Connaissances expertes et modélisation pour l'exploitation d'images d'observation de la Terre à hautes résolutions spatiale, spectrale et temporelle

Expert knowledge and modeling for the exploitation of earth observation images with a high spatial, spectral and temporal resolution

• Auteur / Autrice : Julien Osman
• Direction : Jordi Inglada
• Type : Thèse de doctorat
• Discipline(s) : Océan, atmosphère et surfaces continentales
• Date : Soutenance le 10/02/2015
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)

Mots clés

Mots clés contrôlés

Markov, Processus de

Mots clés libres

Connaissances expertes

Télédétection

Markov logic

Résumé

Les futures missions spatiales d'observation de la Terre, Venµs et Sentinelle (1 et 2), fourniront un flot de données inédit en termes de résolution spatiale, revisite temporelle et richesse spectrale. Afin d'exploiter de façon efficace ces données pour la réalisation de cartes d'occupation des sols ou de détection de changements, des approches rapides, robustes et le moins supervisées possibles seront nécessaires. Un exemple d'utilisation de ces données pourrait être d'identifier, dès le mois de mai, les surfaces couvertes par du maïs dans tout le Sud-ouest de la France. Ou encore d'obtenir une carte d'occupation des sols mensuelle, dans un délai très court, à l'échelle de grandes régions. On constate que les images seules ne permettent pas d'obtenir de telles données. Nous avons cependant d'autres types d'informations à notre disposition, qui ont jusqu'alors été très peu exploitées. Ce travail de thèse a consisté à identifier les informations dites a priori disponibles, évaluer leur pertinence, et les introduire dans les chaînes de traitement déjà existantes pour chiffrer leur apport. Nous nous sommes intéressés en particulier au domaine du suivi de l'agriculture. Les informations que nous avons utilisées sont, entre autres, les connaissances sur les pratiques agricoles (rotations de culture, irrigation, alternances de catégories de cultures, etc.), les tailles des parcelles et la topographie. Nous avons principalement travaillé avec 2 sources de connaissances a priori : * Celles contenues dans des bases de données telles que le Registre Parcellaire Graphique (RPG). Nous avons utilisé des méthodes d'apprentissage automatique sur les données pour les extraire. * Celles fournies par des experts. Nous les avons modélisées à l'aide de règles de la logique de 1er ordre. Une des contributions de cette thèse est la sélection et l'évaluation d'un outil qui permette d'extraire l'information et de la traiter, de manière à ce qu'elle soit introduite de façon efficace dans les algorithmes de classification déjà existants. Pour cela, nous avons utilisé la Logique de Markov, un outil statistique capable de travailler à la fois sur des informations issues de bases de données, et sur des informations modélisées sous la forme de règles logiques. Nous avons montré que l'utilisation de ces données permet d'améliorer la qualité des cartes d'occupation du sol. Nous avons de plus montré que ces informations permettent d'obtenir des cartes en quasi-temps-réel, dont la qualité va crescendo avec l'arrivé de nouvelles informations. En conclusion de ce travail de thèse, nous donnons des pistes pour appliquer la même méthodologie à d'autres domaines, en particulier au suivi des forêts tropicales et à la cartographie générique de l'occupation du sol.

The future Earth observation space missions, Venµs and Sentinel (1 and 2), will provide us with a flow of data unseen in terms of spatial, spectral and temporal resolution. To use these data efficiently for the generation of land cover maps or change detection, we need fast, robust approaches that require as little supervision as possible. For instance, a concrete use of these data could be the identification, as early as May, of the area growing corn in all the South-West part of France. Or obtaining a monthly land cover map, in a slight delay, on large areas. Images alone don't allow us to reach such goals. Nevertheless, other information is available, which hasn't been really used. The main goal of this thesis is to identify available prior information, evaluate its revelance, and introduce it in preexisting processing chains to assess its contribution. We focused on agriculture monitoring. The information we used is knowledge on farming practices (crop rotations, irrigation, crop class alternation, etc) and the size and the topography of the fields. We mainly worked with 2 sources of prior knowledge: * Knowledge contained in databases such as the Registre Parcellaire Graphique (RPG). We used data mining methods to extract it. * Knowledge provided by experts. We modeled it with 1\up{st} order logic rules. One contribution of this thesis is the selection and assessment of a tool allowing us to extract and process information in a way that we can introduce it efficiently in preexisting classification algorithms: Markov Logic. Markov Logic is a statistical tool able to work with both information from databases and information modeled with logic rules. We show that using these data increases the quality of the land cover maps. We also show that this information allows us to obtain real time maps, whose quality increases with the arrival of new information. As a conclusion of this thesis work, we provide outlooks for applying the same methodology to other areas, such as the monitoring of tropical forests dans generic land cover mapping.