Détection de changements au sein de séries d'images satellitaires...

1006

... basée sur des techniques de fouilles de données

Post-doctorant : Fabio NOR GUTTLER

Organisme d'accueilIrstea

Financement du post-doctorat : GEOSUD

Encadrement à Tetis : Maguelonne TEISSEIRE (Irstea)

Autre(s) encadrant(s) : Dino IENCO (Irstea)

Axe(s) Tetis concerné(s) : SISO

Début - Fin : juin 2013, novembre 2014

Mots-clés : télédétection optique, séries temporelles, détection de changements, fouille de données, cartographie des habitats naturels, artificialisation des sols, OBIA.

Contexte/Cadre du post-doctorant : Ce sujet de recherche s'insère dans le cadre du projet GEOSUD, plus particulièrement dans le WP3 (Workpackage-3) "Développements méthodologiques amont pour le traitement de gros volumes de données image".

Résumé : Les travaux du post-doctorant seront consacrés à la mise au point d'une approche de détection des changements afin d'extraire et de caractériser les objets qui évoluent dans les séries temporelles d'images. La première étape sera liée à l'étude des différentes techniques de segmentation permettant d’obtenir des objets cohérents à partir des images et des méthodes de détection de changement (par pixel ou par objet) proposées dans la littérature. Dans l’étape 2, le post-doctorant définira les caractéristiques et les indicateurs adaptés à la tâche de détection de changement selon les résultats précédents et mettra en œuvre les méthodes permettant de les extraire automatiquement. Plusieurs descripteurs (textures, NDVI, …) pourront être utilisés pour enrichir la représentation des objets. Il faudra également lors de cette étape de se soucier des informations complémentaires mais également des données redondantes pouvant pénaliser le processus d’analyse dans le contexte de gros volume de données.

Une fois l'espace de représentation défini, nous devons lier les objets dans les différentes estampilles temporelles afin de suivre les entités conceptuelles associées. Nous souhaitons utiliser des techniques de logique floue afin de reconnaître de façon souple les entités d'intérêt. En effet, une approche trop stricte ne peut être adaptée. En particulier, les techniques floues nous permettront : i) de rejeter les informations non pertinentes ; ii) de lier des objets similaires entre les différentes estampilles temporelles avec un degré de qualité associé à chaque possible liaison ; iii) d'introduire des connaissances de l’expert à travers les fonctions floues pour guider le processus.
La dernière étape est la définition d'une approche pour extraire les patrons (patterns) de modification avec la période associée dans laquelle les changements se produisent. Dans cette étape nous voulons employer des techniques de fouille des données pour détecter à la fois : des comportements anormaux et également des profils plus généraux qui nous permettront de mieux caractériser les données et les objets suivis. En particulier, pour l’aspect fouille des données, nous souhaitons employer des techniques de classification non supervisée (clustering). Ces types des techniques sont capables de détecter des groupes de patrons qui ont des caractéristiques similaires. En particulier, les patrons sont regroupés lorsqu'il existe une forte similarité entre eux, ainsi qu'une faible similarité avec ceux qui appartiennent à d'autres groupes.

Bibliographie:

BLASCHKE, T. (2010). Object based image analysis for remote sensing, ISPRS Journal of
Photogrammetry and Remote Sensing, vol. 65, n° 1, pp. 2-16.
DRUSCH, M., DEL BELLO, U., CARLIER, S., COLIN, O., FERNANDEZ, V., GASCON, F.,
HOERSCH, B., ISOLA, C., LABERINTI, P., MARTIMORT, P., MEYGRET, A., SPOTO, F., SY, O., MARCHESE, F. et BARGELLINI, P. (2012). Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services, Remote Sensing of Environment, vol. 120, n° 0, pp. 25-36.
EIKVIL, L., AURDAL, L. et KOREN, H. (2009). Classification-based vehicle detection in highresolution satellite images, ISPRS Journal of Photogrammetry and Remote Sensing, vol. 64, n° 1, pp. 65-72.
GIRARD, M.C. et GIRARD, C.M. (2010). Traitement des données de télédétection -
Environnement et ressources naturelles, Paris, Dunod, 553 p.
EL HAJJ, M. BEGUE, A. and GUILLAUME, S. (2009). Integrating spot-5 time series, crop growth modeling and expert knowledge for monitoring agricultural practices - the case of sugarcane harvest on reunion island. Remote Sensing of Environment, 113(10):2052-2061.
LILLESAND, T.M., KIEFER, R.W. et CHIPMAN, J.W. (2008). Remote Sensing and image
interpretation, John Wiley & Sons, 755 p.
MELGANI, F. (2004) Classification of Multitemporal Remote-Sensing Images By a Fuzzy Fusion of spectral and spatio-temporal contextual information. IJPRAI vol 18, n° 2, pages 143-156
PING, L., STUMPF, A., KERLE, N. et CASAGLI, N. (2011). Object-Oriented Change Detection for Landslide Rapid Mapping, Geoscience and Remote Sensing Letters, IEEE, vol. 8, n° 4, pp. 701-705.
WITTEN, I., FRANK, E ., Data Mining : Practical Machine Learning Tools and Techniques, Second Edition. 2003, Morgan Kaufmann Publishers Inc.