W ILDFIRE F INAL B URNED A REA E STIMATION U SING E NHANCED U-N ET A RCHITECTURES : N EW D EEP L EARNING A PPROACHS

Abstract

Wildfires are a significant environmental and economic threat, requiring advanced methods for accurate prediction and damage assessment. Deep learning has demonstrated remark- able capabilities in many fields, including wildfire management, primarily due to its ability to automate and improve prediction processes. Previous research has shown limitations due to the complexity of the phenomenon and nature of the data. In this thesis, we present our contributions to enhancing wildfire final burned area prediction through the integration of deep learning techniques, specifically U-Net architec- tures. We conducted a comparative study to evaluate different U-Net architectures, including the standard U-Net, U-Net++, and Dense U-Net, on the Mesogeos Final Burned Area Predic- tion dataset. The Dense U-Net outperformed others, demonstrating its robustness in han- dling complex wildfire data. Subsequently, Dense U-Net was used to create two enhanced models. The first model improved Dense U-Net using a regularization approach, providing detailed burned area estimations, while the second model incorporated a refinement mod- ule to improve the accuracy of burned area segmentation. Both models showed significant improvements over previous studies. Our research explored various challenges, including data complexity and imbalance, contributing to the development of more effective tools for

Les incendies de forêt représentent une menace environnementale et économique significative, né- cessitant des méthodes avancées pour la prédiction précise et l’évaluation des dommages. L’apprentissage profond a démontré des capacités remarquables dans de nombreux domaines, y compris la gestion des incendies de forêt, principalement en raison de sa capacité à automatiser et améliorer les processus de prédiction. Les recherches antérieures ont montré des limites en raison de la complexité du phénomène et de la nature des données. Dans cette thèse, nous présentons nos contributions à l’amélioration de la prédiction de la super- ficie finale brûlée des incendies de forêt grâce à l’intégration de techniques d’apprentissage profond, en particulier les architectures U-Net. Nous avons mené une étude comparative pour évaluer différentes architectures U-Net, y compris U-Net standard, U-Net++, et Dense U-Net, sur l’ensemble de données de prédiction de la super- ficie finale brûlée Mesogeos. Dense U-Net a surpassé les autres, démontrant sa robustesse dans le traitement des données complexes des incendies de forêt. Par la suite, Dense U-Net a été utilisé pour créer deux modèles améliorés. Le premier modèle a amélioré Dense U-Net en utilisant une approche de régularisation, fournissant des estimations détaillées de la superficie brûlée, tandis que le deuxième modèle a incorporé un module de raffinement pour améliorer la précision de la seg- mentation de la superficie brûlée. Les deux modèles ont montré des améliorations significatives par rapport aux études précédentes. Nos recherches ont exploré divers défis, y compris la complexité des données et le déséquilibre, contribuant au développement d’outils plus efficaces pour la gestion des incendies de forêt.