Extraction de connaissances spatio-temporelles incertaines pour la prédiction de changements en imagerie satellitale

The interpretation of remotely sensed images in a spatiotemporal context is becoming a valuable research topic for dynamic phenomena. However, constant growth of the amount of data used in the remote image sensing field makes the manual analysis of satellite images a challenging task. Data mining has recently emerged as a promising research field that led to several interesting discoveries related to remote sensing. This thesis presents a new approach based on data mining to predict spatiotemporal land cover changes in satellite image databases. The proposed approach is divided into three steps: spatiotemporal modeling of satellite images, prediction of land cover changes and result interpretation. The proposed approach integrates three levels of imperfection processing: data related, prediction related and results related imperfection. In order to take into account imperfection related to data, a collaborative segmentation is performed. The goal is to reduce information loss when we attempt to model satellite images. Imperfection related to land cover change prediction is processed by applying a fuzzy decision tree in the prediction process. Decisions describing land cover changes are evaluated through a Case Based Reasoning (CBR) in order to retrieve relevant decisions. Upon completion of these individual processes, relevant decisions are combined through a high decision scheme to obtain more accurate and reliable decisions. The experimentation of the proposed approach is divided into two parts: application and evaluation. Results show good performance of the proposed approach measured in terms of precision accuracy comparatively with existing approaches.; L'interprétation d'images satellitales dans un cadre spatiotemporel devient une voie d'investigation de plus en plus pertinente pour l'étude et l'interprétation des phénomènes dynamiques. Cependant, le volume de données images devient de plus en plus considérable ce qui rend la tâche d'analyse manuelle des images satellitales plus difficile. Ceci a motivé l'intérêt des recherches sur l'extraction automatique de connaissances appliquée à l'imagerie satellitale. Notre thèse s'inscrit dans ce contexte et vise à exploiter les connaissances extraites à partir des images satellitales pour prédire les changements spatiotemporels de l'occupation du sol. L'approche proposée consiste en trois phases : i) la première phase permet une modélisation spatiotemporelle des images satellitales, ii) la deuxième phase assure la prédiction de changements de l'occupation du sol et iii) la troisième phase consiste à interpréter les résultats obtenus. Notre approche intègre trois niveaux de gestion des imperfections : la gestion des imperfections liées aux données, la gestion des imperfections liées à la prédiction et finalement la gestion des imperfections liées aux résultats. Pour les imperfections liées aux données, nous avons procédé par une segmentation collaborative. Le but étant de réduire la perte d'information lors du passage du niveau pixel au niveau objet. Pour les imperfections liées à la prédiction, nous avons proposé un processus basé sur les arbres de décisions floues. Ceci permet de modéliser les imperfections liées à la prédiction de changements. Finalement, pour les imperfections liées aux résultats, nous avons utilisé les techniques de Raisonnement à Base des Cas et de fusion pour identifier et combiner les décisions pertinentes. L'expérimentation de l'approche proposée est scindée en deux étapes : une étape d'application et une étape d'évaluation. Les résultats d'évaluation ont montré la performance de notre approche mesurée en termes de taux d'erreur par rapport à des approches existantes.