Semantic segmentation of airborne hyperspectral images (0.4 - 2.5 µm) for mapping impermeable surfaces in large urban areas ; Segmentation sémantique d'images hyperspectrales aéroportées (0.4 - 2.5 µm) pour la cartographie des surfaces imperméabilisées à l'échelle d'une métropole
Titel:
Semantic segmentation of airborne hyperspectral images (0.4 - 2.5 µm) for mapping impermeable surfaces in large urban areas ; Segmentation sémantique d'images hyperspectrales aéroportées (0.4 - 2.5 µm) pour la cartographie des surfaces imperméabilisées à l'échelle d'une métropole
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
En observation de la Terre, l'un des principaux défis est de cartographier l'artificialisation des sols qui a été identifiée comme un enjeu majeur de politique publique dans le plan Biodiversité 2018 du Ministère de la Transition Écologique. L'étalement urbain, c'est à dire l'imperméabilisation de surfaces naturelles avec des matériaux artificiels imperméables, a en effet d'importants impacts sur l'hydrologie des bassins versants, et en particulier sur le risque d'inondations et de sécheresses, sur les phénomènes d'îlots de chaleur urbain et sur la captation du carbone par les sols. Si des techniques de cartographie automatiques ou semi-automatiques ont permis de produire un grand nombre de cartes d'occupation ou d'usage des sols à grandes échelles et à des résolutions spatiales moyennes, aucune ne permet actuellement de cartographier à haute résolution spatiale les différents types de surfaces imperméabilisées à l'échelle d'une métropole. Pourtant, de telles cartes permettraient de guider et prioriser les politiques publiques de désimperméabilisation. L’imagerie hyperspectrale aéroportée offre un très grand potentiel de discrimination des matériaux aux sols du fait de ses hautes résolutions spatiales et spectrales. Les algorithmes de cartographie de l'état de l'art optimisent des modèles de segmentation sémantique à partir d'une très faible proportion des pixels de l'image pour lesquels une vérité terrain est connue. La taille de cette vérité terrain est souvent très faible par rapport à la diversité des matériaux dans une métropole car l’annotation de pixels à partir de campagnes terrains est très coûteuse. Ainsi, il est difficile d'optimiser des modèles d'apprentissage statistique qui représentent les données par des caractéristiques spectrales discriminantes et robustes à des variations spectrales intra-classes (qui se distingue en des variations spectrales « physiques », « intrinsèques » et « sémantiques ».Dans ce contexte, les trois contributions principales de cette thèse consistent à tirer parti, de ...