Développement d'algorithmes de type deep-learning pour la classification et la surveillance de la couverture terrestre à partir de données d'observation de la Terre multi temporelles

Development of deep learning algorithms for land cover classification and monitoring with multi-temporal Earth observation data

• Auteur / Autrice : Ricardo Simao Diniz dal molin junior
• Direction : Laetitia Thirion, Régis Guinvarc'h
• Type : Projet de thèse
• Discipline(s) : Electronique, Photonique et Micro-Nanotechnologies
• Date : Inscription en doctorat le 30/07/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : SONDRA/CENTRALESUPELEC
• Partenaire(s) de recherche : Référent : CentraleSupélec

Mots clés

Mots clés libres

Classification de la couverture terrestre

Observation de la Terre

Apprentissage profond

Land cover classification

Earth observation

Deep learning

Résumé

En particulier, l'étudiant étudiera d'abord les architectures deep learning supervisées de pointe, et en particulier les réseaux de neurones convolutifs (CNN), pour effectuer des tâches de classification à l'aide d'approches multi-temporelles et multi-capteurs, qui exploiteront la complémentarité de l'optique et des capteurs radar à résolution moyenne, tels que Sentinel-1 et Sentinel-2. De plus, l'exploitation des séries temporelles radar, disponibles par tout temps et indépendamment de toute source lumineuse, permettra de développer des algorithmes adaptés pour effectuer un suivi régulier de l'occupation du sol sur des zones critiques majoritairement couvertes par des nuages. C'est, par exemple, le cas des forêts dans les régions tropicales, où un suivi efficace de la déforestation et des perturbations forestières est d'une importance primordiale.

The student will first study state-of-the-art supervised deep learning architectures, and in particular convolutional neural networks (CNN), to perform classification tasks using multi-temporal and multi-sensor approaches, which will exploit the complementarity of optical and medium-resolution radar sensors, such as Sentinel-1 and Sentinel-2. In addition, the use of radar time series, available in all weather condtions and independently of daylight, will allow the development of algorithms adapted to regular monitoring of land cover over critical areas covered mainly by clouds. This is, for example, the case of forests in tropical regions, where an efficient monitoring of deforestation and forest disturbances is of primary importance.