Academic literature on the topic 'Séries temporelles d'images satellites'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Séries temporelles d'images satellites.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Séries temporelles d'images satellites"
1
Buard, Elodie. "Description des états annuels et des évolutions de la couverture végétale observée par des séries temporelles d'images MODIS dans le parc national de Hwange (Zimbabwe)." Revue Française de Photogrammétrie et de Télédétection, no. 207 (June 19, 2014): 71–84. http://dx.doi.org/10.52638/rfpt.2014.54.
Full textAbstract:
Dans le parc de Hwange au Zimbabwe, les grands troupeaux d'herbivores, comme les éléphants, zèbres ou buffles, sont concentrés sur certaines zones. Ces zones subissent donc une forte pression animale. Nous cherchons à étudier l'évolution de la végétation sur ces zones, et plus généralement sur l'ensemble du parc, pour ensuite étudier les liens entre les pratiques spatiales des troupeaux d'animaux et l'évolution de la végétation. Dans ce papier, nous proposons une démarche pour identifier les évolutions de la couverture végétale, mesurée par le biais des pixels des images satellites MODIS, disponibles à une fréquence mensuelle. L'ensemble de ces images constitue des séries temporelles d'images. Notre démarche permet d'estimer l'importance et le sens de l'évolution de la couverture végétale entre 2003 et 2010 puis d'identifier les lieux d'évolutions.Chaque image permet d'obtenir des valeurs d'indice NDVI par pixel de 250 m, qui décrivent la biomasse produite. Puis grâce aux séries temporelles de ces images, une analyse évolutive des valeurs NDVI est effectuée. Dans une première partie, nous établissons des profils types de phénologie des végétaux, qui décrivent l'évolution de la biomasse produite par les végétaux au cours de l'année. Comme la phénologie est liée à la pluviométrie, les profils types d'évolution annuelle de la biomasse sont définis pour une année sèche et pour une année humide. Dans une seconde partie, nous nous concentrons sur des évolutions sur une dizaine d'années. Grâce à ces profils types, nous identifions les pixels présentant une faible couverture végétale annuelle en utilisant des seuils d'anormalité statistique. Sur plusieurs années, nous pouvons en dégager des pixels, et donc des lieux du parc, où la couverture végétale a évolué, que ce soit en croissance ou en dégradation.
2
Inglada, Jordi. "Lettre : Utilisation conjointe de séries temporelles d'images optiques et radar pour le suivi des surfaces agricoles." Revue Française de Photogrammétrie et de Télédétection, no. 219-220 (January 19, 2020): 71–72. http://dx.doi.org/10.52638/rfpt.2019.468.
Full text
3
Lafrance, Bruno, Xavier Lenot, Caroline Ruffel, Patrick Cao, and Thierry Rabaute. "Outils de prétraitements des images optiques Kalideos." Revue Française de Photogrammétrie et de Télédétection, no. 197 (April 21, 2014): 10–16. http://dx.doi.org/10.52638/rfpt.2012.78.
Full textAbstract:
La communauté scientifique a besoin de disposer de séries temporelles d'observations récurrentes, couvrant des sites d'intérêt pour le suivi de l'évolution des surfaces terrestres (études agronomiques par assimilation de données, suivi de traits de côte, glissements de terrain, surveillance des volcans, cartographie littorale, etc.). L'analyse de ces séries temporelles demande à avoir des images superposables entre elles qui renseignent sur la réflectance des sites (grandeur physique indépendante du capteur).Dans l'objectif de rendre accessibles de telles données physiques et de garantir une homogénéité des traitements de séries temporelles d'images, le CNES a mis en place le programme Kalideos. Dans ce cadre, CS SI a développé et opère les chaines de traitement des images.Cet article présente les traitements appliqués aux images optiques des bases Kalideos (capteurs Spot et Formosat). Ces traitements permettent de convertir les produits de niveau 1A en ortho-images, donnant la réflectance mesurée au sommet de l'atmosphère et celle estimée au niveau de la surface après correction des effets atmosphériques.
4
Le Bris, Arnaud, Cyril Wendl, Nesrine Chehata, Anne Puissant, and Tristan Postadjian. "Fusion tardive d'images SPOT-6/7 et de données multi-temporelles Sentinel-2 pour la détection de la tâche urbaine." Revue Française de Photogrammétrie et de Télédétection, no. 217-218 (September 21, 2018): 87–97. http://dx.doi.org/10.52638/rfpt.2018.415.
Full textAbstract:
La fusion d'images multispectrales à très haute résolution spatiale (THR) avec des séries temporelles d'images moins résolues spatialement mais comportant plus de bandes spectrales permet d'améliorer la classification de l'occupation du sol. Elle tire en effet le meilleur parti des points forts géométriques et sémantiques de ces deux sources. Ce travail s'intéresse à un processus d'extraction automatique de la tache urbaine fondé sur la fusion tardive de classifications calculées respectivement à partir d'images satellitaires Sentinel-2 et SPOT-6/7. Ces deux sources sont d'abord classées indépendamment selon 5 classes, respectivement par forêts aléatoires et réseaux de neurones convolutifs. Les résultats sont alors fusionnés afin d'extraire les bâtiments le plus finement possible. Cette étape de fusion inclut une fusion au niveau pixellaire suivie d'une étape de régularisation spatiale intégrant un terme lié au contraste de l'image. Le résultat obtenu connaît ensuite une seconde fusion afin d'en déduire une tache urbaine : une mesure a priori de se trouver en zone urbaine est calculée à partir des objets bâtiments détectés précédemment et est fusionnée avec une classification binaire dérivée de la classification originale des données Sentinel-2.
5
KOENIGUER, Elise, Jean-Marie Nicolas, Béatrice Pinel-Puyssegur, Jean-Michel Lagrange, and Fabrice Janez. "Visualisation des changements sur séries temporelles radar : méthode REACTIV évaluée à l'échelle mondiale sous Google Earth Engine." Revue Française de Photogrammétrie et de Télédétection, no. 217-218 (September 21, 2018): 99–108. http://dx.doi.org/10.52638/rfpt.2018.409.
Full textAbstract:
Cet article présente une méthode de visualisation d'une pile temporelle d'images SAR, appelée REACTIV, qui permet de faire ressortir en couleur les zones ayant subi des changements sur la période de temps observée. Cette méthode a été testée à grande échelle grâce à la plateforme Google Earth Engine. Elle est basée sur l'espace de visualisation HSV et n'exploite que des estimations dans le domaine temporel, sans aucune estimation spatiale. La saturation des couleurs est codée par le coefficient de variation temporel, dont plusieurs propriétés statistiques sont explicitées. Les limites de l'utilisation de la plateforme Google Earth Engine sont évaluées, et plusieurs cas d'applications sont proposés : agriculture, dynamique urbaine, trafic maritime.
6
Oszwald, Johan, and Valéry Gond. "De l'utilisation des séries temporelles SPOT-VEGETATION pour surveiller un front pionnier." BOIS & FORETS DES TROPIQUES 312, no. 312 (June 1, 2012): 77. http://dx.doi.org/10.19182/bft2012.312.a20505.
Full textAbstract:
Depuis les années 1960, la forêt amazonienne se réduit face à l'extension des surfaces commerciales agricoles. Ce phénomène a été renforcé par l'augmentation de la population due à l'immigration vers ces nouveaux secteurs défrichés. Le phénomène a alors tendance à s'amplifier aux dépens de la forêt. Dans ce contexte, il devient essentiel de surveiller ces fronts pionniers afin de caractériser les changements rapides qui s'y opèrent. Les satellites à haute résolution ne sont pas adaptés pour surveiller ces milieux très dynamiques car leur résolution temporelle est faible et leur traitement reste compliqué. Inversement, les données satellitaires à basse résolution semblent être plus adaptées pour ce genre d'analyses. En se basant sur des données à basse résolution obtenues à partir du satellite SPOT-VEGETATION cette étude propose une méthode de surveillance adaptée à des fronts de déforestations de petites étendues. La méthode peut être extrapolée à d'autres fronts pionniers afin de les surveiller et d'établir des diagnostics sur les dynamiques temporelle des transformations paysagères.
7
Barrou Dumont, Zacharie, Simon Gascoin, and Jordi Inglada. "Contribution de SPOT World Heritage aux séries temporelles d'observation satellitaires des montagnes françaises." Revue Française de Photogrammétrie et de Télédétection 225, no. 1 (February 10, 2023): 1–8. http://dx.doi.org/10.52638/rfpt.2023.623.
Full textAbstract:
Ce papier présente la quantification de l’apport théorique, en termes de revisite, de l’archive historique SPOT du programme SPOT WORLD HERITAGE par rapport aux acquisitions Landsat et ASTER sur les montagnes françaises dans la période 1980-2020. Entre 1986 et 2015, les satellites SPOT 1 à 5 ont largement contribué au nombre d’acquisitions, avec des ordres de grandeur potentiellement généralisables à l’échelle de la France métropolitaine, et plus que doublant le nombre d’images multispectrales optiques disponibles dans les zones étudiées entre 2000 et 2010. La mise à la disposition du public de cette archive offre une nouvelle fenêtre sur les dernières décennies et une reproduction de cette étude à l’échelle globale permettrait d’identifier les régions et les champs d’applications qui en bénéficieraient.
8
Jacquin, Anne, Véronique Cheret, David Sheeren, and Gérard Balent. "Détermination du régime des feux en milieu de savane à Madagascar à partir de séries temporelles d'images MODIS." International Journal of Remote Sensing 32, no. 24 (September 27, 2011): 9219–42. http://dx.doi.org/10.1080/01431161.2010.550947.
Full text
9
Naizot, T., Y. Auda, A. Dervieux, J. Thioulouse, and et M. F. Bellan. "Une nouvelle analyse multi-temporelle d'images satellitales, les résidus de l'Analyse en Composantes Principales. Un cas d'étude: une série d'images Landsat Thematic Mapper de la Camargue, France." International Journal of Remote Sensing 25, no. 10 (May 2004): 1925–38. http://dx.doi.org/10.1080/01431160310001642313.
Full text
10
PISTONE, Frédéric, Yvan BAILLION, and Sandrine MATHIEU. "Les Missions Spatiales Hyperspectrales Developpées Par Thales Alenia Space." Revue Française de Photogrammétrie et de Télédétection 224, no. 1 (December 22, 2022): 9–10. http://dx.doi.org/10.52638/rfpt.2022.620.
Full textAbstract:
Embarqué sur la plateforme ENVISAT, le spectro-imageur MERIS développé par Thales Alenia Space a permis de mesurer, à partir de 1993 et jusqu’en 2012 les paramètres environnementaux notamment de la couleur de l’Océan au large et sur les zones côtières. Avec le programme Copernicus de l’Union Européenne s’est ouvert en 2014 une évolution vers des mesures opérationnelles grâce aux satellites Sentinel 3 dédiés aux océans et équipés d’une nouvelle génération de spectro-imageurs, OLCI, héritiers de MERIS; quatre satellites sont programmée afin d’assurer la continuité des mesures sur de longues séries temporelles. A l’horizon 2029, le programme Copernicus va se diversifier avec un satellite d’imagerie hyperspectrale confié à Thales Alenia Space, Sentinel-10 ou CHIME (Copernicus Hyperspectral Imaging Mission for the Environment). Cet ensemble de réalisations complété par le développement de sondeurs atmosphériques hyperspectraux comme IASI sur METOP et IRS sur METEOSAT, constituent une expertise technique de pointe, unique au monde.
Dissertations / Theses on the topic "Séries temporelles d'images satellites"
1
Petitjean, François. "Dynamic time warping : apports théoriques pour l'analyse de données temporelles : application à la classification de séries temporelles d'images satellites." Thesis, Strasbourg, 2012. http://www.theses.fr/2012STRAD023.
Full textAbstract:
Les séries temporelles d’images satellites (STIS) sont des données cruciales pour l’observation de la terre. Les séries temporelles actuelles sont soit des séries à haute résolution temporelle (Spot-Végétation, MODIS), soit des séries à haute résolution spatiale (Landsat). Dans les années à venir, les séries temporelles d’images satellites à hautes résolutions spatiale et temporelle vont être produites par le programme Sentinel de l’ESA. Afin de traiter efficacement ces immenses quantités de données qui vont être produites (par exemple, Sentinel-2 couvrira la surface de la terre tous les cinq jours, avec des résolutions spatiales allant de 10m à 60m et disposera de 13 bandes spectrales), de nouvelles méthodes ont besoin d’être développées. Cette thèse se focalise sur la comparaison des profils d’évolution radiométrique, et plus précisément la mesure de similarité « Dynamic Time Warping », qui constitue un outil permettant d’exploiter la structuration temporelle des séries d’images satellitesSatellite Image Time Series are becoming increasingly available and will continue to do so in the coming years thanks to the launch of space missions, which aim at providing a coverage of the Earth every few days with high spatial resolution (ESA’s Sentinel program). In the case of optical imagery, it will be possible to produce land use and cover change maps with detailed nomenclatures. However, due to meteorological phenomena, such as clouds, these time series will become irregular in terms of temporal sampling. In order to consistently handle the huge amount of information that will be produced (for instance, Sentinel-2 will cover the entire Earth’s surface every five days, with 10m to 60m spatial resolution and 13 spectral bands), new methods have to be developed. This Ph.D. thesis focuses on the “Dynamic Time Warping” similarity measure, which is able to take the most of the temporal structure of the data, in order to provide an efficient and relevant analysis of the remotely observed phenomena
2
Bellet, Valentine. "Intelligence artificielle appliquée aux séries temporelles d'images satellites pour la surveillance des écosystèmes." Electronic Thesis or Diss., Université de Toulouse (2023-....), 2024. http://www.theses.fr/2024TLSES013.
Full textAbstract:
Dans un contexte de changement climatique, la surveillance des écosystèmes est une mission essentielle. En effet, cela permet de mieux comprendre les changements qui peuvent affecter les écosystèmes mais aussi de prendre des décisions en conséquence afin de préserver les générations actuelles et futures. Les cartes d'occupations du sol sont un outil indispensable en fournissant des informations sur les différents types de couverture physique de la surface de la Terre (e.g. forêts, prairies, terres agricoles). Actuellement, un nombre accru de missions satellites fournissent un volume important de données gratuites et librement accessibles. Les séries temporelles d'images satellites (SITS), dont celles de Sentinel-2, notamment grâce à leurs très hautes résolutions, informent sur la dynamique de la végétation. Des algorithmes d'apprentissage automatique permettent de produire de manière fréquente et régulière des cartes d'occupations du sol à partir de SITS. L'objectif de cette thèse est le développement d'algorithmes de classification supervisée pour la production de cartes d'occupations du sol à grande échelle. Dans un contexte opérationnel, quatre principaux défis se dégagent. Le premier concerne le volume important de données que les algorithmes doivent être capables de gérer. Le second est lié à la prise en compte des corrélations entre les variables spectro-temporelles et leur extraction pour la classification. Le troisième, quant à lui, correspond à la prise en compte de la variabilité spatiale: dans des zones géographiques étendues, la donnée n'est pas stationnaire. Enfin, le quatrième défi concerne l'utilisation de SITS irrégulièrement échantillonnées et non alignées, principalement du aux conditions météorologiques (e.g. nuages) ou à des dates d'acquisitions différentes entre deux orbites. Cette thèse est divisée en deux contributions principales. La première contribution concerne la mise en place de processus gaussiens stochastiques variationnels (SVGP) pour des SITS à grande échelle. Des millions d'échantillons peuvent être utilisés pour l'apprentissage, au lieu de quelques milliers pour les processus gaussiens (GP) traditionnels. Des combinaisons de fonctions de covariances ont été mis en place permettant notamment de prendre en compte l'information spatiale et d'être plus robuste vis à vis de la variabilité spatiale. Cependant, les SITS sont ré-échantillonnés linéairement indépendamment de la tâche de classification. La deuxième contribution concerne donc la mise en place d'un ré-échantillonnage optimisé pour la tâche de classification. Un interpolateur à noyau prenant en compte l'information spatiale permet de produire une représentation latente qui est donnée à notre SVGP. Les expérimentations ont été menées avec les SITS de Sentinel-2 pour l'ensemble de l'année 2018 sur une zone d'environ 200 000 km^2(environ 2 milliards de pixels) dans le sud de la France (27 tuiles MGRS). Ce dispositif expérimental est représentatif d'un cadre opérationnel. Les résultats obtenus montrent que les modèles issus des deux contributions sont plus performants que la méthode utilisée pour les systèmes opérationnels actuels (i.e. forêts d'arbres aléatoires avec des SITS linéairement ré-échantillonnées utilisant la stratification spatiale)In the context of climate change, ecosystem monitoring is a crucial task. It allows to better understand the changes that affect them and also enables decision-making to preserve them for current and future generations. Land use and land cover (LULC) maps are an essential tool in ecosystem monitoring providing information on different types of physical cover of the Earth's surface (e.g. forests, grasslands, croplands). Nowadays, an increasing number of satellite missions generate huge amounts of free and open data. In particular, satellite image time series (SITS), such as the ones produced by Sentinel-2, offer high temporal, spectral and spatial resolutions and provide relevant information about vegetation dynamics. Combined with machine learning algorithms, they allow the production of frequent and accurate LULC maps. This thesis is focused on the development of pixel-based supervised classification algorithms for the production of LULC maps at large scale. Four main challenges arise in an operational context. Firstly, unprecedented amounts of data are available and the algorithms need to be adapted accordingly. Secondly, with the improvement in spatial, spectral and temporal resolutions, the algorithms should be able to take into account correlations between the spectro-temporal features to extract meaningful representations for the purpose of classification. Thirdly, in wide geographical coverage, the problem of non-stationarity of the data arises, therefore the algorithms should be able to take into account this spatial variability. Fourthly, because of the different satellite orbits or meteorological conditions, the acquisition times are irregular and unaligned between pixels, thus, the algorithms should be able to work with irregular and unaligned SITS. This work has been divided into two main parts. The first PhD contribution is the development of stochastic variational Gaussian Processes (SVGP) on massive data sets. The proposed Gaussian Processes (GP) model can be trained with millions of samples, compared to few thousands for traditional GP methods. The spatial and spectro-temporal structure of the data is taken into account thanks to the inclusion of the spatial information in bespoke composite covariance functions. Besides, this development enables to take into account the spatial information and thus to be robust to the spatial variability of the data. However, the time series are linearly resampled independently from the classification. Therefore, the second PhD contribution is the development of an end-to-end learning by combining a time and space informed kernel interpolator with the previous SVGP classifier. The interpolator embeds irregular and unaligned SITS onto a fixed and reduced size latent representation. The obtained latent representation is given to the SVGP classifier and all the parameters are jointly optimized w.r.t. the classification task. Experiments were run with Sentinel-2 SITS of the full year 2018 over an area of 200 000 km^2 (about 2 billion pixels) in the south of France (27 MGRS tiles), which is representative of an operational setting. Results show that both methods (i.e. SVGP classifier with linearly interpolated time series and the spatially kernel interpolator combined with the SVGP classifier) outperform the method used for current operational systems (i.e. Random Forest with linearly interpolated time series using spatial stratification)
3
Héas, Patrick. "Apprentissage bayésien de structures spatio-temporelles : application à la fouille visuelle de séries temporelles d'images de satellites." Toulouse, ENSAE, 2005. http://www.theses.fr/2005ESAE0004.
Full textAbstract:
Durant les dernières décennies, les satellites n'ont cessé d'acquérir des images de haute résolution de beaucoup de sites d'observation de la Terre. De nouveaux produits sont apparus avec ce processus d'acquisition intensif : les séries temporelles d'images satellites de haute résolution. Elles représentent un important volume de données dont le riche contenu informatif est susceptible d'intéresser un large panel d'applications nouvelles. Cette thèse présente un concept de fouille d'information qui permet l'apprentissage de structures spatio-temporelles contenues dans les séquences d'images, l'objectif étant l'interprétation et la recherche probabiliste de phénomènes dans l'espace et le temps. Les connaissances expertes d'un utilisateur conduisent le processus d'apprentissage, via la communication d'exemples et de contre exemples. Les fondements théoriques de ce concept se situent à l'interface de l'inférence bayésienne et entropique, des modèles stochastiques et de la cognition visuelle. Le concept emploie une modélisation hiérarchique bayésienne du contenu des séquences d'images, qui permet de lier les intérêt des utilisateurs aux différentes structures spatio-temporelles. La hiérarchie comprend deux principales phases d'apprentissage : l'inférence non supervisé d'un graphe de trajectoires de clusters dynamiques et, basé sur ce graphe, l'apprentissage interactif d'étiquettes sémantiques associées aux structures spatio-temporelles contenues dans la scène dynamique. Les algorithmes et méthodes développés sont intégrés dans un système de fouille visuelle d'information. Ce système représente un outil entièrement novateur pour l'exploitation du contenu des séries temporelles d'images satellites de haute résolution. Les expériences effectuées avec une série temporelles d'images SPOT démontrent les capacités du système dans la compréhension de scènes dynamiques.
4
Dusseux, Pauline. "Exploitation de séries temporelles d'images satellites à haute résolution spatiale pour le suivi des prairies en milieu agricole." Thesis, Rennes 2, 2014. http://www.theses.fr/2014REN20031/document.
Full textAbstract:
En milieu agricole, on observe depuis plusieurs décennies une régression des prairies ainsi qu’uneévolution de leur mode de gestion liées à l’intensification de l’agriculture. Face aux enjeux que ces changementsimpliquent tant sur le plan environnemental qu’économique, l’estimation de la place des prairies dans les systèmes de production et la détermination des pratiques agricoles qui leur sont associées sont stratégiques. Avec l’arrivée de nouveaux capteurs de télédétection à Haute Résolution Spatiale (HRS) caractérisés par une résolution temporelle élevée, il est désormais possible d’envisager l’étude des couverts prairiaux à une échelle fine et à partir d’observations régulières dans le temps. L’objectif de cette thèse est d’identifier les couverts prairiaux à l’échelle des territoires agricoles et de déterminer leurs modes de gestion à partir de paramètres dérivés de séries temporelles d’images de télédétection à HRS. Pour cela, plusieurs séries intra–annuelles d’images à haute résolution spatiale optiques et radars ont été constituées afin de recenser les prairies et d’identifier trois de leurs modes de gestion : le pâturage, la fauche et l’exploitation mixte, sur un bassin versant dont le système d’exploitation dominant est l’élevage laitier. Les résultats obtenus à partir du traitement et de l’analyse des séries temporelles optiques ont permis de montrer qu’il est possible d’estimer avec une bonne précision la biomasse des prairies, de les identifier et de les caractériser. Ils mettent aussi en évidence le fait que les images radars améliorent l’identification des prairies sans pouvoir discriminer leurs modes de gestion, l’utilisation combinée des deux types d’images augmentant encore le taux d’identification des prairies. Par ailleurs, les résultats montrent que les méthodes de classification s’appuyant sur des critères de comparaison adaptés aux séries temporelles (distances élastiques) produisent des résultats nettement plus satisfaisants pour discriminer les modes de gestion des prairies que les méthodes de classification standardsIn agricultural areas, we observed a decrease of grasslands and change in their management in the last half–century, which are commonly associated with agriculture intensification. These changes have affected environmental and economic systems. In this context, the evaluation of grassland status and grassland management in farming systems is a key–issue for sustainable agriculture. With the arrival of new Earth observation sensors with high spatial and temporal resolutions, it is now possible to study grasslands at fine scale using regular observations over time. The objective of this thesis is to identify grasslands and their management practices using parameters derived from time–series of high spatial resolution (HSR) remote sensing data. For that purpose, several intra–annual time series of HSR optical and Synthetic Aperture Radar (SAR) satellite images were acquired in order to identify grasslands and three of their management practices: grazing, mowing and mixed management, on a catchment area mainly oriented towards cattle production. Results obtained from the processing and analysis of the optical time series have shown that it is possible to estimate with good accuracy grassland biomass, to identify and to characterize them. They also highlighted that radar images improve grassland identification without being able to distinguish management practices, the combined use of the two types of images further increasing grassland identification. Furthermore, results showed that the classification methods based on comparison criteria adapted to time series (warping criteria) increase significantly results for discriminating grassland management practices compared to standard classification methods
5
Sanchez, Eduardo Hugo. "Learning disentangled representations of satellite image time series in a weakly supervised manner." Thesis, Toulouse 3, 2021. http://www.theses.fr/2021TOU30032.
Full textAbstract:
Cette thèse se focalise sur l'apprentissage de représentations de séries temporelles d'images satellites via des méthodes d'apprentissage non supervisé. Le but principal est de créer une représentation qui capture l'information la plus pertinente de la série temporelle afin d'effectuer d'autres applications d'imagerie satellite. Cependant, l'extraction d'information à partir de la donnée satellite implique de nombreux défis. D'un côté, les modèles doivent traiter d'énormes volumes d'images fournis par les satellites. D'un autre côté, il est impossible pour les opérateurs humains d'étiqueter manuellement un tel volume d'images pour chaque tâche (par exemple, la classification, la segmentation, la détection de changement, etc.). Par conséquent, les méthodes d'apprentissage supervisé qui ont besoin des étiquettes ne peuvent pas être appliquées pour analyser la donnée satellite. Pour résoudre ce problème, des algorithmes d'apprentissage non supervisé ont été proposés pour apprendre la structure de la donnée au lieu d'apprendre une tâche particulière. L'apprentissage non supervisé est une approche puissante, car aucune étiquette n'est nécessaire et la connaissance acquise sur la donnée peut être transférée vers d'autres tâches permettant un apprentissage plus rapide avec moins d'étiquettes. Dans ce travail, on étudie le problème de l'apprentissage de représentations démêlées de séries temporelles d'images satellites. Le but consiste à créer une représentation partagée qui capture l'information spatiale de la série temporelle et une représentation exclusive qui capture l'information temporelle spécifique à chaque image. On présente les avantages de créer des représentations spatio-temporelles. Par exemple, l'information spatiale est utile pour effectuer la classification ou la segmentation d'images de manière invariante dans le temps tandis que l'information temporelle est utile pour la détection de changement. Pour ce faire, on analyse plusieurs modèles d'apprentissage non supervisé tels que l'auto-encodeur variationnel (VAE) et les réseaux antagonistes génératifs (GANs) ainsi que les extensions de ces modèles pour effectuer le démêlage des représentations. Considérant les résultats impressionnants qui ont été obtenus par les modèles génératifs et reconstructifs, on propose un nouveau modèle qui crée une représentation spatiale et une représentation temporelle de la donnée satellite. On montre que les représentations démêlées peuvent être utilisées pour effectuer plusieurs tâches de vision par ordinateur surpassant d'autres modèles de l'état de l'art. Cependant, nos expériences suggèrent que les modèles génératifs et reconstructifs présentent des inconvénients liés à la dimensionnalité de la représentation, à la complexité de l'architecture et au manque de garanties sur le démêlage. Pour surmonter ces limitations, on étudie une méthode récente basée sur l'estimation et la maximisation de l'informations mutuelle sans compter sur la reconstruction ou la génération d'image. On propose un nouveau modèle qui étend le principe de maximisation de l'information mutuelle pour démêler le domaine de représentation. En plus des expériences réalisées sur la donnée satellite, on montre que notre modèle est capable de traiter différents types de données en étant plus performant que les méthodes basées sur les GANs et les VAEs. De plus, on prouve que notre modèle demande moins de puissance de calcul et pourtant est plus efficace. Enfin, on montre que notre modèle est utile pour créer une représentation qui capture uniquement l'information de classe entre deux images appartenant à la même catégorie. Démêler la classe ou la catégorie d'une image des autres facteurs de variation permet de calculer la similarité entre pixels et effectuer la segmentation d'image d'une manière faiblement superviséeThis work focuses on learning data representations of satellite image time series via an unsupervised learning approach. The main goal is to enforce the data representation to capture the relevant information from the time series to perform other applications of satellite imagery. However, extracting information from satellite data involves many challenges since models need to deal with massive amounts of images provided by Earth observation satellites. Additionally, it is impossible for human operators to label such amount of images manually for each individual task (e.g. classification, segmentation, change detection, etc.). Therefore, we cannot use the supervised learning framework which achieves state-of-the-art results in many tasks.To address this problem, unsupervised learning algorithms have been proposed to learn the data structure instead of performing a specific task. Unsupervised learning is a powerful approach since no labels are required during training and the knowledge acquired can be transferred to other tasks enabling faster learning with few labels.In this work, we investigate the problem of learning disentangled representations of satellite image time series where a shared representation captures the spatial information across the images of the time series and an exclusive representation captures the temporal information which is specific to each image. We present the benefits of disentangling the spatio-temporal information of time series, e.g. the spatial information is useful to perform time-invariant image classification or segmentation while the knowledge about the temporal information is useful for change detection. To accomplish this, we analyze some of the most prevalent unsupervised learning models such as the variational autoencoder (VAE) and the generative adversarial networks (GANs) as well as the extensions of these models to perform representation disentanglement. Encouraged by the successful results achieved by generative and reconstructive models, we propose a novel framework to learn spatio-temporal representations of satellite data. We prove that the learned disentangled representations can be used to perform several computer vision tasks such as classification, segmentation, information retrieval and change detection outperforming other state-of-the-art models. Nevertheless, our experiments suggest that generative and reconstructive models present some drawbacks related to the dimensionality of the data representation, architecture complexity and the lack of disentanglement guarantees. In order to overcome these limitations, we explore a recent method based on mutual information estimation and maximization for representation learning without relying on image reconstruction or image generation. We propose a new model that extends the mutual information maximization principle to disentangle the representation domain into two parts. In addition to the experiments performed on satellite data, we show that our model is able to deal with different kinds of datasets outperforming the state-of-the-art methods based on GANs and VAEs. Furthermore, we show that our mutual information based model is less computationally demanding yet more effective. Finally, we show that our model is useful to create a data representation that only captures the class information between two images belonging to the same category. Disentangling the class or category of an image from other factors of variation provides a powerful tool to compute the similarity between pixels and perform image segmentation in a weakly-supervised manner
6
Pelletier, Charlotte. "Cartographie de l'occupation des sols à partir de séries temporelles d'images satellitaires à hautes résolutions : identification et traitement des données mal étiquetées." Thesis, Toulouse 3, 2017. http://www.theses.fr/2017TOU30241/document.
Full textAbstract:
L'étude des surfaces continentales est devenue ces dernières années un enjeu majeur à l'échelle mondiale pour la gestion et le suivi des territoires, notamment en matière de consommation des terres agricoles et d'étalement urbain. Dans ce contexte, les cartes d'occupation du sol caractérisant la couverture biophysique des terres émergées jouent un rôle essentiel pour la cartographie des surfaces continentales. La production de ces cartes sur de grandes étendues s'appuie sur des données satellitaires qui permettent de photographier les surfaces continentales fréquemment et à faible coût. Le lancement de nouvelles constellations satellitaires - Landsat-8 et Sentinel-2 - permet depuis quelques années l'acquisition de séries temporelles à hautes résolutions. Ces dernières sont utilisées dans des processus de classification supervisée afin de produire les cartes d'occupation du sol. L'arrivée de ces nouvelles données ouvre de nouvelles perspectives, mais questionne sur le choix des algorithmes de classification et des données à fournir en entrée du système de classification. Outre les données satellitaires, les algorithmes de classification supervisée utilisent des échantillons d'apprentissage pour définir leur règle de décision. Dans notre cas, ces échantillons sont étiquetés, \ie{} la classe associée à une occupation des sols est connue. Ainsi, la qualité de la carte d'occupation des sols est directement liée à la qualité des étiquettes des échantillons d'apprentissage. Or, la classification sur de grandes étendues nécessite un grand nombre d'échantillons, qui caractérise la diversité des paysages. Cependant, la collecte de données de référence est une tâche longue et fastidieuse. Ainsi, les échantillons d'apprentissage sont bien souvent extraits d'anciennes bases de données pour obtenir un nombre conséquent d'échantillons sur l'ensemble de la surface à cartographier. Cependant, l'utilisation de ces anciennes données pour classer des images satellitaires plus récentes conduit à la présence de nombreuses données mal étiquetées parmi les échantillons d'apprentissage. Malheureusement, l'utilisation de ces échantillons mal étiquetés dans le processus de classification peut engendrer des erreurs de classification, et donc une détérioration de la qualité de la carte produite. L'objectif général de la thèse vise à améliorer la classification des nouvelles séries temporelles d'images satellitaires à hautes résolutions. Le premier objectif consiste à déterminer la stabilité et la robustesse des méthodes de classification sur de grandes étendues. Plus particulièrement, les travaux portent sur l'analyse d'algorithmes de classification et la sensibilité de ces algorithmes vis-à-vis de leurs paramètres et des données en entrée du système de classification. De plus, la robustesse de ces algorithmes à la présence des données imparfaites est étudiée. Le second objectif s'intéresse aux erreurs présentes dans les données d'apprentissage, connues sous le nom de données mal étiquetées. Dans un premier temps, des méthodes de détection de données mal étiquetées sont proposées et étudiées. Dans un second temps, un cadre méthodologique est proposé afin de prendre en compte les données mal étiquetées dans le processus de classification. L'objectif est de réduire l'influence des données mal étiquetées sur les performances de l'algorithme de classification, et donc d'améliorer la carte d'occupation des sols produiteLand surface monitoring is a key challenge for diverse applications such as environment, forestry, hydrology and geology. Such monitoring is particularly helpful for the management of territories and the prediction of climate trends. For this purpose, mapping approaches that employ satellite-based Earth Observations at different spatial and temporal scales are used to obtain the land surface characteristics. More precisely, supervised classification algorithms that exploit satellite data present many advantages compared to other mapping methods. In addition, the recent launches of new satellite constellations - Landsat-8 and Sentinel-2 - enable the acquisition of satellite image time series at high spatial and spectral resolutions, that are of great interest to describe vegetation land cover. These satellite data open new perspectives, but also interrogate the choice of classification algorithms and the choice of input data. In addition, learning classification algorithms over large areas require a substantial number of instances per land cover class describing landscape variability. Accordingly, training data can be extracted from existing maps or specific existing databases, such as crop parcel farmer's declaration or government databases. When using these databases, the main drawbacks are the lack of accuracy and update problems due to a long production time. Unfortunately, the use of these imperfect training data lead to the presence of mislabeled training instance that may impact the classification performance, and so the quality of the produced land cover map. Taking into account the above challenges, this Ph.D. work aims at improving the classification of new satellite image time series at high resolutions. The work has been divided into two main parts. The first Ph.D. goal consists in studying different classification systems by evaluating two classification algorithms with several input datasets. In addition, the stability and the robustness of the classification methods are discussed. The second goal deals with the errors contained in the training data. Firstly, methods for the detection of mislabeled data are proposed and analyzed. Secondly, a filtering method is proposed to take into account the mislabeled data in the classification framework. The objective is to reduce the influence of mislabeled data on the classification performance, and thus to improve the produced land cover map
7
Hedhli, Ihsen. "Modèles de classification hiérarchiques d'images satellitaires multi-résolutions, multi-temporelles et multi-capteurs. Application aux désastres naturels." Thesis, Nice, 2016. http://www.theses.fr/2016NICE4006/document.
Full textAbstract:
Les moyens mis en œuvre pour surveiller la surface de la Terre, notamment les zones urbaines, en cas de catastrophes naturelles telles que les inondations ou les tremblements de terre, et pour évaluer l’impact de ces événements, jouent un rôle primordial du point de vue sociétal, économique et humain. Dans ce cadre, des méthodes de classification précises et efficaces sont des outils particulièrement importants pour aider à l’évaluation rapide et fiable des changements au sol et des dommages provoqués. Étant données l’énorme quantité et la variété des données Haute Résolution (HR) disponibles grâce aux missions satellitaires de dernière génération et de différents types, telles que Pléiades, COSMO-SkyMed ou RadarSat-2 la principale difficulté est de trouver un classifieur qui puisse prendre en compte des données multi-bande, multi-résolution, multi-date et éventuellement multi-capteur tout en gardant un temps de calcul acceptable. Les approches de classification multi-date/multi-capteur et multi-résolution sont fondées sur une modélisation statistique explicite. En fait, le modèle développé consiste en un classifieur bayésien supervisé qui combine un modèle statistique conditionnel par classe intégrant des informations pixel par pixel à la même résolution et un champ de Markov hiérarchique fusionnant l’information spatio-temporelle et multi-résolution, en se basant sur le critère des Modes Marginales a Posteriori (MPM en anglais), qui vise à affecter à chaque pixel l’étiquette optimale en maximisant récursivement la probabilité marginale a posteriori, étant donné l’ensemble des observations multi-temporelles ou multi-capteurThe capabilities to monitor the Earth's surface, notably in urban and built-up areas, for example in the framework of the protection from environmental disasters such as floods or earthquakes, play important roles in multiple social, economic, and human viewpoints. In this framework, accurate and time-efficient classification methods are important tools required to support the rapid and reliable assessment of ground changes and damages induced by a disaster, in particular when an extensive area has been affected. Given the substantial amount and variety of data available currently from last generation very-high resolution (VHR) satellite missions such as Pléiades, COSMO-SkyMed, or RadarSat-2, the main methodological difficulty is to develop classifiers that are powerful and flexible enough to utilize the benefits of multiband, multiresolution, multi-date, and possibly multi-sensor input imagery. With the proposed approaches, multi-date/multi-sensor and multi-resolution fusion are based on explicit statistical modeling. The method combines a joint statistical model of multi-sensor and multi-temporal images through hierarchical Markov random field (MRF) modeling, leading to statistical supervised classification approaches. We have developed novel hierarchical Markov random field models, based on the marginal posterior modes (MPM) criterion, that support information extraction from multi-temporal and/or multi-sensor information and allow the joint supervised classification of multiple images taken over the same area at different times, from different sensors, and/or at different spatial resolutions. The developed methods have been experimentally validated with complex optical multispectral (Pléiades), X-band SAR (COSMO-Skymed), and C-band SAR (RadarSat-2) imagery taken from the Haiti site
8
Julea, Andreea Maria. "Extraction de motifs spatio-temporels dans des séries d'images de télédétection : application à des données optiques et radar." Phd thesis, Université de Grenoble, 2011. http://tel.archives-ouvertes.fr/tel-00652810.
Full textAbstract:
Les Séries Temporelles d'Images Satellitaires (STIS), visant la même scène en évolution, sont très intéressantes parce qu'elles acquièrent conjointement des informations temporelles et spatiales. L'extraction de ces informations pour aider les experts dans l'interprétation des données satellitaires devient une nécessité impérieuse. Dans ce mémoire, nous exposons comment on peut adapter l'extraction de motifs séquentiels fréquents à ce contexte spatio-temporel dans le but d'identifier des ensembles de pixels connexes qui partagent la même évolution temporelle. La démarche originale est basée sur la conjonction de la contrainte de support avec différentes contraintes de connexité qui peuvent filtrer ou élaguer l'espace de recherche pour obtenir efficacement des motifs séquentiels fréquents groupés (MSFG) avec signification pour l'utilisateur. La méthode d'extraction proposée est non supervisée et basée sur le niveau pixel. Pour vérifier la généricité du concept de MSFG et la capacité de la méthode proposée d'offrir des résultats intéressants à partir des SITS, sont réalisées des expérimentations sur des données réelles optiques et radar.
9
Kalinicheva, Ekaterina. "Unsupervised satellite image time series analysis using deep learning techniques." Electronic Thesis or Diss., Sorbonne université, 2020. http://www.theses.fr/2020SORUS335.
Full textAbstract:
Cette thèse présente un ensemble d'algorithmes non-supervisés pour l'analyse générique de séries temporelles d'images satellites (STIS). Nos algorithmes exploitent des méthodes de machine learning et, notamment, les réseaux de neurones afin de détecter les différentes entités spatio-temporelles et leurs changements éventuels dans le temps. Nous visons à identifier trois types de comportement temporel : les zones sans changements, les changements saisonniers, les changements non triviaux (changements permanents comme les constructions, la rotation des cultures agricoles, etc).Par conséquent, nous proposons deux frameworks : pour la détection et le clustering des changements non-triviaux et pour le clustering des changements saisonniers et des zones sans changements. Le premier framework est composé de deux étapes : la détection de changements bi-temporels et leur interprétation dans le contexte multi-temporel avec une approche basée graphes. La détection de changements bi-temporels est faite pour chaque couple d’images consécutives et basée sur la transformation des features avec les autoencodeurs (AEs). A l’étape suivante, les changements à différentes dates qui appartiennent à la même zone géographique forment les graphes d’évolution qui sont par la suite clusterisés avec un modèle AE de réseaux de neurones récurrents. Le deuxième framework présente le clustering basé objets de STIS. Premièrement, la STIS est encodée en image unique avec un AE convolutif 3D multi-vue. Dans un deuxième temps, nous faisons la segmentation en deux étapes en utilisant à la fois l’image encodée et la STIS. Finalement, les segments obtenus sont clusterisés avec leurs descripteurs encodésThis thesis presents a set of unsupervised algorithms for satellite image time series (SITS) analysis. Our methods exploit machine learning algorithms and, in particular, neural networks to detect different spatio-temporal entities and their eventual changes in the time.In our thesis, we aim to identify three different types of temporal behavior: no change areas, seasonal changes (vegetation and other phenomena that have seasonal recurrence) and non-trivial changes (permanent changes such as constructions or demolishment, crop rotation, etc). Therefore, we propose two frameworks: one for detection and clustering of non-trivial changes and another for clustering of “stable” areas (seasonal changes and no change areas). The first framework is composed of two steps which are bi-temporal change detection and the interpretation of detected changes in a multi-temporal context with graph-based approaches. The bi-temporal change detection is performed for each pair of consecutive images of the SITS and is based on feature translation with autoencoders (AEs). At the next step, the changes from different timestamps that belong to the same geographic area form evolution change graphs. The graphs are then clustered using a recurrent neural networks AE model to identify different types of change behavior. For the second framework, we propose an approach for object-based SITS clustering. First, we encode SITS with a multi-view 3D convolutional AE in a single image. Second, we perform a two steps SITS segmentation using the encoded SITS and original images. Finally, the obtained segments are clustered exploiting their encoded descriptors
10
El, hajj Mahmoud. "Exploitation des séries temporelles d'images satellite à haute résolution spatiale par fusion d'informations multi-sources pour le suivi des opérations culturales : Application à la détection des coupes de canne à sucre à La Réunion." Phd thesis, AgroParisTech, 2008. http://pastel.archives-ouvertes.fr/pastel-00005085.
Full textAbstract:
Les séries temporelles d'images satellite acquises à haute résolution spatiale sont une source d'information importante pour le suivi des changements sur des grandes surfaces. Ces données sont particulièrement intéressantes pour les applications agricoles car elles permettent d'appréhender à l'échelle parcellaire les changements d'état de surface induits par les pratiques culturales. Cependant, le traitement des séries temporelles est souvent limité par l'irrégularité des acquisitions et par la nécessité d'une intervention experte récurrente. Cette thèse présente une méthodologie innovante qui répond à cette problématique. L'application agricole considérée est le suivi des coupes de canne à sucre à La Réunion à partir d'images SPOT (Kalideos ISLE-Réunion©). Afin d'assurer la comparabilité des images, nous avons tout d'abord développé une méthode de normalisation radiométrique relative basée sur une technique de sélection automatique de cibles invariantes. Ensuite, nous avons conçu et développé un système qui exploite, en temps réel, le contenu informatif des séries temporelles en s'appuyant sur des simulations faites à partir d'un modèle de culture et sur des connaissances expertes. Le formalisme de fusion d'informations utilisé est basé sur la modélisation linguistique et sur la logique floue. Il permet de manipuler des données imprécises, incertaines et de nature hétérogène. Il permet également de construire des règles de décision interprétables qui reproduisent, en partie, le raisonnement humain. Deux méthodes de construction des règles sont proposées : la première repose sur des règles définies par l'expert et la deuxième sur une induction automatique des règles par apprentissage. Les performances du système ont été évaluées sur différents sites et sur différentes années. Les résultats obtenus sont satisfaisants : la précision globale atteint 98,8% et le pourcentage de bonne détection des coupes atteint 96,1%. L'analyse de la contribution des différentes sources d'informations a montré, entre autres, que le modèle de culture apporte 6,4% de précision supplémentaire dans la détection des coupes. L'apport de l'expertise a été difficile à évaluer car elle intervient dans différentes parties du système. La méthodologie présentée dans cette thèse est très prometteuse. Elle est applicable à d'autres cultures et transférable à d'autres applications telle que la cartographie dynamique de l'occupation du sol.
Book chapters on the topic "Séries temporelles d'images satellites"
1
CONRADSEN, Knut, Henning SKRIVER, Morton J. CANTY, and Allan A. NIELSEN. "Détection de séries de changements dans des séries d’images SAR polarimétriques." In Détection de changements et analyse des séries temporelles d’images 1, 41–81. ISTE Group, 2022. http://dx.doi.org/10.51926/iste.9056.ch2.
Full textAbstract:
Dans ce chapitre, nous considèrerons le problème de la détection de changements dans une série chronologique d'images SAR (radar à synthèse d'ouverture) polarimétriques à l'aide de la représentation en covariance de données SAR polarimétriques multivisées. Les pixels seront alors représentés par des matrices hermitiennes complexes suivant une distribution de Wishart. La chaîne de détection de changements consiste en un test omnibus destiné à tester l'égalité sur la totalité du laps de temps, puis en une factorisation permettant d'évaluer individuellement les dates où un changement a eu lieu. La méthode est aisément étendue à la détection de changements de zones "homogènes", et nous introduisons enfin un concept pour le changement directionnel utilisant la relation d'ordre de Lowner.
2
KARBOU, Fatima, Guillaume JAMES, Philippe DURAND, and Abdourrahmane M. ATTO. "Seuils et distances pour la détection de neige avec les séries d’images Sentinel-1." In Détection de changements et analyse des séries temporelles d’images 1, 139–58. ISTE Group, 2022. http://dx.doi.org/10.51926/iste.9056.ch5.
Full textAbstract:
Dans ce chapitre, nous abordons l'estimation de l'étendue de la neige humide à l'aide de la méthode de seuillage de rétrodiffusion de Nagler. Nous examinons également certaines autres options intéressantes pour améliorer la détection de neige humide en explorant l'utilisation de métriques de similarité (comme le rapport de corrélation croisée normalisée, la distance de Hausdorff et certaines autres fonctions de distance d'images plus raffinées). Plusieurs distances sont calculées et testées sur une base de données de séries chronologiques d'images Sentinel-1 SAR de différentes tailles au-dessus des Alpes françaises. Le métriques résultantes sont évoquées et comparées à la méthode de Nagler, ainsi qu'à des données indépendantes.
3
HEDHLI, Ihsen, Gabriele MOSER, Sebastiano B. SERPICO, and Josiane ZERUBIA. "Champs de Markov et séries chronologiques d’images multicapteurs et multirésolution." In Détection de changements et analyse des séries temporelles d’images 2, 5–39. ISTE Group, 2024. http://dx.doi.org/10.51926/iste.9057.ch1.
Full textAbstract:
Ce chapitre traite le problème de la génération d'une carte de classification à partir d'images de télédétection. Il propose une approche d’analyse basée sur plusieurs quad-arbres en cascade pour résoudre le problème difficile de la fusion multicapteur, multifréquence et multirésolution, à des fins de classification de séries chronologiques d’images.
4
ATTO, Abdourrahmane M., Fatima KARBOU, Sophie GIFFARD-ROISIN, and Lionel BOMBRUN. "Clustering fonctionnel de séries d’images par entropies relatives." In Détection de changements et analyse des séries temporelles d’images 1, 121–38. ISTE Group, 2022. http://dx.doi.org/10.51926/iste.9056.ch4.
Full textAbstract:
Ce chapitre traite l'extraction d'attributs à partir d'ondelettes et de filtres ConvNet (réseaux de neurones à convolution) pour l'analyse non supervisée de séries chronologiques d'images. Nous exploitons les capacités des ondelettes et des filtres neuro-convolutifs à capturer des propriétés d'invariance non-triviales, ainsi que les nouvelles solutions de centroïdes proposées dans ce chapitre, pour l'analyse d'attributs de hauts niveaux par entropie relative. La détection d'anomalies et le clustering fonctionnel d'évolution sont développés à partir de ce cadre.
5
MOLINIER, Matthieu, Jukka MIETTINEN, Dino IENCO, Shi QIU, and Zhe ZHU. "Analyse de séries chronologiques d’images satellitaires optiques pour des applications environnementales." In Détection de changements et analyse des séries temporelles d’images 2, 125–74. ISTE Group, 2024. http://dx.doi.org/10.51926/iste.9057.ch4.
Full textAbstract:
Ce chapitre traite des méthodes d’analyse de séries chronologiques denses en télédétection. Il présente les principales exigences en termes de prétraitements des données, puis un aperçu des quatre principaux axes en détection de changement basée sur l'analyse de séries chronologiques denses : carte de classification, classification de trajectoire, frontières statistiques et approches d'ensemble. Il fournit aussi les détails sur deux des algorithmes les plus largement utilisés dans ce contexte d’analyse. Il aborde également la question de l'apprentissage profond pour la télédétection, en détaillant trois types d'architectures de réseau adaptées à l'analyse de séries chronologiques d'images satellitaires : les réseaux de neurones récurrents, les réseaux de neurones convolutifs et les modèles hybrides combinant ces deux derniers modèles de réseau.
6
ATTO, Abdourrahmane M., Héla HADHRI, Flavien VERNIER, and Emmanuel TROUVÉ. "Apprentissage multiclasse multi-étiquette de changements d’état à partir de séries chronologiques d’images." In Détection de changements et analyse des séries temporelles d’images 2, 247–71. ISTE Group, 2024. http://dx.doi.org/10.51926/iste.9057.ch6.
Full textAbstract:
Ce chapitre étudie les capacités de généralisation d’une bibliothèque de réseaux de neurones convolutifs pour la classification d’états de surface terrestre dans le temps, avec une granularité variable sur la nature des états. L’ensemble de données utilisé pour réaliser cette étude est constitué d'images à sémantique descriptible au sens de propriétés géophysiques et des impacts des conditions météorologiques en zone de glaciers.
7
PHAM, Minh-Tan, and Grégoire MERCIER. "Détection de changements sur les graphes de séries SAR." In Détection de changements et analyse des séries temporelles d’images 1, 183–219. ISTE Group, 2022. http://dx.doi.org/10.51926/iste.9056.ch7.
Full textAbstract:
Nous proposons d'exploiter l'interaction entre des points-clés/caractéristiques dans un modèle de graphe pondéré pour développer une nouvelle méthode de suivi de texture afin de traiter la tâche de détection de changements. Dans ce chapitre, nous montrons que les points-clés d'extrema locaux sont susceptibles de capturer les informations radiométriques et contextuelles importantes de l'image. Leur interaction peut être codée par un modèle de graphe basé sur leurs mesures de similarité, qui ne néessitent que des petits patchs de pixels autour des point&-clés. Qui plus est, le graphe construit est capable de caractériser à la fois des informations d'intensité et de géométrie à partir du contenu d'images, donc pertinentes pour le suivi de texture. À cette fin, si un graphe est construit à partir d'une des deux images SAR, le niveau de changement entre celle&-ci peut être mesuré d'après le degré auquel l'information de l'autre image reste conforme à la structure du graphe en question. Cette remarque conduit à notre stratégie proposée de suivi de texture pour la détection de changements.
8
ZANETTI, Massimo, Francesca BOVOLO, and Lorenzo BRUZZONE. "Statistiques par différences pour les changements multispectraux." In Détection de changements et analyse des séries temporelles d’images 1, 247–303. ISTE Group, 2022. http://dx.doi.org/10.51926/iste.9056.ch9.
Full textAbstract:
Dans ce chapitre, nous introduisons deux modèles statistiques pour la description de la distribution des vecteurs de différences spectrales, et nous en tirons des méthodes de détection de changements basées sur une différence d'images. Le chapitre introduit d'abord le modèle standard à deux classes inchangé/changé pour la classification binaire. Lorsqu'on considère les informations de module, le modèle à deux classes peut être décrit par un mélange de distributions Rayleigh-Rice. L'estimation de paramètres de ce mélange est une tâche non triviale car ce modèle est non conventionnel. Par conséquent, une version de l'algorithme espérance-maximisation (EM), qui est adaptée spécifiquement au mélange Rayleigh-Rice, est présentée. Le chapitre propose alors une généralisation du modèle à deux classes inchangé/changé au cas multiclasse.