Jérôme Théau

par

Thématique de recherche

Mon programme de recherche vise à mettre au point des outils et méthodes de caractérisation de la végétation en milieux contrôlés (ex : milieux agricoles) et des milieux naturels (ex: forêts, écosystèmes riverains, habitats fauniques), à l’aide de la télédétection et des systèmes d’information géographique, dans un contexte de conservation et de changements climatiques.

Contacts

Jerome.Theau@USherbrooke.ca
+1 819 821-8000 x62195

Projets en cours

Développement de systèmes « aéronef sans pilote-capteurs » adaptés à la caractérisation de milieux agricoles et forestiers ainsi qu’à l’inventaire faunique
Caractérisation de réseaux et de corridors écologiques (échelles spatiales, méthodes géomatiques, passages à faune)
Développement d’indicateurs spatiaux pour le suivi de l’intégrité écologique d’aires protégées (ex : parcs nationaux du Québec)

Publications (sélection d’articles)

  • Dinh, T. D., Théau, J., Pham, T. T. H., Varin, M., Marchal, J., & Genest, M. A. (2025). Deep learning applied to urban agriculture: spatial-temporal changes of agricultural land in a rapidly urbanizing Southeast Asian city. European Journal of Remote Sensing, 58(1), 2572109.

  • Durand, S., Foucher, S., Delplanque, A., Taillon, J., & Théau, J. (2025). Lacking Data? No worries! How synthetic images can alleviate image scarcity in wildlife surveys: a case study with muskox (Ovibos moschatus). arXiv preprint arXiv:2511.11882.

  • Litalien, V., Duguay, J., Trudel, M., Foucher, S., Théau, J., & Fouquet, M. (2025). Assessing regression-based deep learning for river ice estimation from drone images. Cold Regions Science and Technology, 104656.

  • Delplanque, A., Linchant, J., Vincke, X., Lamprey, R., Théau, J., Vermeulen, C., Foucher, S., Ouattara, A., Kouadio, R. & Lejeune, P. (2024). Will artificial intelligence revolutionize aerial surveys? A first large-scale semi-automated survey of African wildlife using oblique imagery and deep learning. Ecological Informatics, 82, 102679.

  • Delplanque, A., Théau, J., Foucher, S., Serati, G., Durand, S., & Lejeune, P. (2024). Wildlife detection, counting and survey using satellite imagery: are we there yet?. GIScience & Remote Sensing, 61(1), 2348863.

  • Delplanque, A., Foucher, S., Théau, J., Bussière, E., Vermeulen, C., & Lejeune, P. (2023). From crowd to herd counting: How to precisely detect and count African mammals using aerial imagery and deep learning?. ISPRS Journal of Photogrammetry and Remote Sensing, 197, 167-180.

  • Nininahazwe, F., Théau, J., Marc Antoine, G., & Varin, M. (2023). Mapping invasive alien plant species with very high spatial resolution and multi-date satellite imagery using object-based and machine learning techniques: A comparative study. GIScience & Remote Sensing, 60(1), 2190203.

  • Nininahazwe, F., Varin, M., & Théau, J. (2023). Mapping common and glossy buckthorns (Frangula alnus and Rhamnus cathartica) using multi-date satellite imagery WorldView-3, GeoEye-1 and SPOT-7. International Journal of Digital Earth, 16(1), 31-42.

  • Moreni, M., Theau, J., & Foucher, S. (2023). Do you get what you see? Insights of using mAP to select architectures of pretrained neural networks for automated aerial animal detection. Plos one, 18(4), e0284449.

  • Delplanque, A., Lamprey, R., Foucher, S., Théau, J., & Lejeune, P. (2023). Surveying wildlife and livestock in Uganda with aerial cameras: Deep Learning reduces the workload of human interpretation by over 70%. Frontiers in Ecology and Evolution, 11, 1270857.