Towards an update of Cameroon's land-cover by geospatial imagery analysis and the exploitation of existing cartographic data
Vers une mise à jour de l'occupation du sol du Cameroun par analyse d'imagerie géospatiale et l'exploitation de données cartographiques existantes
Résumé
In recent years, the study of continental surfaces has become a major global issue for the management and monitoring of territories. In this context, remote sensing offers unprecedented opportunities to detect land cover and produce land cover maps that play a key role in studying changes in continental surfaces. The launch of new satellite constellations - Sentinel-1 and Sentinel-2 - has made it possible in recent years to acquire dense observations of high-resolution (HR) time series. The arrival of space HR sensors opens up new perspectives; but remains limited for correct discrimination based solely on radiometry, since the different types of land cover classes often have fairly similar colors and since many areas of clouds and shadows are very often present on the images provided by these sensors, thus questioning the choice of methodologies for mapping the land cover changes and the data to be used as input to the classification process. In addition, these methodologies are based on learning samples to improve their classification performance. In our case, the class associated with a land cover type is known and the quality of the land cover classification depends directly on the quality of the learning samples. However, a large number of samples representing the landscapes diversity is necessary for classification over large areas. However, reference data collection over large areas is a tedious task. In order to obtain a significant number of samples on the area to be classified, the learning samples are very often extracted from old databases. However, the use of these old data to classify more recent satellite images leads to inaccurate land cover maps and consequently to errors in land cover update.Taking into account the above mentioned challenges, this Ph.D. work aims at improving the classification performance of the land cover for its subsequent easy update. The work has been divided into two main parts. The first Ph.D. goal consists in using different classifications processes over large areas by evaluating three classifications approaches with several input datasets and study areas extents. In addition, the stability and the robustness of the classifications approaches to detect real land cover changes in the presence of parasitic changes due to weather and climate and other external factors are discussed. The second goal deals with the contribution of ortho-images in the study of the land cover changes. Firstly, a method for the joint generation of ortho-images with digital surface models (DSM) are proposed and analyzed. Secondly, a methodological framework is proposed in order to take into account the ortho-images in the analysis of the classifications and the fusions of classifications results. The objective is to perfectly discriminate the contours of the different land cover types and thus, to improve the produced land cover map for its subsequent easy update
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. Dans ce contexte, la télédétection offre des opportunités sans précédent pour détecter la couverture terrestre et produire des cartes d'occupation du sol (OCS) qui jouent un rôle essentiel pour l'étude des changements des surfaces continentales. Le lancement de nouvelles constellations satellitaires - Sentinel-1 et Sentinel-2 - a permis ces dernières années d'acquérir des observations denses de séries temporelles à hautes résolutions (HR). L'arrivée des capteurs à HR spatiales ouvre de nouvelles perspectives; mais reste limitée pour une discrimination correcte fondée uniquement sur la radiométrie étant donné que les différents types de classes d'OCS ont souvent des couleurs assez similaires (routes, ruelles, pistes, bâtiments) et que de nombreuses zones de nuages et d'ombres sont très souvent présentes sur les images fournies par ces capteurs, questionnant ainsi le choix des méthodologies de cartographie des changements d'OCS et des données à utiliser en entrée du processus de classification. En plus, ces méthodologies se fondent sur des échantillons d'apprentissage pour améliorer leurs performances de classification. Dans notre cas, la classe associée à une OCS est connue et la qualité de la classification d'OCS dépend directement de la qualité des échantillons d'apprentissage. Or, un grand nombre d'échantillons représentant la diversité des paysages est nécessaire pour la classification sur de grandes étendues. Cependant, la collecte de données de référence sur de grandes étendues est une tâche fastidieuse. Pour obtenir un nombre conséquent d'échantillons sur la zone à classifier, les échantillons d'apprentissage sont très souvent extraits d'anciennes bases de données. Toutefois, l'utilisation de ces anciennes données pour classifier des images satellitaires plus récentes conduit à des cartes d'OCS imprécises et par conséquent à des erreurs de mise à jour d'OCS. L'objectif général de la thèse vise à améliorer les performances de classification de l'OCS en vue de sa mise à jour aisée ultérieure. Le premier objectif consiste à utiliser différentes approches pour produire des classifications sur de grandes étendues. Plus particulièrement, les travaux portent sur l'analyse des résultats de classifications produites en utilisant trois approches de classifications définies en fonction des données en entrée du système de classification et de l'étendue des zones d'études. De plus, la robustesse de ces approches pour détecter les changements réels d'OCS en présence de changements parasitaires dus aux conditions météorologiques et climatiques et à d'autres facteurs externes est étudiée. Le second objectif s'intéresse à la contribution d'ortho-images dans l'étude des changements d'OCS. Dans un premier temps, une méthode de génération conjointe d'ortho-images avec des Modèles Numériques de Surface (MNS) est proposée et étudiée. Dans un second temps, un cadre méthodologique est proposé afin de prendre en compte ces ortho-images dans l'analyse des résultats des différentes classifications et fusions des classifications produites. L'objectif est d'arriver à discriminer parfaitement les contours des différents types d'objets à la surface de la Terre afin d'augmenter les scores de performance de la classification et faciliter ainsi l'étude et la compréhension de la dynamique en vue de la mise à jour aisée ultérieure de l'OCS
| Origine | Version validée par le jury (STAR) |
|---|