Formation à distance : 3 jours -21 heures
- Type : Formation qualifiante
- Durée : 3j, soit 21 heures
- Modalité : Formation à distance
- Versions : GRASS toutes versions
- Validation : 1 certificat de réalisation sera remis au donneur d’ordre et dans un deuxième temps une attestation de fin de formation reprenant les objectifs, la nature, la durée de l’action et les résultats atteints sera envoyée par mail à chaque stagiaire
- Prè-requis : Avoir suivi la formation télédétection niveau 1 avec GRASS ou des connaissances équivalentes
- Public : Tout public
- Niveau : Standard
- Moyens : Accès illimité à la plateforme en ligne pendant 3 mois en toute autonomie, 24h/24h et 7/7 jours
- Pèdagogie : 15% de théorie, 85% de pratique : étude de cas, mise en situation, exercices d’évaluation
- Comprendre les concepts fondamentaux de l’IA appliqués au traitement d’images satellitaires.
- Apprendre à utiliser GRASS pour intégrer des algorithmes d’intelligence artificielle, tels que le machine learning (ML) et le deep learning (DL).
- Appliquer des techniques avancées de classification, détection de changements, et extraction de caractéristiques à partir d’images satellitaires.
Les concepts clés de l’Intelligence artificelle
- Définitions et concepts clés de l’IA
- Différents types d’IA (machine learning, deep learning)
- Applications de l’IA dans les SIG et le traitement d’images
Présentation du logiciel GRASS
- Installation et configuration de GRASS GIS.
- Prise en main de l’interface :
- Gestion des projets et importation des données.
- Organisation des bases de données spatiales GRASS (Location, Mapset).
- Exploration des données avec GRASS (visualisation, statistiques simples).
Acquisition et gestion des données de télédétection
- Téléchargement d’images satellites (Sentinel-2, Landsat).
- Sources ouvertes de données (Copernicus, EarthExplorer, etc.).
- Chargement et visualisation des images dans GRASS.
Apprentissage automatique et analyse d’images
- Introduction à l’apprentissage automatique avec GRASS
- Modèles supervisés vs non supervisés.
- Utilisation des algorithmes intégrés de GRASS.
- Préparation des données
- Création d’ensembles d’entraînement.
- Normalisation et segmentation des images.
- Clustering et classification d’images
- Algorithmes de classification supervisée (SVM, Random Forest).
- Algorithmes non supervisés (k-means, ISODATA).
- Pratique avec GRASS GIS
- Classification de l’occupation des sols.
- Évaluation des résultats (matrice de confusion)
Applications avancées et automatisation
- Intégration de scripts Python avec GRASS GIS
- API Python de GRASS.
- Automatisation des workflows.
- Techniques avancées de traitement d’images
- Détection d’objets et extraction de caractéristiques.
- Projet pratique
- Analyse complète d’une image satellite.
- Application des techniques apprises (prétraitement, classification, évaluation).
