- Site officiel

CAFES MTD & CAFES DOCTORANTS

 

JEU
27 
JUIN

De 10h30 à 11h30, en salle SALTUS.

Jean-Eudes GBODJO résentera sa thèse s'intitulant :

"Leverage Multi-Source Remote Sensing data via machine learning to improve Crop Monitoring Systems"

Résumé : 

Face à l’explosion démographique et les impacts environnementaux des changements climatiques que connaît notre temps, garantir la sécurité alimentaire des populations tout en favorisant une agriculture durable préservant les écosystèmes terrestres et la biodiversité (Objectifs 2 et 15 du Développement Durable des Nations Unies) devient un enjeu majeur pour le futur de notre société.
À l’heure où les missions satellitaires se multiplient (ex. Sentinel), diverses sources d’informations sont maintenant disponibles pour mieux suivre et caractériser les systèmes agricoles ainsi que les pratiques associées à l’échelle régionale, nationale et globale. Parallèlement, l’intégration de ces diverses sources de données notamment pour des problématiques agronomiques reste un vrai défi.
L’objectif de cette thèse est de proposer des méthodes innovantes basées sur l’apprentissage automatique des données pour intégrer les différentes sources d’informations apportées par les séries temporelles optiques et radar et l’imagerie à très haute résolution spatiale dans le but d'améliorer la caractérisation des surfaces cultivées et l’estimation des rendements agricoles à partir de données collectées sur le terrain.
De nos jours, les systèmes d’observation de la Terre produisent d'énormes quantités de données stallitaires qui permettent de mieux suivre et caractériser les phénomènes spatio-temporels intervenant à la surface. La constellation Sentinel-2 (S2) en l’occurrence fournit des images à haute résolution spatiale (jusqu’à 10 mètres) et haute fréquence temporelle (jusqu’à 5 jours) et permet de générer de denses séries temporelles d’images satellitaires (STIS).
Cependant, l’analyse des STIS en tenant compte à la fois des informations spectrales et spatiales qu’elles apportent, reste un défi en télédétection. Dans ce travail, nous proposons une classification spatio-spectrale des STIS (S2) en exploitant des opérateurs dérivés de la morphologie mathématique. Les expériences ont été menées sur deux sites d’étude : l’île de la Réunion et le département de la Dordogne