Détection de changements et analyse des séries temporelles d’images 2

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.

Au cours des dernières années, les stratégies de classification basées sur l’apprentissage profond ont permis de générer automatiquement des caractéristiques pertinentes pour la description d’informations numériques à partir de données très hétérogènes. Ce chapitre traite de la classification des séries chronologiques d’images de télédétection en présentant un aperçu des algorithmes de classification supervisée proposés dans la littérature. Il se concentre sur les méthodes opérant au niveau « pixel », c’est-à-dire sans prendre en compte le contexte spatial englobant le pixel considéré.

Ce chapitre propose une analyse du besoin de sémantique descriptive pour les séries chronologiques issues de l’observation de la Terre par télédétection. Il propose un état de l’art des métriques, des mesures de similarités, des méthodes d’extraction de caractéristiques spécifiques à la classification des séries chronologiques d’images de télédétection.

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.

L’objectif de ce chapitre est l'identification, en utilisant des méthodes d'apprentissage supervisé, des dommages induits par les tremblements de terre à travers des images satellitaires pré- et post-événements. Il fournit une évaluation approfondie des méthodologies utilisées pour produire une carte des changements induits par les tremblements de terre, en particulier pour les zones urbaines.

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.