Search

Degraded forests account for 70% of the world's tropical forests. It is now essential to identify and characterize these elements in order to establish sustainable management of tropical forest landscapes and restore the ecosystem services they provide. The objective of this study was to develop a fully automatic, robust and reproducible method to identify and characterize forest degradation from dense time series of Landsat imagery (30 m). The results identify and characterize forest degradation by detecting different impacts (logging tracks, lo yards, logging gaps). In addition, metrics and indicators of forest degradation provide to determine different types of logging (legal or illegal).; Les forêts dégradées représentent 70% des forêts tropicales mondiales. Il est aujourd’hui essentiel de les identifier et de les caractériser afin d’établir des plans d’aménagements durables des paysages forestiers tropicaux et de restaurer les services écosystémiques qu’ils rendent. L’objectif de cette étude était de mettre en place une méthode entièrement automatique voire semi-automatique, robuste et reproductible, pour identifier et caractériser la dégradation forestière à partir de séries temporelles denses d’images Landsat (30 m). Les résultats identifient et caractérisent la dégradation forestière via la détection des différents impacts (pistes d’exploitation, parcs à grumes, trouées d’abattage). De plus, le calcul de métriques et l’élaboration d’indicateurs de dégradation forestière ont permis de déterminer différents types d’exploitation forestière (légale ou illégale).

This thesis is devoted to the unmixing issue in hyperspectral images, especiallyin presence of small sized objects. Hyperspectral images contains an importantamount of both spectral and spatial information. Each pixel of the image canbe assimilated to the reflection spectra of the imaged scene. Due to sensors’ lowspatial resolution, the observed spectra are a mixture of the reflection spectraof the different materials present in the pixel. The unmixing issue consists inestimating those materials’ spectra, called endmembers, and their correspondingabundances in each pixel. Numerous unmixing methods have been proposed butthey fail when an endmembers is rare (that is to say an endmember present inonly a few of the pixels). We call rare pixels, pixels containing those endmembers.The presence of those rare endmembers can be seen as anomalies that we want todetect and unmix. In a first time, we present two detection methods to retrievethis anomalies. The first one use a thresholding criterion on the reconstructionerror from estimated dominant endmembers. The second one, is based on wavelettransform. Then we propose an unmixing method adapted when some endmembersare known a priori. This method is then used with the presented detectionmethod to propose an algorithm to unmix the rare pixels’ endmembers. Finally,we study the application of bootstrap resampling method to artificially upsamplerare pixels and propose unmixing methods in presence of small sized targets., Cette thèse est consacrée au démixage en imagerie hyperspectrale en particulier dans le cas où des objets de petite taille sont présents dans la scène. Les images hyperspectrales contiennent une grande quantité d’information à la fois spectrale et spatiale, et chaque pixel peut être vu comme le spectre de réflexion de la zone imagée. Du fait de la faible résolution spatiale des capteurs le spectre de réflexion observé au niveau de chaque pixel est un mélange des spectres de réflexion de l’ensemble des composants imagés dans le pixel. Une problématique de ces images hyperspectrales est le démixage, qui consiste à décomposer l’image en une liste de spectres sources, appelés endmembers, correspondants aux spectres de réflexions des composants de la scène d’une part, et d’autre part la proportion de chacun de ces spectres source dans chaque pixel de l’image. De nombreuses méthodes de démixage existent mais leur efficacité reste amoindrie en présence de spectres sources dits rares (c’est-à-dire des spectres présents dans très peu de pixels, et souvent à un niveau subpixelique). Ces spectres rares correspondent à des composants présents en faibles quantités dans la scène et peuvent être vus comme des anomalies dont la détection est souvent cruciale pour certaines applications.Nous présentons dans un premier temps deux méthodes de détection des pixels rares dans une image, la première basée sur un seuillage de l’erreur de reconstruction après estimation des endmembers abondants, la seconde basée sur les coefficients de détails obtenus par la décomposition en ondelettes. Nous proposons ensuite une méthode de démixage adaptée au cas où une partie des endmembers sont connus a priori et montrons que cette méthode utilisée avec les méthodes de détection proposées permet le démixage des endmembers des pixels rares. Enfin nous étudions une méthode de rééchantillonnage basée sur la méthode du bootstrap pour amplifier le rôle de ces pixels rares et proposer des méthodes de démixage en présence d’objets de petite taille.