Emmanuel Trouvé, LISTIC - Université Savoie Mont Blanc, juillet 2018

Contexte

Les données Sentinel-2 mises à disposition par le CNES via la Plateforme d’Exploitation des Produits Sentinel PEPS et le pôle thématique THEIA offrent l’opportunité d’explorer l’évolution du territoire français tous les 5 jours depuis mars 2017. Ces données peuvent être exploitées pour qualifier l’évolution spatiale et temporelle du territoire, notamment les milieux naturels soumis à de fortes variations saisonnières, des changements abrupts (anthropiques ou naturels) et une évolution des conditions climatiques. 

Objectif

Ce projet propose de développer des méthodes de deep learning pour construire une typologie des changements s’opérant au sein de ces espaces naturels. Le caractère innovant de l’approche est que cette typologie a vocation à être à la fois la plus complète et la plus explicative possible.

Le développement des méthodes de deep learning s’appuiera sur des réseaux de neurones capables d’analyser l’ensemble des dimensions des données (spectrales, spatiales et temporelles). Ces réseaux seront optimisés de façon supervisée et non supervisée. Des techniques à base de motifs séquentiels (fouille de données) et d’ondelettes (traitement d’image) seront mobilisées afin d’expliquer la typologie des changements apprise par deep learning. 

Données d'intérêt

Toutes les données Sentinel-2 acquises sur les Alpes depuis avril 2017 seront utilisées.

Réalisation

Ce projet sera réalisé par des membres permanente du LISTIC ainsi que par des étudiants en stage de M2. Il débutera en janvier 2019 pour une durée de 2 ans.

Responsable

Nicolas Meger, MCF HDR, Université Savoie Mont Blanc, laboratoire LISTIC