Une Étude Comparative de l'Apprentissage par Transfert, des Réseaux de Neurones Convolutionnels et des Forêts Aléatoires pour la Classification de l'Utilisation des Terres Basée sur des Images Satellites

À mesure que l'accessibilité des images satellites augmente, la nécessité de modèles de classification précis s'intensifie. Cette recherche vise à construire des modèles de classification robustes capables de discerner avec précision dix catégories d'utilisation des terres distinctes à partir d'images satellites. Pour atteindre cet objectif, l'étude explore diverses méthodologies, telles que l'apprentissage par transfert, les réseaux de neurones convolutionnels (CNN) et l'application d'un classificateur de forêt aléatoire en conjonction avec l'analyse en composantes principales (PCA). Chaque approche présente des forces et des obstacles distincts pour aborder les complexités inhérentes à la classification des images satellites. Le jeu de données utilisé pour cette enquête provient du jeu de données EuroSAT, fournissant une base standardisée pour l'analyse et la comparaison. Par une évaluation rigoureuse et une comparaison de ces méthodologies, cette étude vise à contribuer à l'avancement des techniques de classification de l'utilisation des terres, facilitant une utilisation plus précise et efficace des images satellites dans diverses applications.