Adaptation de domaine temporelle non supervisée pour la cartographie de l'occupation des sols à partir d'images satellitaires optiques multirésolutions spatiales et multitemporelles

Unsupervised temporal domain adaptation for land cover mapping from spatial multi-resolution and multi-temporal optical satellite images

• Auteur / Autrice : Emmanuel Capliez
• Direction : Dino Ienco, Nicolas Baghdadi
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/10/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Territoires, Environnement, Télédétection et Information Spatiale (Montpellier)
• Jury : Examinateurs / Examinatrices : Dino Ienco, Nicolas Baghdadi, Thomas Corpetti, Jonathan Weber, Carmen Gervet, Josiane Mothe
• Jury : Rapporteurs / Rapporteuses : Thomas Corpetti, Jonathan Weber

Mots clés

Mots clés contrôlés

Apprentissage profond

Imagerie satellitaire

Séries chronologiques

Fusion multicapteurs

Télédétection

Mots clés libres

Adaptation de domaine temporelle

Cartographie de l'occupation des sols

Télédétection multicapteur. multiéchelle et multitemporelle

Images optiques haute et très haute résolution

Séries temporelles d'images satellites

Apprentissage profond

Temporal domain adaptation

Land cover mapping

Multi-Sensor. multi-Temporal and multi-Scale remote sensing

High and very high resolution optical images

Satellite image time series

Deep learning

Résumé

Cette thèse de doctorat porte sur la cartographie de l'occupation des sols à partir de données d'observation de la Terre par satellites optiques multirésolutions, acquises sous forme de séries temporelles d'images haute résolution spatiale complétées d'images monodates de très haute résolution spatiale si besoin. L'objectif de cette recherche est de proposer un cadre méthodologique permettant l'utilisation de données d'observation labellisées (associées à des données de référence) déjà disponibles et capable de réaliser une carte d'occupation des sols la plus précise possible à partir de nouvelles données d'observation non labellisées couvrant la même zone géographique. Des techniques d'apprentissage automatique, plus particulièrement d'apprentissage profond et d'adaptation de domaine, sont utilisées pour développer ce cadre méthodologique qui doit tenir compte de l'absence de données de référence (vérité terrain) associées à ces nouvelles données d'observation.Le cadre méthodologique générique d'Adaptation de Domaine Temporelle Non Supervisée (ADTNS), ainsi développé, s'appuie sur des techniques d'apprentissage antagoniste et d'auto-entraînement d'un modèle de classification de l'occupation des sols fondé sur des réseaux de neurones profonds. La cohérence spatiale entre les données d'observation déjà existantes et les nouvelles est un facteur clé dans le processus d'auto-entraînement.Le cadre méthodologique générique a d'abord été appliqué à des données d'observation de type série temporelle d'images satellites (SITS) de même haute résolution spatiale acquises par les satellites Sentinel-2. Les SITS sont des données d'observation de la Terre offrant des caractéristiques spatio-temporelles particulièrement utiles pour la cartographie de l'occupation des sols car permettant d'observer la dynamique temporelle du signal observé. Le modèle de classification de l'occupation des sols a été adapté pour utiliser en entrée ces données. Les résultats obtenus montrent la plus-value du cadre méthodologique proposé par rapport à des méthodes compétitrices d'ADTNS dans le cadre de l'utilisation de SITS. De plus, si la distribution des classes d'occupation des sols ne change pas fortement entre les données disponibles et nouvelles, le cadre proposé s'avère hautement compétitif vis à vis d'un classifieur entraîné uniquement sur les nouvelles données disposant de leur vérité terrain.Un deuxième cas d'application du cadre générique développé a porté sur l'utilisation de données multicapteurs permettant de disposer d'images de résolution spatiales différentes. Ainsi, en complément des SITS, des images monodates mieux résolues prises par les satellites Spot-6/7 ont été utilisées. A l'identique du premier cas, le modèle de classification ainsi que le processus d'auto-entraînement ont été modifiés en conséquence. Les résultats de l'expérimentation amènent aux mêmes conclusions que pour les SITS et démontrent un gain significatif dû à l'ajout des données certes mono-date mais de meilleure résolution spatiale.Les résultats de cette recherche soulignent l'efficacité de la combinaison de méthodes d'apprentissage antagoniste et d'auto-entraînement afin de résoudre une problématique d'ADTNS d'un modèle de classification de l'occupation des sols, sous l'hypothèse que la zone géographique observée demeure la même. En termes de pistes d'amélioration, il serait opportun d'étudier, entre autres, l'utilisation de plusieurs sources de données labellisées disponibles de type identique, et l'apport d'une nomenclature plus complexe concernant les classes d'occupation des sols.

His PhD thesis deals with the land cover map processing from multi-resolution optical satellite Earth observation data, acquired as a time series of high spatial resolution images completed with single-date very high spatial resolution images if needed. The objective of this research is to propose a methodological framework allowing the use of available labeled (with reference data associated) observation data and capable of producing a land cover map as accurate as possible from new non-labeled observation data covering the same geographical area. Machine learning techniques, more particularly deep learning and domain adaptation, are used to develop this methodological framework which must take into account the absence of reference data (ground truth) associated with these new observation data.The generic methodological framework of Unsupervised Temporal Domain Adaptation (UTDA), thus developed, relies on adversarial learning techniques and self-training of a land cover classification model based on deep neural networks. Spatial consistency between existing and new observation data is a key factor in the self-training process.The generic methodological framework was first applied to observational data of the satellite image time series (SITS) type with the same high spatial resolution. SITS are Earth observation data offering interesting spatio-temporal features for land cover mapping. In fact, it allows the temporal dynamics of the observed signal to be observed. The land cover classification model has been adapted to process SITS. The results obtained show the added value of the proposed methodological framework compared to competing UTDA methods in the context of STIS use. Moreover, if the distribution of land cover classes does not change significantly between the available and new data, the proposed framework proves to be highly competitive with respect to a classifier trained only on the new data with their ground truth.A second application of the developed generic framework concerned the use of multisensor data allowing to have images of different spatial resolution. Thus, in addition to the SITS, better resolved single-date images were used. As in the first case, the classification model and the self-training process were modified accordingly. The results of the experimentation lead to the same conclusions as for the STIS and demonstrate a significant gain due to the addition of the single-date data but with better spatial resolution.The results of this research underline the effectiveness of combining adversarial learning and self-training methods in order to solve an UTDA problem of a land use classification model under the assumption that the geographical area observed remains the same. In terms of improvement, it would be appropriate to study, among other things, the use of several sources of available labeled data of identical type, and the contribution of a more complex nomenclature concerning the land use classes.