Mieux détecter les rivières par satellite

Chaque année, un Prix récompense la meilleure thèse du programme d’excellence Futur & ruptures (co-financé par la Fondation Mines-Télécom et l’institut Carnot Télécom & Société numérique). En 2018, celui-ci sera attribué le 27 mars prochain lors d’une cérémonie chez BNP Paribas. En attendant de connaître le grand gagnant, I’MTech relaie les vidéos réalisées par les quatre finalistes pour présenter leurs travaux de recherche. Les quatre thèses ont été menées au sein des laboratoires des écoles de l’IMT.

(2/4) Sylvain Lobry améliore la détection de l’eau sur les images satellite

[box type= »info » align= » » class= » » width= » »]

Titre de la thèse :

Modèles de Markov pour l’extraction d’information dans les images de radars à synthèse d’ouverture

Résumé de la thèse :

La mission SWOT, menée par le CNES et la laboratoire JPL de la NASA, a pour but de fournir aux hydrologues une mesure globale des hauteurs d’eau avec une résolution de l’ordre du décimètre. Pour cela, la mission utilise l’interférométrie radar à synthèse d’ouverture (SAR). Elle permettra ainsi une meilleure compréhension des phénomènes hydrologiques dans un contexte de dérèglement climatique.

Une des étapes cruciales dans cette chaîne de traitement est de détecter les zones d’eau dans les images SAR acquises par SWOT. Développer des techniques permettant de répondre à cette tâche était donc l’objet de la thèse.

Une des problématiques rencontrées est que l’eau a une radiométrie variable dans l’image, alors que les méthodes classiques font l’hypothèse que celle-ci est constante. Une méthode développée pendant la thèse s’appuie sur deux champs de Markov utilisés de manière itérative. Le premier estime les paramètres de classes, alors que le second est dédié à la détection de l’eau à partir de ces paramètres. Cette méthode a été implémentée de manière opérationnelle pendant la thèse, et sera utilisée lors de la mission.

Par ailleurs, Sylvain Lobry a développé une méthode dédiée à la détection des rivières qui s’appuie sur une étape de détection au niveau des pixels complétée par un champ de Markov défini sur les segments détectés. Enfin, il a développé un modèle de traitement de séries temporelles d’images SAR, se basant lui aussi sur un champ de Markov. En plus d’être potentiellement utile dans les développements futurs de la mission SWOT, ce modèle est utilisable pour d’autres applications dans un contexte de production massive des données (par exemple, avec les satellites Sentinel de l’ESA).

[/box]