Capliez, Emmanuel
[Author]
;
Université de Montpellier (2022-.)
[Contributor];
Ienco, Dino
[Contributor];
Baghdadi, Nicolas
[Contributor]
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
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
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
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
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 ...