Méthodes d’apprentissage automatique et les changements de l’occupation du littoral du Pays de Brest

Machine Learning methods and Land Use/Land Cover (LULC) in the coastal Pays de Brest

• Auteur / Autrice : Guanyao Xie
• Direction : Simona Niculescu
• Type : Thèse de doctorat
• Discipline(s) : Géomatique
• Date : Soutenance le 10/02/2023
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la mer et du littoral (Plouzané)
• Partenaire(s) de recherche : Laboratoire : Littoral, environnement, télédétection, géomatique (Plouzané, Finistère)
• Jury : Président / Présidente : Christophe Claramunt
• Jury : Examinateurs / Examinatrices : Simona Niculescu, Christophe Claramunt, Sébastien J.-P. Gadal, Antoine Collin, Vincent Rodin, Thomas Corpetti
• Jury : Rapporteurs / Rapporteuses : Sébastien J.-P. Gadal, Antoine Collin

Mots clés

Mots clés contrôlés

Littoraux -- Aménagement

Brest (Finistère ; région)

Télédétection

Utilisation du sol

Mots clés libres

Télédétection

Occupation du sol

Apprentissage automatique

Apprentissage profond

Littoral

Remote sensing

Land cover

Land use

Machine learning

Deep learning

Coastal area

Résumé

En tant que zone côtière, le Pays de Brest a été reconnu comme une source essentielle de production alimentaire, un centre d'activités socio-économiques ainsi qu'un écosystème unique et un réservoir de biodiversité. Cependant, le Pays de Brest souffre d'une vulnérabilité environnementale et des impacts des activités humaines, en particulier le Pays de Brest a connu changements d'occupation des sols (LULCC) importants depuis les années 1990 en raison de l'augmentation de la population et de l'expansion urbaine. Il est donc essentiel de développer une solide compréhension de l’occupation du sol (LULC) et de surveiller les LULCC qui se produisent au fil du temps dans le Pays de Brest. Les technologies de télédétection sont aujourd'hui l'outil le plus utilisé pour la cartographie de LULC et la détection des LULCC, notamment grâce au développement d'algorithmes de traitement avancés, et à l'arrivée de la dernière génération d'images satellites ces dernières années.Dans ce contexte, l'objectif de ce travail est de produire une méthodologie robuste, spécifique et reproductible qui se concentre sur une approche comparative des méthodes de machine learning (ML) adaptées aux zones côtières pour le suivi rentable des LULC et l'évaluation des changements impactant le Pays de Brest. De plus, l'étude a été réalisée à travers trois cas d'étude spécifiques au Pays de Brest : 1) classification du couvert végétal en utilisant les méthodes ML dans la ville de Brest, 2) cartographie et suivi des changements d'occupation et d'utilisation des sols dans la presqu’ile de Crozon (Bretagne, France) de 2007 à 2018 par des algorithmes ML et par comparaison post-classification, et 3) cartographie des types de cultures avec des données optiques Sentinel-2 et ML méthodes, et suivi de la phénologie des cultures avec les séries temporelles de rétrodiffusion Sentinel-1 dans le Pays de Brest, Bretagne, France.

As a coastal area, Pays de Brest have been recognized as an essential sources of food production, a center of socio-economic activities as well as an unique ecosystem and a repository of biodiversity. However, the coastal Pays de Brest suffers from environmental vulnerability and the impacts of human activities, especially the Pays de Brest has experienced significant land use and land cover changes (LULCC) since the 1990s due to rising population and urban expansion. It is therefore critical to develop a solid understanding of land use and land cover (LULC) and to monitor LULCC that occur over time in Pays de Brest. Remote sensing technologies are the most widely used tool for LULC mapping and LULCC detection nowadays, especially with the development of advanced processing algorithms, and the arrival of the latest generation of satellite imagery in recent years. With this context, the objective of this work is to produce a robust, specific, and reproducible methodology that focuses on a comparative approach to machine learning (ML) methods adapted to coastal areas for the cost-effective monitoring of LULC and the assessment of changes impacting Pays de Brest. Moreover, the study was carried out through three specific study cases in Pays de Brest: 1) ML methods and classification of vegetation in Brest, France, 2) mapping and monitoring of LULCC in the Crozon Peninsula (Brittany, France) from 2007 to 2018 by ML algorithms and by post-classification comparison, and 3) mapping crop types using Sentinel-2 optical satellite data ML algorithms and monitoring crop phenology with Sentinel-1 backscatter time series in pays de Brest, Brittany, France.