Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

En raison de leur endémisme et de leurs services aux populations locales, les forêts sèches et fourrés xérophiles du Sud-Ouest de Madagascar constituent des écosystèmes d'importance majeure. Ils sont aujourd’hui menacés par les pressions anthropiques et le changement climatique. Cette zone est également caractérisée par l’extrême pauvreté de ses habitants, qui dépendent grandement de ces écosystèmes. La mise en place d’une gestion durable de ces derniers s'impose comme nécessaire à leur conservation et au maintien des services écosystémiques qu’ils offrent. Cette gestion nécessite une évaluation quantitative précise et spatialement explicite de la végétation. La télédétection constitue une technologie clé pour la caractérisation à grande échelle des écosystèmes. La technologie SAR plus particulièrement, peut potentiellement surmonter certaines limitations de l’imagerie optique dans les zones arides. Cette étude vise ainsi à étudier le potentiel des données Sentinel-1 pour caractériser des attributs structurels de cette zone. L’utilisation de des données Sentinel-1 et Sentinel-2 de différentes saisons a été étudiée pour cartographier la couverture ligneuse (WC), la biomasse ligneuse aérienne (AGB), la hauteur de canopée (H95) ainsi que deux métriques de répartitions des hauteurs (Dim1H et Dim2H). Coefficients de rétrodiffusion, réflectances spectrales, indices dérivés, métriques de texture et temporelles ont été combinés avec des données de références, à savoir des données d’inventaires de terrain ou de photointerprétation, dans des régressions Random Forest afin de cartographier ces différentes variables. Le but était de: (1) identifier les facteurs influençant la capacité des données Sentinel-1 à cartographier les variables réponses, (2) comparer les performances de Sentinel-1, Sentinel-2 et de leur utilisation conjointe. Les modèles ont tous été validés en validation croisée en prenant en compte l’autocorrélation spatiale et les modèles de photointerprétation ont en outre été validés sur les données de terrain. La comparaison des performances a principalement été effectuée à l’aide de l’erreur quadratique moyenne (RMSE). Les bandes et indices dérivés se sont avérés importants pour la précision de Sentinel-1 et l’utilisation de modèles multi-saisons paraît pertinente. Sentinel-1 a obtenu une meilleure précision pour le WC (RMSE: 12,1 %) et H95 (RMSE: 1,19 m) que Sentinel-2 (RMSE WC: 14,5 %; RMSE H95: 1,39 m). Pour l’AGB, Sentinel-2 s’est montré plus précis (RMSE: 12,9 T.ha-1) que Sentinel-1 (RMSE: 13,29 T.ha-1). La fusion des capteurs a en outre présenté des gains de précision pour la plupart des saisonnalités pour WC (RMSE : 11,8%) et AGB (RMSE: 12,7 T.ha-1). Les saisons optimales varient selon le capteur et la variable réponse employés. L’influence de la saison semble moins importante pour les données S-1 et S-2 fusionnées, témoignant de la complémentarité des capteurs. La possibilité démontrée d’utiliser les données Sentinel-1 ainsi que les données Sentinel-1 et 2 fusionnées afin de caractériser ces écosystèmes se révèle utile dans le but de leur conservation et de leur gestion durable. L’étude ci-présente constitue une première approche et des efforts subséquents sont requis afin d’améliorer la caractérisation des forêts sèches et fourrés xérophiles malgaches.

télédétection --- fourrés xérophiles --- Sentinel-1 --- Sentinel-2 --- Sciences du vivant > Sciences de l'environnement & écologie

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Tropical forests in Central Africa are found under dry and seasonal climates. The vegetation adopts a seasonal pattern as depicted by localized field studies, but its importance and extent are barely known. The recent Sentinel-2 mission provides new opportunities to monitor vegetation phenology from space. 
The first objective of this study was to assess the potential of Sentinel-2 data to monitor vegetation seasonality in Central Africa. The use of Sentinel-2 data further aimed to address the questions of how seasonal are Central African forests, and how is this seasonal functioning related to rainfall seasonality in Central African Republic (Mbaïki) and Democratic Republic of Congo (Luki) subjected to reverse rainfall regimes.
This work relied on three data types: (i) Sentinel-2 images, (ii) ground data consisting of regular observations of phenophases and (iii) rainfall data from the Global Precipitation Measurement mission.
The resulting rainfall and Enhanced Vegetation Index times series allowed respectively the retrieval of the start of rain and the start of the season further compared to the ground observations. An additional wavelet analysis was performed on the Mbaïki site to determine the frequency and timing of the periodic vegetation events. 
This work has demonstrated the suitability of the recently available Sentinel-2 data for monitoring vegetation dynamics when cloud contamination remains reasonable. In addition, annual vegetation cycles dominated at the study sites, in line with the seasonality of rainfall. Comparison between sites confirmed a shift in vegetation seasonality from Mbaïki to Luki in response to the inversion of rainfall patterns across the Equator. In Mbaïki, the forest EVI signal was on average 16.9 ± 4.4 days before the rainfall signal, supporting the ultimate control of rainfall. In contrast, for both study sites, the earliest onset of rainfall resulted in the earliest onset of the season in 2019, supporting the hypothesis that rainfall exert a proximal control.
To conclude, Sentinel-2 data are suited to monitor vegetation seasonality but would require the combination with additional images to cope with continuously clouded areas. Les forêts tropicales d'Afrique centrale se trouvent sous des climats secs et saisonniers. La végétation adopte un schéma saisonnier comme le montrent des études de terrain localisées, mais son importance et son étendue sont à peine connues. La récente mission Sentinel-2 offre de nouvelles opportunités pour suivre la phénologie de la végétation depuis l'espace. 
Le premier objectif de cette étude était d'évaluer le potentiel des données Sentinel-2 pour suivre la saisonnalité de la végétation en Afrique centrale. L'utilisation des données Sentinel-2 visait à répondre aux questions suivantes : quelle est la saisonnalité des forêts d'Afrique centrale, et comment ce fonctionnement saisonnier est-il lié à la saisonnalité des précipitations en République centrafricaine (Mbaïki) et en République démocratique du Congo (Luki) soumises à des régimes pluviométriques inversés.
Ce travail s'est appuyé sur trois types de données : (i) les images Sentinel-2, (ii) les données au sol consistant en observations régulières des phénophases et (iii) les données pluviométriques de la mission "Global Precipitation Measurement".
Les séries temporelles de précipitations et d'"Enhanced Vegetation Index" qui en résultent ont permis respectivement de détecter le démarrage des pluies et le début de la saison. Le début de la saison a ensuite été comparé aux observations de terrain. Une analyse supplémentaire des ondelettes a été effectuée sur le site de Mbaïki pour déterminer la fréquence et le moment des événements périodiques de végétation. 
Ce travail a démontré l'adéquation des données Sentinel-2 récemment disponibles pour le suivi de la dynamique de la végétation lorsque l'ennuagement reste raisonnable. En outre, les cycles annuels de végétation ont dominé sur les sites étudiés, en lien avec la saisonnalité des précipitations. La comparaison entre les sites a confirmé une inversion de la saisonnalité de la végétation de Mbaïki à Luki en réponse à des régimes pluviométriques inversés de part et d'autre de l'Equateur. À Mbaïki, en moyenne, le signal de la forêt était 16,9 ± 4,4 jours avant le signal des précipitations, ce qui supporte le contrôle ultime des précipitations. En revanche, pour les deux sites d'étude, le démarrage le plus précoce des précipitations a entraîné le début le plus précoce de la saison en 2019, soutenant l'hypothèse des précipitations comme facteur proximal.
En conclusion, les données Sentinel-2 sont adaptées au suivi de la saisonnalité de la végétation mais nécessiteraient la combinaison avec des images supplémentaires pour faire face aux zones continuellement ennuagées.

Remote Sensing --- Phenology --- Sentinel-2 --- Tropical forest --- Central Africa --- Enhanced Vegetation Index --- Télédétection --- Phénologie --- Sentinel-2 --- Forêt tropicale --- Afrique centrale --- Enhanced Vegetation Index --- Sciences du vivant > Sciences de l'environnement & écologie

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

La République Démocratique du Congo, regorgeant de sols riches en minerais, est fortement impactée par les activités liées à l’orpaillage. Plus particulièrement, la Province du Haut-Uélé, dans laquelle se situe le Parc National de la Garamba, est réputée pour ses sols riches en gisements aurifères. Afin d’éradiquer ces zones de prospection, des lois ont été érigées par les instances gouvernementales congolaises. Ainsi, l’un des objectifs du parc National de la Garamba dans lequel s’inscrit cette étude, est de surveiller l’évolution de ces sites d’extraction dans les domaines de chasse entourant le parc de la Garamba. Cependant, la nature très dynamique de cette activité extractive et sa propagation dans les zones rurales et reculées rendent sa cartographie et son suivi très difficiles. Grâce à la disponibilité croissante d’images satellites à haute résolution, la télédétection peut être rentable et efficace pour ce type d’application. Le présent travail utilise des images optiques à haute résolution proposées par Latte & Lejeune, 2020 issues de la fusion d’images Sentinel-2 et PlanetScope afin d’identifier les zones d’orpaillage et suivre leur dynamique d’expansion. Ces premières données seront comparées à des images PlanetScope, déjà utilisées par les gestionnaires du parc. Le modèle proposé utilise une approche basée sur les pixels par le biais de la segmentation sémantique. Sur base des images “super-résolues ” et PlanetScope, le modèle a respectivement calculé une surface totale allouée aux sites d’orpaillage de 7,82 et 12,18 ha dans une zone d’étude entourant les villages de Tekadje et de Gbere en 2020, 0.364 et 1.73 ha dans une zone d’étude au nord du village Sambia en 2022, 350,68 et 164,37 ha dans une zone d’étude au sud du village Sambia en 2022.
De manière générale, les résultats basés sur les images PlanetScope ont tendance à sur-évaluer la superficie occupée par les sites d’orpaillage, hormis pour la région Sambia sud. En effet, les images PLanetScope créent plus de faux positifs. Elles arrivent à moins bien différencier les signatures spectrales définissant les sites d’orpaillage des autres occupations de sol.Les performances du modèle varient également selon les régions étudiées. Plus la quantité de données d’entrainement est suffisante et plus ces données sont certifiées grâce aux connaissances du terrain, meilleures seront les prédictions apportées par le modèle. Lorsque la phase d’entrainement manque de données, il est conseillé de diminuer les exigences du modèle. Les performances seront également meilleures dans des régions où les sites d’orpaillage se différencient fortement des autres occupations de sols. Cette étude propose également un suivi temporel afin de surveiller l’évolution des sites d’orpaillage. Cette fonction a fourni des résultats exploitables pour les régions de Tekadje/Gbere et de Sambia nord. Cependant, les signatures spectrales des images varient selon les années rendant les résultats moins comparables. Afin d’améliorer les précisions de cette fonction, une perspective serait de réaliser un étalonage radiométrique sur les différentes images.

Télédétection, Orpaillage, Multispectrale, Segmentation sémantique, Détection de changement, République Démocratique du Congo, Parc National de la Garamba, Sentinel-2, PlanetScope --- Ingénierie, informatique & technologie > Multidisciplinaire, généralités & autres

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Ce travail de fin d’études a pour objectif de renforcer, par la création de deux outils, le système d’information de la réserve de faune de Majete, une aire protégée située au Malawi et gérée par l’ONG African Parks. Ces deux outils consistent en une carte d’occupation du sol et une base de données reprenant les observations récoltées par les patrouilles anti-braconnage depuis 2006. 
La carte d’occupation du sol a pour but de décrire la végétation du parc en termes de physionomie. Elle est le résultat d’une classification supervisée par pixel réalisée sur des images satellites Sentinel-1, Sentinel-2 et SRTM. La précision totale de la carte est de 89.17 %. Cette carte constitue un outil utile en matière de gestion de la réserve, notamment concernant les feux de brousse.
Les observations récoltées par les patrouilles anti-braconnage ont été stockées de façons différentes au fil des années. Ce travail a permis de rassembler l’ensemble des observations en une seule base de données prenant la forme d’un shapefile. Différents exemples illustrent l’utilité de cette nouvelle base de données et son potentiel en termes de gestion de la réserve de Majete. The aim of this master’s dissertation is to develop two tools in a way to improve the information system of the Majete Wildlife Reserve. This reserve is a protected area located in Malawi and managed by African Parks. Those tools consist in a land cover map and a database which includes all the observations collected by the law enforcement patrols.
The land cover map describes the vegetation’s physiognomy. It results from a supervised pixel-based classification produced with Sentinel-1, Sentinel-2 and SRTM satellite images. The overall accuracy of the map equals 89.17 %. This map will be a useful tool for the management of the reserve. For instance it may help the fire management.
The observations collected by the law enforcement patrols have been stored in different ways over time. This work enabled the merger of all the observations into a unique database in the form of a shapefile. Some examples illustrate the usefulness of this new database as well as its potential in terms of management.

télédétection, cartographie, pixel, Sentinel-1, Sentinel-2, végétation, base de données, patrouilles, braconnage, gestion, aire protégée, réserve de Majete, Malawi --- remote sensing, mapping, pixel, Sentinel-1, Sentinel-2, vegetation, database, patrols, poaching, management, protected area, Majete Wildlife Reserve, Malawi --- Sciences du vivant > Multidisciplinaire, généralités & autres

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Land cover change detection is a crucial task to automate for many applications ranging from efficient natural disaster monitoring or military surveillance to property insurance optimization. Space missions, notably Sentinel-2 from the European Space Agency have opened the path to a much wider use of multispectral geospatial imaging with high temporal resolution which proves ideal for the task of bitemporal change detection. In that context, the company Aerospacelab has implemented a neural network trained on a synthetic dataset in order to cope for the lack of labeled data. This thesis has two aims: evaluating the potential of multispectral channels in contrast to the three typical visual spectral channels Red-Green-Blue for the task of general change detection and establishing whether or not unsupervised or semi-supervised methods can better cope with the common lack of available labeled data.

To provide these insights, an unsupervised approach initially proposed by Gong et al. called Generative Discriminatory Classified Network (GDCN) is exploited, derived, implemented and tested. It consists in a generator to produce bitemporal multispectral satellite images and a discriminator which simultaneously discriminates between real and fake pairs of images as well as classify each of its pixels as change or non-change. To determine the impact of each of the approach's components on the performances for the task of change detection, three models are implemented: GDCN itself, ConvGDCN which is a scalable derivation of the model inspired from the Deep Convolutional GAN framework proposed by Radford et al. and finally, ConvCN which is a copy of ConvGDCN from which were removed the parts dedicated to the generation task in order to evaluate just how useful it is. Each model is trained in the unsupervised manner proposed by Gong et al. relying on pseudo labeled samples provided by another notable unsupervised method: Compressed Change Vector Analysis by Bovolo et al. The unsupervised models are tuned on a validation set and the best of each model trained on both RGB and multispectral images are fine-tuned with a small amount of hand-labeled samples.

All unsupervised and tuned models with both RGB and multispectral images are tested on a test dataset and the results provide insights to the company's questions. Specifically, this work shows that RGB images carry most of the information relevant to the task of general change detection and that most significant improvements can be obtained by better exploiting these RGB bands. Additional multispectral bands can still be used in specific contexts, for instance in the form of known spectral indices but otherwise complicate the learning task by adding more noise than useful information which creates a need for more complex models and larger datasets. As to the unsupervised and semi-supervised methods, this work shows that they can compare to the synthetic dataset-trained approach while not outperforming it. Nevertheless, our appproach can provide good pretrained weights to be tuned for a more specific task of change detection.

Multispectral Imagery --- Change Detection --- Unsupervised Learning --- Semi-Supervised Learning --- Generative Adversarial Networks --- Deep Learning --- Machine Learning --- Deep Convolutional Generative Adversarial Networks --- High Resolution Satellite Imagery --- Sentinel-2 --- Ingénierie, informatique & technologie > Sciences informatiques