Julien Osman

Ingénieur développement logiciels. Docteur en télédétection.

Formation


Read me in English

Formation initiale

Doctorat en Télédétection

2011 - 2015 - Université Paul Sabatier, Toulouse (France)

Master recherche en Signal Image Parole Télécom

2008 - École Nationale Supérieure d'Ingénieurs Électriciens de Grenoble, Grenoble (France)

Ingénieur en Signal Image Communication Multimédia

2005 - 2008 - École Nationale Supérieure d'Ingénieurs Électriciens de Grenoble, Grenoble (France)

Doctorat

Connaissances expertes et modélisation pour l’exploitation d’images d’observation de la Terre à hautes résolutions spatiale, spectrale et temporelle.

Résumé

Les futures missions spatiales d’observation de la Terre, Venμs et Sentinelle (1 et 2), fourniront un flot de données inédit en termes de résolution spatiale, revisite temporelle et richesse spectrale. Afin d’exploiter de façon efficace ces données pour la réalisation de cartes d’occupation des sols ou de détection de changements, des approches rapides, robustes et le moins supervisées possibles seront nécessaires. Un exemple d’utilisation de ces données pourrait être d’identifier, dès le mois de mai, les surfaces couvertes par du maïs dans tout le Sud-ouest de la France. Ou encore d’obtenir une carte d’occupation des sols mensuelle, dans un délai très court, à l’échelle de grandes régions.

On constate que les images seules ne permettent pas d’obtenir de telles données. Nous avons cependant d’autres types d’informations à notre disposition, qui ont jusqu’alors été très peu exploitées. Ce travail de thèse a consisté à identifier les informations dites a priori disponibles, évaluer leur pertinence, et les introduire dans les chaînes de traitement déjà existantes pour chiffrer leur apport.

Nous nous sommes intéressés en particulier au domaine du suivi de l’agriculture. Les informations que nous avons utilisées sont, entre autres, les connaissances sur les pratiques agricoles (rotations de culture, irrigation, alternances de catégories de cultures, etc.), les tailles des parcelles et la topographie.

Nous avons principalement travaillé avec 2 sources de connaissances a priori :

  • Celles contenues dans des bases de données telles que le Registre Parcellaire Graphique (RPG). Nous avons utilisé des méthodes d’apprentissage automatique sur les données pour les extraire.
  • Celles fournies par des experts. Nous les avons modélisées à l’aide de règles de la logique de 1er ordre.

Une des contributions de cette thèse est la sélection et l’évaluation d’un outil qui permette d’extraire l’information et de la traiter, de manière à ce qu’elle soit introduite de façon efficace dans les algorithmes de classification déjà existants. Pour cela, nous avons utilisé la Logique de Markov, un outil statistique capable de travailler à la fois sur des informations issues de bases de données, et sur des informations modélisées sous la forme de règles logiques.

Nous avons montré que l’utilisation de ces données permet d’améliorer la qualité des cartes d’occupation du sol. Nous avons de plus montré que ces informations permettent d’obtenir des cartes en quasi-temps-réel, dont la qualité va crescendo avec l'arrivée de nouvelles informations.

En conclusion de ce travail de thèse, nous donnons des pistes pour appliquer la même méthodologie à d’autres domaines, en particulier au suivi des forêts tropicales et à la cartographie générique de l’occupation du sol.

Jury

Téléchargements