Search

International audience; The Sahel is a fragile region, characterized in recent decades by profound changes in land use, which are the result of complex interactions between societies and their environment. These phenomena, which modulate and transform the landscape, take place on several spatial and temporal scales. However, few studies have highlighted this multidimensional reality, most generally focusing only on the local or regional level, and on a single site. In this study, we mobilized two scales (local and regional) on three different sites. On the one hand, we performed a diachronic mapping of land cover by the analysis of multispectral Landsat images and, on the other hand, we studied its articulation with NDVI and rainfall time series.The results bring out an original synthesis of the land cover trends observed in the Sahelian agro-pastoral zone. They help understanding the complexity of the multi-scale phenomena that characterize the evolution of Sahelian areas. If the analysis of the time series confirms, as has been observed by several authors, an overall regreening trend on a regional basis as a result of the improvement in rainfall conditions from the 1990s, the diachronic analyzes proposed in this study found significant contrasts at finer scales. Considering the total area mapped (Landsat images covering each region), the areas of vegetation cover progression between 1999 and 2010 represent 18 % of the Gourma area and 27 % for Fakara. In terms of net change between 1999 and 2010, in Fakara which has the highest rate of progression (+13 %), the Dantiandou municipality shows, in contrast, a negative rate (-35 %) which is not the case in the two other studied municipalities: +7 % for Téssékré (in Ferlo) and +12 % for Hombori (in Gourma).; La bande sahélienne est une région fragile, caractérisée ces dernières décennies par des changements profonds de l'occupation du sol, résultats de processus biophysiques et de complexes interactions entre les sociétés et leur environnement. Ces processus, qui modulent et transforment le paysage, s'expriment à plusieurs échelles spatiales et temporelles. Pourtant peu de travaux mettent en valeur cette réalité multidimensionnelle et rares sont les approches comparatives multiscalaires. Dans cette étude, deux échelles (locale et régionale) ont été conjointement mobilisées, sur trois sites. La cartographie diachronique de la couverture du sol par l'analyse d'images multispectrales Landsat et son articulation avec l'analyse des séries temporelles (pluviométrie et NDVI) ont été couplées.Les résultats mettent en lumière une synthèse originale des tendances observées concernant les changements d'occupation du sol par la végétation en zone agropastorale sahélienne. Ils permettent de mieux cerner la complexité du caractère multiscalaire de l'évolution des espaces sahéliens. À la suite de nombreux auteurs, l'analyse des séries temporelles confirme globalement une tendance au reverdissement à l'échelle régionale comme résultat de l'amélioration des conditions pluviométriques à partir des années 1990. Cependant les analyses diachroniques proposées dans cette étude ont révélé d'importants contrastes puisque par rapport à la surface totale cartographiée (emprise des images Landsat couvrant chaque région) les surfaces de progression de la couverture végétales entre 1999 et 2010 correspondent à 18 % de la zone du Gourma et 27 % pour le Fakara. En termes d'évolution nette entre 1999 et 2010, dans le Fakara, qui présente le plus fort taux de progression (+13 %), la commune de Dantiandou montre, à l'inverse, un taux négatif (-35 %), ce qui n'est pas le cas des deux autres communes étudiées : +7 % pour Téssékré (dans le Ferlo) et +12 % pour Hombori (dans le Gourma).

Cette étude des changements de l'occupation du sol dans le bassin versant de la Lobo (12767 km2) s'appuie sur les images multispectrales TM (1986), ETM+ (2008) et OLI (2015) des satellites Landsat et sur des levés de terrain servant de contrôle. Les traitements appliqués aux images ont alimenté une base de données gérée dans un SIG. La cartographie de l'occupation du sol en 1986, 2008 et 2015 a permis d'évaluer les mutations entre les différentes dates. Les classes "culture-jachère" et "culture" ont toujours été largement dominantes, mais avec de fortes variations pour chacune d'elles, les deux variant en sens inverse. Dès 1986, la classe forêt ne représentait que 4,6 % du terrain d'étude (584 km2). Sa part est tombée à 0,96 % (123 km2) en 2008, avant de remonter à 2,3 % (299 km2) en 2015, en lien pour partie avec le développement de cultures arbustives. Sur la période d'étude, la forêt a considérablement régressé dans les secteurs où elle aurait dû être protégée, la forêt classée du Haut-Sassandra et le Parc National de la Marahoué. This study of land cover changes in the Lobo watershed (12767 km2) is based on multispectral TM (1986), ETM+ (2008) and OLI (2015) images from Landsat satellites and on field surveys as a control. The processing applied to the images fed a database managed in a GIS. The mapping of land use in 1986, 2008 and 2015 made it possible to assess the changes between the different dates. The "crop-fallow" and "crop" classes have always been largely dominant, but with strong variations for each of them, both varying in opposite directions. As early as 1986, the forest class represented only 4.6 % of the study area (584 km2 ). Its share fell to 0.96 % (123 km2) in 2008, before rising to 2.3 % (299 km2) in 2015, partly in connection with the development of shrub crops. Over the study period, the forest declined considerably in the areas where it should have been protected, the classified forest of Haut-Sassandra and the Marahoué National Park.[Translated with https://www.deepl.com/fr/translator (free version)]

La forêt du haut massif du Mont-Liban, entre 1400 et 3086 mètres d'altitude, renferme la plus grande masse forestière de ce pays. Cependant, sous l'emprise des multiples besoins des riverains, le milieu forestier a été fragilisé et sa surface réduite. Les déboisements ont livré les versants fragiles à l'érosion hydrique. La combinaison des photos aériennes et des images satellitaires multi-dates permettent une analyse diachronique du paysage forestier ainsi qu'une description synthétique de l'organisation et de la répartition spatiale de ces formations végétales. L'interprétation des résultats, qui doit tenir compte de l'interaction entre l'Homme et son environnement, révèle une régression des surfaces forestières entre 1962 et 1984 et une progression sur les périodes 1984-2000 et 2000-2018. The forest of the hight Mount Lebanon massif, at altitudes between 1400 and 3086 meters, holds the largest forest extent in Lebanon. However, under the pressure of meeting local residents' needs, the forest gradually lost its density, causing the disappearance of this landscape. Deforestation has exposed fragile slopes to water erosion. The effects of deforestation have the direct impact of exposing fragile slopes to water erosion. The combination of aerial photographs and multi-date satellite images allows for a diachronic analysis of the forest landscape as well as a synthetic description of the organization and spatial distribution of these tree formations. Interpreting the results, that should account for the interaction between people and their environment, revealed a decline in the forest area between the years 1962-1984, while an increase is marked in the two periods 1984-2000 and 2000-2018.

International audience; The Sahel is a fragile region, characterized in recent decades by profound changes in land use, which are the result of complex interactions between societies and their environment. These phenomena, which modulate and transform the landscape, take place on several spatial and temporal scales. However, few studies have highlighted this multidimensional reality, most generally focusing only on the local or regional level, and on a single site. In this study, we mobilized two scales (local and regional) on three different sites. On the one hand, we performed a diachronic mapping of land cover by the analysis of multispectral Landsat images and, on the other hand, we studied its articulation with NDVI and rainfall time series.The results bring out an original synthesis of the land cover trends observed in the Sahelian agro-pastoral zone. They help understanding the complexity of the multi-scale phenomena that characterize the evolution of Sahelian areas. If the analysis of the time series confirms, as has been observed by several authors, an overall regreening trend on a regional basis as a result of the improvement in rainfall conditions from the 1990s, the diachronic analyzes proposed in this study found significant contrasts at finer scales. Considering the total area mapped (Landsat images covering each region), the areas of vegetation cover progression between 1999 and 2010 represent 18 % of the Gourma area and 27 % for Fakara. In terms of net change between 1999 and 2010, in Fakara which has the highest rate of progression (+13 %), the Dantiandou municipality shows, in contrast, a negative rate (-35 %) which is not the case in the two other studied municipalities: +7 % for Téssékré (in Ferlo) and +12 % for Hombori (in Gourma).; La bande sahélienne est une région fragile, caractérisée ces dernières décennies par des changements profonds de l'occupation du sol, résultats de processus biophysiques et de complexes interactions entre les sociétés et leur environnement. Ces processus, qui modulent et transforment le paysage, s'expriment à plusieurs échelles spatiales et temporelles. Pourtant peu de travaux mettent en valeur cette réalité multidimensionnelle et rares sont les approches comparatives multiscalaires. Dans cette étude, deux échelles (locale et régionale) ont été conjointement mobilisées, sur trois sites. La cartographie diachronique de la couverture du sol par l'analyse d'images multispectrales Landsat et son articulation avec l'analyse des séries temporelles (pluviométrie et NDVI) ont été couplées.Les résultats mettent en lumière une synthèse originale des tendances observées concernant les changements d'occupation du sol par la végétation en zone agropastorale sahélienne. Ils permettent de mieux cerner la complexité du caractère multiscalaire de l'évolution des espaces sahéliens. À la suite de nombreux auteurs, l'analyse des séries temporelles confirme globalement une tendance au reverdissement à l'échelle régionale comme résultat de l'amélioration des conditions pluviométriques à partir des années 1990. Cependant les analyses diachroniques proposées dans cette étude ont révélé d'importants contrastes puisque par rapport à la surface totale cartographiée (emprise des images Landsat couvrant chaque région) les surfaces de progression de la couverture végétales entre 1999 et 2010 correspondent à 18 % de la zone du Gourma et 27 % pour le Fakara. En termes d'évolution nette entre 1999 et 2010, dans le Fakara, qui présente le plus fort taux de progression (+13 %), la commune de Dantiandou montre, à l'inverse, un taux négatif (-35 %), ce qui n'est pas le cas des deux autres communes étudiées : +7 % pour Téssékré (dans le Ferlo) et +12 % pour Hombori (dans le Gourma).

For political or environmental matters, land cover mapping has become more and more important since the beginning of the XXIst century. This mapping consists in, given a set of land cover classes, classifying ground-level objects according to these classes. Adressing very various applications, from a local scale (city-wise) to a more global scale (world-wide), several projects have been initiated so as to build land cover maps that would fit one of these applications. However, the current means to achieve this mapping are mainly manual, leading to high cost of production both in terms of man power and processing time. The task of building relevant land cover maps lies also in being able to monitor various phenomena in time, but acquiring data can be expansive for frequent updates or computation of maps at large scale. Yet, remote sensors have multiplied for the past two decades and the panel of such sensors is very wide and diverse in a spectral way and in terms of resolution. Among them, optical sensors boarded on Earth observation satellites acquire images in the visible and infrared spectrums, with high revisit time capabilities. SPOT 6 and 7 were launched in 2012 and 2014 respectively, and offer very high resolution images at 1.5m, in four bands. The French Mapping Agency computes each year a full France coverage from the SPOT data available through the THEIA data portal. Although this task has been widely studied in the past by the remote sensing community, by the means of supervised classifiers such as SVMs or random forests, none of the results have yet led to truly automated and satisfying maps that match existing specifications due to mislabelling errors that occur too often. In terms of methodology, the deep learning, and more specifically deep neural networks have proved to be far more efficient than other machine learning algorithms in various fields of research, from computer vision to natural language processing and system recommendation. These days, deep learning has become a part of everyday life, not only for academic research purposes, but also it society where it runs in the background of our smartphones for various tasks. Such ubiquity raises ethical issues: in particular, users’ browsing habits and behaviours are often monitored without them knowing to feed these algorithms. This heavy need for data is what allows deep learning to sketch more accurately a user behaviour, thus leading to more suitable commercial offers based on a history of purchases for instance.In our work, the French Mapping Agency topographic databases represent a real opportunity to massively train deep neural networks on the SPOT monoscopic very high resolution images, so as to produce land cover maps. The works reported in this dissertation are focused on this problematic of land cover mapping with deep neural networks on SPOT 6 and 7 data, with the additional constraint of tackling this task in a more general operational environment (large scale land cover mapping). This latter point ensures that the conducted experiments address occurring questions when classifying large geographic areas. For instance, a specific SPOT coverage is made of one image per territory, which means adjacent areas can have been acquired at different dates, leading to strong appearance discrepancies. Transfer learning is a tool that can help a lot in lots of scenarii so as to reduce both time computation and needs for training samples. Finally, in a context of the automatic update or re-computation of existing topographic database, the use of aerial images in deep neural networks is assessed in several tasks, with an emphasis on the training dataset conception from topographic database that can include some drawbacks, La connaissance de la couverture des territoires en terme d’occupation des sols est devenue un enjeu majeur du XXIème siècle. Que ce soit à l’échelle nationale ou à une échelle plus globale, les initiatives se multiplient pour proposer des cartographies d’occupation des sols qui répondent à des besoins propres à chacune. Consistant à classer des objets présents sur le sol selon des nomenclatures prédéfinies, la tâche est fastidieuse à l’heure actuelle avec des processus essentiellement manuels ou semi-manuels, nécessaires pour garantir le respect de certaines qualités et spécifications. La télédétection spatiale a connu un essor conséquent avec la multiplication des capteurs optiques d’observation de la Terre disponibles et de leur diversité en terme de résolutions spectrale, spatiale et temporelle. Ces capteurs optiques proposent chacun une description de la surface terrestre qui leur est propre. Les satellites SPOT 6 et SPOT 7 sont dotés de capteurs optiques à très haute résolution spatiale, et acquièrent des images dans quatre bandes spectrales à très haute résolution après pan-sharpening (1,5m). L’IGN, à partir de ces acquisitions SPOT disponibles sur le pôle de données surfaces continentales THEIA, produit chaque année une couverture d’orthophotos sur l’ensemble du territoire français. La problématique de cartographie de l’occupation des sols automatique à partir d’images aériennes ou satellites occupe la communauté de télédétection depuis longtemps, par le biais de processus de classification supervisés, tels que les SVMs, ou les forêts aléatoires pour, entre autres, la vitesse d’exécution de ces derniers. Mais les résultats obtenus par ces méthodes n'ont pas encore permis une réelle automatisation, notamment en adéquation avec des spécifications existantes (erreurs encore trop importantes). En parallèle de ces algorithmes depuis longtemps utilisés, des méthodes d’apprentissage automatique d’un genre nouveau, bien que reposant sur des concepts remontant aux années 1950, émergent depuis une décennie. L’apprentissage profond a fait ses preuves dans de nombreux domaines depuis le traitement naturel du langage, à la reconnaissance d’objets dans des images. Cet essor récent est la conséquence de la disponibilité de grandes bases de données d'apprentissage, ainsi que la croissance globale des puissances de calcul. Représentants principaux de cette famille d’apprentissage, les réseaux de neurones profonds ont un impact au quotidien. Que ce soit au niveau académique en terme de recherche, au niveau sociétal, au travers des smartphones par exemple, ou même au niveau politique, avec les questions déontologiques que cela peut poser en terme de confidentialité des données (RGPD) et de protection des libertés individuelles, l'apprentissage profond est au cœur de technologies utilisées par la plupart des gens à leur insu. En effet, pour afficher de telles performances dans tant de domaines, ces algorithmes nécessitent de gros volumes de données. Les bases de données géographiques de l’IGN sont donc une opportunité dans notre cas, permettant d’exploiter au mieux les images très haute résolution monoscopiques acquises par les satellites SPOT 6 et 7 en les classifiant automatiquement par réseaux de neurones profonds appris sur ces mêmes bases de données. C’est cette approche que nous proposons dans ces travaux de thèse, avec une volonté d’étudier cette problématique tout en se plaçant dans un cadre plus large à visée opérationnelle. Nous étudions les possibilités de transfert d’apprentissage qui offre beaucoup d’avantages en matière de charges de calcul et de jeu d’apprentissage. Enfin, l’exploitation jointe d’images aériennes et de réseaux de neurones profonds est étudiée, avec un accent mis sur la préparation des données d’apprentissage issues des bases de données géographiques de l’IGN qui présentent certains inconvénients

For political or environmental matters, land cover mapping has become more and more important since the beginning of the XXIst century. This mapping consists in, given a set of land cover classes, classifying ground-level objects according to these classes. Adressing very various applications, from a local scale (city-wise) to a more global scale (world-wide), several projects have been initiated so as to build land cover maps that would fit one of these applications. However, the current means to achieve this mapping are mainly manual, leading to high cost of production both in terms of man power and processing time. The task of building relevant land cover maps lies also in being able to monitor various phenomena in time, but acquiring data can be expansive for frequent updates or computation of maps at large scale. Yet, remote sensors have multiplied for the past two decades and the panel of such sensors is very wide and diverse in a spectral way and in terms of resolution. Among them, optical sensors boarded on Earth observation satellites acquire images in the visible and infrared spectrums, with high revisit time capabilities. SPOT 6 and 7 were launched in 2012 and 2014 respectively, and offer very high resolution images at 1.5m, in four bands. The French Mapping Agency computes each year a full France coverage from the SPOT data available through the THEIA data portal. Although this task has been widely studied in the past by the remote sensing community, by the means of supervised classifiers such as SVMs or random forests, none of the results have yet led to truly automated and satisfying maps that match existing specifications due to mislabelling errors that occur too often. In terms of methodology, the deep learning, and more specifically deep neural networks have proved to be far more efficient than other machine learning algorithms in various fields of research, from computer vision to natural language processing and system recommendation. These days, deep learning has become a part of everyday life, not only for academic research purposes, but also it society where it runs in the background of our smartphones for various tasks. Such ubiquity raises ethical issues: in particular, users’ browsing habits and behaviours are often monitored without them knowing to feed these algorithms. This heavy need for data is what allows deep learning to sketch more accurately a user behaviour, thus leading to more suitable commercial offers based on a history of purchases for instance.In our work, the French Mapping Agency topographic databases represent a real opportunity to massively train deep neural networks on the SPOT monoscopic very high resolution images, so as to produce land cover maps. The works reported in this dissertation are focused on this problematic of land cover mapping with deep neural networks on SPOT 6 and 7 data, with the additional constraint of tackling this task in a more general operational environment (large scale land cover mapping). This latter point ensures that the conducted experiments address occurring questions when classifying large geographic areas. For instance, a specific SPOT coverage is made of one image per territory, which means adjacent areas can have been acquired at different dates, leading to strong appearance discrepancies. Transfer learning is a tool that can help a lot in lots of scenarii so as to reduce both time computation and needs for training samples. Finally, in a context of the automatic update or re-computation of existing topographic database, the use of aerial images in deep neural networks is assessed in several tasks, with an emphasis on the training dataset conception from topographic database that can include some drawbacks, La connaissance de la couverture des territoires en terme d’occupation des sols est devenue un enjeu majeur du XXIème siècle. Que ce soit à l’échelle nationale ou à une échelle plus globale, les initiatives se multiplient pour proposer des cartographies d’occupation des sols qui répondent à des besoins propres à chacune. Consistant à classer des objets présents sur le sol selon des nomenclatures prédéfinies, la tâche est fastidieuse à l’heure actuelle avec des processus essentiellement manuels ou semi-manuels, nécessaires pour garantir le respect de certaines qualités et spécifications. La télédétection spatiale a connu un essor conséquent avec la multiplication des capteurs optiques d’observation de la Terre disponibles et de leur diversité en terme de résolutions spectrale, spatiale et temporelle. Ces capteurs optiques proposent chacun une description de la surface terrestre qui leur est propre. Les satellites SPOT 6 et SPOT 7 sont dotés de capteurs optiques à très haute résolution spatiale, et acquièrent des images dans quatre bandes spectrales à très haute résolution après pan-sharpening (1,5m). L’IGN, à partir de ces acquisitions SPOT disponibles sur le pôle de données surfaces continentales THEIA, produit chaque année une couverture d’orthophotos sur l’ensemble du territoire français. La problématique de cartographie de l’occupation des sols automatique à partir d’images aériennes ou satellites occupe la communauté de télédétection depuis longtemps, par le biais de processus de classification supervisés, tels que les SVMs, ou les forêts aléatoires pour, entre autres, la vitesse d’exécution de ces derniers. Mais les résultats obtenus par ces méthodes n'ont pas encore permis une réelle automatisation, notamment en adéquation avec des spécifications existantes (erreurs encore trop importantes). En parallèle de ces algorithmes depuis longtemps utilisés, des méthodes d’apprentissage automatique d’un genre nouveau, bien que reposant sur des concepts remontant aux années 1950, émergent depuis une décennie. L’apprentissage profond a fait ses preuves dans de nombreux domaines depuis le traitement naturel du langage, à la reconnaissance d’objets dans des images. Cet essor récent est la conséquence de la disponibilité de grandes bases de données d'apprentissage, ainsi que la croissance globale des puissances de calcul. Représentants principaux de cette famille d’apprentissage, les réseaux de neurones profonds ont un impact au quotidien. Que ce soit au niveau académique en terme de recherche, au niveau sociétal, au travers des smartphones par exemple, ou même au niveau politique, avec les questions déontologiques que cela peut poser en terme de confidentialité des données (RGPD) et de protection des libertés individuelles, l'apprentissage profond est au cœur de technologies utilisées par la plupart des gens à leur insu. En effet, pour afficher de telles performances dans tant de domaines, ces algorithmes nécessitent de gros volumes de données. Les bases de données géographiques de l’IGN sont donc une opportunité dans notre cas, permettant d’exploiter au mieux les images très haute résolution monoscopiques acquises par les satellites SPOT 6 et 7 en les classifiant automatiquement par réseaux de neurones profonds appris sur ces mêmes bases de données. C’est cette approche que nous proposons dans ces travaux de thèse, avec une volonté d’étudier cette problématique tout en se plaçant dans un cadre plus large à visée opérationnelle. Nous étudions les possibilités de transfert d’apprentissage qui offre beaucoup d’avantages en matière de charges de calcul et de jeu d’apprentissage. Enfin, l’exploitation jointe d’images aériennes et de réseaux de neurones profonds est étudiée, avec un accent mis sur la préparation des données d’apprentissage issues des bases de données géographiques de l’IGN qui présentent certains inconvénients

This paper presents a collection of frameworks aiming at mapping land cover, land use and estimate population densities from very-high resolution images and relying on open-source software. Using height information and landscape metrics, slums location and extent can be accurately extracted from the rest of the city. Moreover, the processing chain developed can deal with large amount of data and produce useful pieces of geographical information citywide. All the results, methods and computer code are available in open-access for anyone and any purpose., info:eu-repo/semantics/published

Land-Cover geospatial databases (LC-BDs) are mandatory inputs for various purposes such as for natural resources monitoring land planning, and public policies management. To improve this monitoring, users look for both better geometric, and better semantic levels of detail. To fulfill such requirements, a large-scale LC-DB is being established at the French National Mapping Agency (IGN). However, to meet the users needs, this DB must be updated as regularly as possible while keeping the initial accuracies. Consequently, automatic updating methods should be set up in order to allow such large-scale computation. Furthermore, Earth observation satellites have been successfully used to the constitution of LC-DB at various scales such as Corine Land Cover (CLC). Nowadays, very high resolution (VHR) sensors, such as Pléiades satellite, allow to product large-scale LC-DB. Consequently, the purpose of this thesis is to propose an automatic updating method of such large-scale LC-DB from VHR monoscopic satellite image (to limit acquisition costs) while ensuring the robustness of the detected changes. Our proposed method is based on a multilevel supervised learning algorithm MLMOL, which allows to best take into account the possibly multiple appearances of each DB classes. This algorithm can be applied to various images and DB data sets, independently of the classifier, and the attributes extracted from the input image. Moreover, the classifications stacking improves the robustness of the method, especially on classes having multiple appearances (e.g., plowed or not plowed fields, stand-alone houses or industrial warehouse buildings, ...). In addition, the learning algorithm is integrated into a processing chain (LUPIN) allowing, first to automatically fit to the different existing DB themes and, secondly, to be robust to in-homogeneous areas. As a result, the method is successfully applied to a Pleiades image on an area near Tarbes (southern France) covered by the IGN large-scale LC-DB. Results show the contribution of Pleiades images (in terms of sub-meter resolution and spectral dynamics). Indeed, thanks to the texture and shape attributes (morphological profiles, SFS, ...), VHR satellite images give good classification results, even on classes such as roads, and buildings that usually require specific methods. Moreover, the proposed method provides relevant change indicators in the area. In addition, our method provides a significant support for the creation of LC-DB obtain by merging several existing DBs. Indeed, our method allows to take a decision when the fusion of initials DBs generates overlapping areas, particularly when such DBs come from different sources with their own specification. In addition, our method allows to fill potential gaps in the coverage of such generating DB, but also to extend the data to the coverage of a larger image. Finally, the proposed workflow is applied to different remote sensing data sets in order to assess its versatility and the relevance of such data. Results show that our method is able to deal with such different spatial resolutions data sets (Pléiades at 0.5 m, SPOT 6 at 1.5 m and RapidEye at 5 m), and to take into account the strengths of each sensor, e.g., the RapidEye red-edge channel for discrimination theme forest, the good balance of the SPOT~6 resolution for built-up areas classes and the capability of VHR of Pléiades images to discriminate objects of small spatial extent such as roads or hedge.; Les base de données (BD) d'Occupation du Sol (OCS) sont d'une grande utilité, dans divers domaines. Les utilisateurs recherchent des niveaux de détails tant géométriques que sémantiques très fins. Ainsi, une telle BD d'OCS à Grande Échelle (OCS-GE) est en cours de constitution à l'IGN. Cependant, pour répondre aux besoins des utilisateurs, cette BD doit être mise à jour le plus régulièrement possible, avec une notion de millésime. Ainsi, des méthodes automatiques de mise à jour doivent être mises en place, afin de traiter rapidement des zones étendues. Par ailleurs, les satellites d'observation de la terre ont fait leurs preuves dans l'aide à la constitution de BD d'OCS à des échelles comparables à celle de CLC. Avec l'arrivée de nouveaux capteurs THR, comme celle du satellite Pléiades, la question de la pertinence de ces images pour la mise à jour de BD d'OCS-GE se pose naturellement. Ainsi, l'objet de cette thèse est de développer une méthode automatique de mise à jour de BDs d'OCS-GE, à partir d'une image satellite THR monoscopique (afin de réduire les coûts d'acquisition), tout en garantissant la robustesse des changements détectés. Le cœur de la méthode est un algorithme d'apprentissage supervisés multi-niveaux appelé MLMOL, qui permet de prendre en compte au mieux les apparences, éventuellement multiples, de chaque thème de la BD. Cet algorithme, complètement indépendant du choix du classifieur et des attributs extraits de l'image, peut être appliqué sur des jeux de données très variés. De plus, la multiplication de classifications permet d'améliorer la robustesse de la méthode, en particulier sur des thèmes ayant des apparences multiples (e,g,. champs labourés ou non, bâtiments de type maison ou hangar industriel, ...). De plus, l'algorithme d'apprentissage est intégré dans une chaîne de traitements (LUPIN) capable, d'une part de s'adapter automatiquement aux différents thèmes de la BD pouvant exister et, d'autre part, d'être robuste à l'existence de thèmes in-homogènes. Par suite, la méthode est appliquée avec succès à une image Pléiades, sur une zone à proximité de Tarbes (65) couverte par la BD OCS-GE constituée par IGN. Les résultats obtenus montrent l'apport des images Pléiades tant en terme de résolution sub-métrique que de dynamique spectrale. D'autre part, la méthode proposée permet de fournir des indicateurs pertinents de changements sur la zone. Nous montrons par ailleurs que notre méthode peut fournir une aide précieuse à la constitution de BD d'OCS issues de la fusion de différentes BDs. En effet, notre méthode a la capacité de prise de décisions lorsque la fusion de BDs génère des zones de recouvrement, phénomène courant notamment lorsque les données proviennent de différentes sources, avec leur propre spécification. De plus, notre méthode permet également de compléter d'éventuels lacunes dans la zone de couverture de la BD générée, mais aussi d'étendre cette couverture sur l'emprise d'une image couvrant une étendue plus large. Enfin, la chaîne de traitements LUPIN est appliquée à différents jeux de données de télédétection afin de valider sa polyvalence et de juger de la pertinence de ces données. Les résultats montrent sa capacité d'adaptation aux données de différentes résolutions utilisées (Pléiades à 0,5m, SPOT 6 à 1,5m et RapidEye à 5m), ainsi que sa capacité à utiliser les points forts des différents capteurs, comme par exemple le canal red-edge de RapidEye pour la discrimination du thème forêts, le bon compromis de résolution que fournit SPOT 6 pour le thème zones bâties et l'apport de la THR de Pléiades pour discriminer des thèmes précis comme les routes ou les haies.