premièrement, nous construisons un jeu de données spécifique pour faire face aux ressources limitées, combinant des informations provenant des flux Sentinel-2 avec les activations Copernicus et d'autres sources de données. Dans ce jeu de données, nous fournissons des annotations pour plusieurs tâches, notamment la délimitation des zones brûlées et la segmentation du couvert terrestre. Deuxièmement, nous proposons un cadre d'apprentissage multitâche qui intègre la classification du couvert terrestre comme tâche auxiliaire afin d'améliorer la robustesse et les performances des modèles de segmentation des zones brûlées. Nous comparons les performances de différents modèles, dont UPerNet et SegFormer, démontrant l'efficacité de notre approche par rapport à la segmentation binaire standard.