Note ABES Apport des images Sentinel-1&2 et des méthodes d’apprentissage profond pour la cartographie et le suivi des modes d’occupation des sols Contribution of Sentinel-1&2 imagery and deep learning methods for land use land cover mapping and monitoring Télédétection Intelligence artificielle Apprentissage profond Sentinel-1 Sentinel-2 Remote sensing Artificial intelligence Deep learning Sentinel-1 Sentinel-2 912 621.367 006.3 Télédétection Intelligence artificielle Apprentissage profond La couverture biophysique de la surface terrestre, plus communément appelée occupation des sols, est une composant des Variables Climatiques Essentielles (VCE) depuis plusieurs années. Dans un contexte de changement globale, sa connaissance précise est au cœur de nombreux projets de recherche sur l’environnement. En effet, cette donnée peut être utilisé en entrée de différents modèles, tels que les modèles climatiques et permet d’aider les acteurs locaux des territoires dans leur prise de décision. Les constellations satellitaires actuelles fournissent des images à haute résolution spatiale et temporelle avec de multiples modes d’acquisition (radar, optique etc.). Les nouvelles méthodes d’intelligence artificielle telles que l’apprentissage profond, ont permis d’obtenir des résultats prometteurs et ont accéléré le traitement des données massives. Ainsi, l’objectif de cette thèse est d’évaluer la contribution des capteurs Sentinel-1&2 pour la classification et le suivi de l’occupation et de l’usage des sols et plus particulièrement des tissus urbains. The biophysical cover of the earth's surface, otherwise known as land cover, has been an integral part of Essential Climate Variables (ECV) for several years. In a context of global change, precise knowledge of land cover is an important component of many environmental research projects. Indeed, this data can be used as input for several types of models (e.g. climate models) and help urban planners in their decision making. For several years, constellations of Earth observation satellites have been able to transmit high spatial and temporal resolution images (e.g. Sentinel constellation) using several acquisition modes (radar, optical, etc.). Deep learning methods, which have become increasingly attractive in recent years, have accelerated the processing of these large volumes of data and have also produced better results than traditional machine learning methods. The objective of this thesis is to evaluate the contribution of Sentinel-1&2 sensors for the classification and monitoring of land use/land cover and more specifically of urban fabrics. Electronic Thesis or Dissertation Text en PDF 58341044 Université de Strasbourg Strasbourg 2024-12-31 https://theses.hal.science/tel-04339191 application/pdf 57995066 https://publication-theses.unistra.fr/public/theses_doctorat/2023/Wenger_Romain_2023_ED413.pdf http://www.theses.fr/2023STRAH002/abes https://theses.hal.science/tel-04339191 https://theses.hal.science/tel-04339191 https://theses.hal.science/tel-04339191 https://theses.hal.science/tel-04339191 https://theses.hal.science/tel-04339191 Wenger Romain 1994-05-27 FR 264469216 1505017798L 21201550 4200033 https://theses.fr/2023STRAH002 2023STRAH002 https://doi.org/10.70675/ed2ddc8dza79dz4638za254zabfe640ea279 2023-03-20 Geographie Strasbourg 131056549 Doctorat Docteur es non oui Puissant Anne MADS_DIRECTEUR_DE_THESE_1 077139321 Forestier Germain MADS_DIRECTEUR_DE_THESE_2 148679072 Mallet Clément MADS_PRESIDENT_DU_JURY 17746545X Pelletier Charlotte MADS_MEMBRE_DU_JURY_1 231642938 Sheeren David MADS_MEMBRE_DU_JURY_2 092130062 Weber Jonathan MADS_MEMBRE_DU_JURY_3 160604311 Idoumghar Lhassane MADS_MEMBRE_DU_JURY_4 071016295 Mallet Clément MADS_RAPPORTEUR_1 17746545X Hubert-Moy Laurence MADS_RAPPORTEUR_2 084108452 École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....) MADS_ECOLE_DOCTORALE_1 413 15650166X Laboratoire image, ville et environnement (Strasbourg ; 2009-....) MADS_PARTENAIRE_DE_RECHERCHE_1 55195 157680371 ddc:910 ddc:620 ddc:004 Puissant Anne Forestier Germain Mallet Clément Pelletier Charlotte Sheeren David Weber Jonathan Idoumghar Lhassane Mallet Clément Hubert-Moy Laurence École doctorale Sciences de la Terre et Environnement (Strasbourg ; 2000-....) Laboratoire image, ville et environnement (Strasbourg) PDF 58341044