Détection et modélisation du changement temporel par imagerie satellitaire multi-date

Abstract

Notre travail de thèse de doctorat porte sur l’étude, le développement et l’implémentation de mé-thodes de détection de changement et d’un modèle prédictif de l’évolution temporelle de l’occupation et l’utilisation futures des sols LULC (Land Use Land Cover). Nous avons implémenté trois méthodologies de détection de changement. La première méthodologie non supervisée basée sur les transformations linéaires de type PCA (Principal Component Analysis) et MAD (Multivariate Alteration Detection) ainsi que ses dérivées (MAD/MAF, IR-MAD et k-MAD) a nécessité un bon seuillage et/ou une bonne classification pour aboutir à une carte de changement LCCM (Land Cover Change Map) binaire donnant une vue globale sur les zones de changement et les zones de non changement. La deuxième méthodologie supervisée basée sur la comparaison post classification PCC (Post-Classification Comparison) est conditionnée par la fiabilité des classifica-tions multi-dates pour aboutir à une carte multi-classes très riche en information sur la nature du changement survenu. La troisième méthodologie que nous avons proposée est hybride constituée de trois phases : 1) génération d’une LCCM binaire (k-MAD et Chi-2), 2) clustering de la carte obtenue par l’algorithme AP (Aÿnity Propagation), et 3) classification supervisée par un réseau neuronal profond pour produire une LCCM multi-classes régularisée et de meilleure qualité. Notre méthode a permis de s’a?ranchir des limites des méthodes supervisées et non supervisées tout en conservant les avantages de chacune d’elle. ar la suite, nous avons développé le modèle CA-Markov qui permet de spatialiser, simuler et pré-dire l’état futur d’un phénomène dynamique comme par exemple l’étalement urbain que nous avons considéré dans notre travail. En e?et, en utilisant des images satellitaires multispectrales et mul-titemporelle combinées avec des données auxiliaires sur la zone d’étude, le modèle a d’abord été calibré, puis généralisé et appliqué pour prédire l’image en 2025. Les indicateurs de précision ont donné des valeurs appréciables indiquant ainsi une bonne prédiction. Dans cette partie, nous nous sommes intéressés aussi à l’analyse de l’évolution de l’urbain au détriment de la dégradation des terres agricoles dans la zone d’étude. Nous avons pu générer une carte d’adéquation urbaine et une carte d’adéquation des terres agricoles, qui nous renseignent respectivement sur les meilleurs emplacements futurs pour la création des sites urbains et l’implantation des sites agricoles. Cette adéquation est une source d’information précieuse pour les projets futurs de l’aménagement du territoire. Le résultat de prédiction obtenu pourrait être amélioré si nous considérons des images multi-dates acquises par le même capteur satellitaire afin de s’a?ranchir complètement des erreurs de la phase du prétraitement. Aussi, il serait intéressant d’inclure d’autres informations auxiliaires liées à la réalité de l’évolution de l’urbain. Nous envisageons également d’aborder la modélisation multi-objective à l’aide de l’analyse multicritères et aussi de développer des modèles basés sur les théories de l’incertain.