Abhatoo - Centre Nationale de Documentation

La quantité de données de télédétection archivées est de plus en plus importante et grâce aux nouveaux et futurs satellites, ces données offriront une plus grande diversité de caractéristiques : spectrale, temporelle, résolution spatiale et superficie de l’emprise du satellite. Les données de télédétection sont aujourd’hui abondantes et facilement accessibles, ce qui ouvre de nouvelles problématiques quant à la manière d’utiliser ces données multidimensionnelles de manière optimale.
Cependant, il n’existe pas de méthode universelle qui maximise la performance des traitements pour tous les types de caractéristiques citées précédemment; chaque méthode ayant ses avantages et ses inconvénients.
Les travaux de cette thèse se sont articulés autour de deux grands axes que sont l’amélioration et l’automatisation de la classification d’images de télédétection, dans le but d’obtenir une carte d’occupation des sols la plus fiable possible. Lors d’un suivi de plusieurs années, ce processus permet d’obtenir une carte des changements d’occupation des sols sur de grandes zones et de longues périodes. Au cours des différents chapitres du manuscrit, les méthodes seront testées sur un panel de données très variées de :
- capteurs : optique (Formosat-2, Spot 2/4/5, Landsat 5/7, Worldview-2, Pleiades) et radar (Radarsat, Terrasar-X).
- résolutions spatiales : de haute à très haute résolution (de 30 mètres à 0.5 mètre).
- répétitivités temporelles (jusqu’à 46 images par an).
- zones d’étude : agricoles (Toulouse, Marne), montagneuses (Pyrénées), arides (Maroc, Algérie).
Le manuscrit de thèse comprendra le développement et l’application des idées suivantes :
- un état de l’art sur les méthodes de classification appliquées aux données de télédétection.
- l’évaluation et l’extraction d’indice de performance permettant de juger automatiquement des différentes caractéristiques d’une classification supervisée
- la sélection automatique de données pour la classification supervisée.
- la fusion automatique d’images issues de classifications supervisées afin de tirer avantage de la complémentarité des données multi-sources et multi-temporelles.
- la classification automatique basée sur des séries temporelles et spectrales de référence, ce qui permettra la classification de larges zones sans référence spatiale.
A l’exception des applications directes de chaque chapitre, deux applications majeures seront détaillées :
- l’obtention d’un bilan carbone à partir des rotations culturales obtenues sur plusieurs années.
- la cartographie de la trame verte (espaces écologiques): étude de l’impact du choix du capteur sur la détection de ces éléments.