Apport des images Sentinel-1&2 et des méthodes d’apprentissage profond pour la cartographie et le suivi des modes d’occupation des sols

Contribution of Sentinel-1&2 imagery and deep learning methods for land use land cover mapping and monitoring

• Auteur / Autrice : Romain Wenger
• Direction : Anne Puissant, Germain Forestier
• Type : Thèse de doctorat
• Discipline(s) : Geographie
• Date : Soutenance le 20/03/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire image, ville et environnement (Strasbourg)
• Jury : Président / Présidente : Clément Mallet
• Jury : Examinateurs / Examinatrices : Charlotte Pelletier, David Sheeren, Jonathan Weber, Lhassane Idoumghar
• Jury : Rapporteurs / Rapporteuses : Clément Mallet, Laurence Hubert-Moy

Mots clés

Mots clés contrôlés

Apprentissage profond

Intelligence artificielle

Télédétection

Mots clés libres

Télédétection

Intelligence artificielle

Apprentissage profond

Sentinel-1

Sentinel-2

Remote sensing

Artificial intelligence

Deep learning

Sentinel-1

Sentinel-2

Résumé

La couverture biophysique de la surface terrestre, plus communément appelée occupation des sols, est une composant des Variables Climatiques Essentielles (VCE) depuis plusieurs années. Dans un contexte de changement globale, sa connaissance précise est au cœur de nombreux projets de recherche sur l’environnement. En effet, cette donnée peut être utilisé en entrée de différents modèles, tels que les modèles climatiques et permet d’aider les acteurs locaux des territoires dans leur prise de décision. Les constellations satellitaires actuelles fournissent des images à haute résolution spatiale et temporelle avec de multiples modes d’acquisition (radar, optique etc.). Les nouvelles méthodes d’intelligence artificielle telles que l’apprentissage profond, ont permis d’obtenir des résultats prometteurs et ont accéléré le traitement des données massives. Ainsi, l’objectif de cette thèse est d’évaluer la contribution des capteurs Sentinel-1&2 pour la classification et le suivi de l’occupation et de l’usage des sols et plus particulièrement des tissus urbains.

The biophysical cover of the earth's surface, otherwise known as land cover, has been an integral part of Essential Climate Variables (ECV) for several years. In a context of global change, precise knowledge of land cover is an important component of many environmental research projects. Indeed, this data can be used as input for several types of models (e.g. climate models) and help urban planners in their decision making. For several years, constellations of Earth observation satellites have been able to transmit high spatial and temporal resolution images (e.g. Sentinel constellation) using several acquisition modes (radar, optical, etc.). Deep learning methods, which have become increasingly attractive in recent years, have accelerated the processing of these large volumes of data and have also produced better results than traditional machine learning methods. The objective of this thesis is to evaluate the contribution of Sentinel-1&2 sensors for the classification and monitoring of land use/land cover and more specifically of urban fabrics.