Afficher la notice abrégée

dc.rights.licenseopenen_US
dc.contributor.authorANDRIAMANAMAMONJY, Angelo
hal.structure.identifierBordeaux population health [BPH]
dc.contributor.authorORAZIO, Sebastien
dc.date.accessioned2024-05-23T07:39:35Z
dc.date.available2024-05-23T07:39:35Z
dc.date.issued2023-12-01
dc.identifier.issn1635-0421en_US
dc.identifier.urioai:crossref.org:10.1684/ers.2023.1759
dc.identifier.urihttps://oskar-bordeaux.fr/handle/20.500.12278/200005
dc.description.abstractCette note technique présente une méthode basée sur l’intelligence artificielle pour la détection automatisée des parcelles de vigne et de verger à partir de prises de vue aériennes à haute résolution. Les images utilisées pour ce travail ont été obtenues à partir de la base de données ORTHO en infrarouge couleur (IRC) à une résolution de 20 cm. Le processus de traitement de ces images comprend d’abord une phase de prétraitement pour la constitution des annotations des images, réalisé à partir du Registre parcellaire graphique (RPG) qui a été aussi utilisé pour la création de la base de données initiale. Ensuite, une étape de traitement a été réalisée pour l’entraînement du modèle de segmentation sémantique U-Net. Enfin, un post-traitement a été effectué pour la vectorisation des inférences générées par ce modèle de deep learning. Cette approche a été évaluée sur une zone de 250 km² dans les départements de la Gironde et de la Charente-Maritime. Les résultats ont montré un rappel de 97 % pour les vignes et de 90,9 % pour les vergers sur la zone d’étude, tout en maintenant une précision similaire à celle initiale du RPG. Grâce à cette méthode, il a été possible de combler 24 % des manques dans le RPG sur ces groupes de cultures. Ainsi, ces données géographiques générées de manière exhaustive offrent de nombreuses opportunités de recherche, notamment pour améliorer la caractérisation d’un proxy d’exposition aux cultures agricoles des riverains.
dc.description.abstractEnThis technical note presents a method based on artificial intelligence for the automated detection of vineyard and orchard plots from high-resolution aerial shots. The images used for this work were obtained from the ORTHO Database in Infrared Color (IRC) at a resolution of 20 cm. The processing of these images first involved a pre-processing phase for the creation of image annotations, based on the Graphic Parcel Register (GPR), which was also used to create the initial database. Next, a processing step was carried out to train the U-Net semantic segmentation model. Finally, post-processing was carried out to vectorize the inferences generated by this deep learning model. This approach was evaluated over an area of 250 km² in the Gironde and Charente-Maritime departments. The results showed a recall of 97 % for vineyards and 90.9 % for orchards over the study area, while maintaining a precision similar to that initially obtained from the RPG. Thanks to this method, it was possible to fill 24 % of the gaps in the GPR for these crop groups. These exhaustively generated geographical data thus offer numerous research opportunities, in particular for improving the characterization of a proxy for exposure to agricultural crops by local residents.
dc.language.isoFRen_US
dc.sourcecrossref
dc.subjectIntelligence Artificielle
dc.subjectCroisement De Données
dc.subjectDétection De Parcelles
dc.subjectExposition
dc.subject.enArtificial Intelligence
dc.subject.enData Crossing
dc.subject.enPlot Detection
dc.subject.enExposure
dc.titleApplication de méthodes d’intelligence artificielle dans la détection des parcelles agricoles afin de produire des indicateurs spatialisés d’exposition indirecte aux pesticides
dc.title.enApplication of artificial intelligence methods in the detection of agricultural plots to produce spatialized indicators of indirect pesticide exposure
dc.title.alternativeEnviron Risque Santéen_US
dc.typeArticle de revueen_US
dc.identifier.doi10.1684/ers.2023.1759en_US
dc.subject.halSciences du Vivant [q-bio]/Santé publique et épidémiologieen_US
bordeaux.journalEnvironnement, Risques & Santéen_US
bordeaux.page27-35en_US
bordeaux.volume22en_US
bordeaux.hal.laboratoriesBordeaux Population Health Research Center (BPH) - UMR 1219en_US
bordeaux.issueS1en_US
bordeaux.institutionUniversité de Bordeauxen_US
bordeaux.institutionINSERMen_US
bordeaux.teamEPICENE_BPHen_US
bordeaux.peerReviewedouien_US
bordeaux.inpressnonen_US
bordeaux.import.sourcedissemin
hal.identifierhal-04584315
hal.version1
hal.date.transferred2024-05-23T07:39:37Z
hal.popularnonen_US
hal.audienceInternationaleen_US
hal.exporttrue
workflow.import.sourcedissemin
dc.rights.ccPas de Licence CCen_US
bordeaux.COinSctx_ver=Z39.88-2004&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.title=Application%20de%20m%C3%A9thodes%20d%E2%80%99intelligence%20artificielle%20dans%20la%20d%C3%A9tection%20des%20parcelles%20agricoles%20afin%20de%20produire%20des%20indicat&rft.atitle=Application%20de%20m%C3%A9thodes%20d%E2%80%99intelligence%20artificielle%20dans%20la%20d%C3%A9tection%20des%20parcelles%20agricoles%20afin%20de%20produire%20des%20indica&rft.jtitle=Environnement,%20Risques%20&%20Sant%C3%A9&rft.date=2023-12-01&rft.volume=22&rft.issue=S1&rft.spage=27-35&rft.epage=27-35&rft.eissn=1635-0421&rft.issn=1635-0421&rft.au=ANDRIAMANAMAMONJY,%20Angelo&ORAZIO,%20Sebastien&rft.genre=article


Fichier(s) constituant ce document

FichiersTailleFormatVue

Il n'y a pas de fichiers associés à ce document.

Ce document figure dans la(les) collection(s) suivante(s)

Afficher la notice abrégée