Analyse de séries temporelles massives d'images satellitaires : Applications à la cartographie des écosystèmes

Time-Series Analysis of Massive Satellite Images : Application to Earth Observation

• Auteur / Autrice : Alexandre Constantin
• Direction : Stéphane Girard, Mathieu Fauvel
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 13/12/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble)
• Partenaire(s) de recherche : Equipe de recherche : Equipe-projet Modelling and inference of complex and structured stochastic systems (Montbonnot, Isère, France ; 200.-2020)
• Jury : Président / Présidente : Marie Chabert
• Jury : Examinateurs / Examinatrices : Lionel Bombrun
• Jury : Rapporteurs / Rapporteuses : Gabriele Moser, Julien Jacques

Mots clés

Mots clés contrôlés

Données massives

Imagerie satellitaire

Séries chronologiques

Processus gaussiens

Mots clés libres

Données Massives

Optimisation

Séries Temporelles

Observation de la Terre

Processus Gaussiens

Gaussian Processes

Time Series

Optimization

Big Data

Earth Observation

Résumé

Cette thèse s’inscrit dans le contexte de l’exploitation des données issues de la mission Sentinel-2. Cette mission, initiée par l’Agence spatiale européenne et lancée en 2017, produit massivement des séries temporelles d’images satellite (SITS). Parmi les axes d’analyse de ces images, cette thèse se concentre plus particulièrement sur la classification, c’est-à-dire la production de cartes d’occupation ou d’utilisation des sols en utilisant l’aspect spectro-temporel des SITS issues de Sentinel-2.Les deux principales difficultés auxquelles ces travaux de thèse se confrontent sont les suivantes. Tout d’abord, la quantité sans précédent de données nécessite à la fois la mise en œuvre de classifieurs capables de passer à l’échelle et l’utilisation de techniques d’optimisation de code (telles que le traitement parallèle). Deuxièmement, le bruit d’acquisition (nuages, ombres) combiné à l’aspect temporel des données résulte en un échantillonnage irrégulier des séries temporelles. Les approches conventionnelles ré-échantillonnent les séries temporelles sur une grille unique, puis elles utilisent des méthodes d’apprentissage vectorielles pour classer à grande échelle (échelle nationale). Cette démarche en deux étapes a pour inconvénient principal d’alourdir le nombre de traitements appliqués aux SITS, rendant les traitements plus complexes. Dans une moindre mesure, l’étape de ré-échantillonnage peut légèrement altérer les caractéristiques temporelles de la donnée.Les contributions présentées dans cette thèse sont les suivantes. Nous introduisons une nouvelle approche statistique ayant la capacité de classer des séries temporelles avec un échantillonnage irrégulier basée sur un mélange de processus gaussiens multivariés. Une approche en deux étapes a été proposée, en définissant dans un premier temps un modèle sur des séries temporelles uni-dimensionnelles et indépendantes au sens de l’indépendance spectrale, puis en considérant dans un second temps conjointement les informations spectrales et temporelles des SITS. Ces modèles permettent, de surcroît, une reconstruction de données à des instants non observés ou bruités.L’estimation des deux modèles repose sur un code python parallélisé afin d’être exploitable sur les données de très grande taille. Les deux modèles sont évalués numériquement sur les SITS issues de Sentinel-2 en terme de classification et de reconstruction et sont comparés aux approches conventionnelles. L’analyse des résultats illustre la pertinence des deux modèles et le bénéfice de disposer de modèles paramétriques interprétables.

This thesis takes place in the context of the processing of the data from Sentinel-2 mission. This mission, initiated by the European Space Agency and launched in 2017, produces an unprecedented amount of Satellite Image Time-Series (SITS). Among the key analyses of these images, this thesis focuses on the classification task, i.e. land use or land cover maps that can be produced using spectro-temporal aspect of the Sentinel-2 SITS.Two main difficulties are identified in this thesis for the process of Sentinel-2 SITS. First, the unprecedented amount of data requires both scalable classifiers and code optimization techniques (such as parallel processing). Second, the acquisition noise (clouds, shadows) combined with the temporal aspect results in irregular and unevenly sampled time-series. Conventional approaches re-sample time-series to a set of time stamps, then they use machine learning techniques to classify vectors at a large-scale (national scale). The main disadvantage of this two-step processing approach is that it increases the number of operations applied to the SITS, implying a more difficult transition to massive amount of data. To a lower extent, the re-sampling step may slightly alter the temporal characteristics of the data.This thesis contributions are the following. We introduce a novel model-based approach with the ability to classify irregularly sampled time-series based on a mixture of multivariate Gaussian processes. A two-step approach has been used, by defining on one hand a model of uni-variate time-series, independent from the spectral wavelength point of view, then by considering on the second hand both spectral and temporal information from SITS. These models allow jointly a reconstruction of unobserved or noisy data. Estimation of both models has been implemented using a parallelized python code to be scalable to large-scale data-sets. The two models are evaluated numerically on Sentinel-2 SITS in terms of classification and reconstruction accuracy and are compared with conventional approaches. Analyses of the results illustrate the relevance of the two models and the benefit of using interpretable parametric models.