<\/p>\n
Avec le nombre croissant d\u2019images et de donn\u00e9es satellitaires disponibles associ\u00e9 \u00e0 une augmentation des fr\u00e9quences d\u2019acquisition, l\u2019interpr\u00e9tation automatique des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection et observation de la Terre est un domaine tr\u00e8s actif. Les capteurs sont aujourd\u2019hui capables d\u2019offrir des images \u00e0 (tr\u00e8s) haute r\u00e9solution avec des fr\u00e9quences d\u2019acquisition jamais atteintes. Du fait de cette r\u00e9volution technologique, il est de plus en plus difficile de concevoir des m\u00e9thodes capables de traiter efficacement ces donn\u00e9es et de tirer partie des compl\u00e9mentarit\u00e9s des diff\u00e9rentes sources de donn\u00e9es (i.e. multi-modalit\u00e9s). Aujourd\u2019hui, nous pouvons avoir plusieurs observations, issu de diff\u00e9rents capteurs, qui d\u00e9crivent la m\u00eame zone g\u00e9ographique au m\u00eame moment. Par exemple, pour une m\u00eame zone d\u2019\u00e9tude il est possible de disposer de l\u2019imagerie optique \u00e0 diff\u00e9rentes r\u00e9solutions (i.e. Sentinel-2 \u00e0 10m, Spot-6\/7 \u00e0 1.5m), de l\u2019information radar (i.e. Sentinel-1), de l\u2019information 2.5D (i.e. Mod\u00e8le Num\u00e9rique de Surface) ainsi 3D sous forme de nuages de points (i.e. LiDAR, reconstruction st\u00e9r\u00e9o) ou encore de l\u2019information tr\u00e8s r\u00e9solue au niveau spectrale (i.e. hyperspectrale). Bien que des techniques avanc\u00e9es existent pour traiter chaque source de donn\u00e9e, la combinaison de ces sources afin d\u2019exploiter efficacement leur compl\u00e9mentarit\u00e9 pour des t\u00e2ches sp\u00e9cifiques (i.e. estimation du rendement, occupation du sol, urbanisation, d\u00e9tection du parcellaire, surveillances des for\u00eats, etc..) est encore un verrou majeur dans la communaut\u00e9 de t\u00e9l\u00e9d\u00e9tection et observation de la Terre..<\/p>\n
Un autre verrou \u00e9mergent dans le domaine de la t\u00e9l\u00e9d\u00e9tection est li\u00e9 \u00e0 l\u2019exploitation de s\u00e9ries temporelles d\u2019image satellitaires (STIS). Les STIS repr\u00e9sentent un ensemble d\u2019acquisitions temporellement successives d\u2019imagerie satellitaire sur une m\u00eame zone. Ce type d\u2019information nous permet de suivre, tout au long du temps, des territoires pour en comprendre leur \u00e9volution. Les STIS peuvent \u00eatre utilis\u00e9es pour distinguer diff\u00e9rents types d\u2019occupation du sol (i.e. diff\u00e9rent type de cultures) \u00e0 partir de leur profil temporel ainsi que permettre d\u2019analyser le changement de dynamique sur une zone observ\u00e9e. La probl\u00e9matique de l\u2019analyse des s\u00e9ries temporelles est encore ouverte aujourd\u2019hui car l\u2019acc\u00e8s \u00e0 des SITS poss\u00e9dant une \u00e9chelle spatiale suffisamment fine pour \u00e9tudier ces ph\u00e9nom\u00e8nes n\u2019est que r\u00e9cent. Enfin, la profusion d\u2019informations ouvre d\u2019autres questions li\u00e9es \u00e0 l\u2019analyse du contenu (retrouver les contours g\u00e9om\u00e9triques d\u2019objets d\u2019int\u00e9r\u00eat) et au transfert\/\u00e0 l\u2019adaptation de mod\u00e8les\/donn\u00e9es afin d\u2019exploiter les connaissances apprises sur un territoire (ou \u00e0 une certaine date) \u00e0 un autre territoire (ou \u00e0 une autre date).<\/p>\n
Dans ce contexte, les m\u00e9thodes modernes d\u2019apprentissage automatique (i.e. apprentissage profond, adaptation de domaine, approche semi-supervis\u00e9e, analyse de s\u00e9ries temporelles, apprentissage actif) peuvent jouer un r\u00f4le fondamental mais, malheureusement, la communaut\u00e9 de science de l\u2019environnement et t\u00e9l\u00e9d\u00e9tection et la communaut\u00e9 en analyse de donn\u00e9es n\u2019arrivent pas encore \u00e0 se structurer autour de ces probl\u00e9matiques \u00e0 cause de manque de connaissance r\u00e9ciproque. Notre objectif, dans cette action sera de pouvoir faciliter cette \u00e9change, d\u2019identifier des probl\u00e9matiques fondamentales d\u2019observation de la Terre et de supporter des dynamiques d\u2019\u00e9change autour de ces verrous.<\/p>\n
En plus de la communaut\u00e9 scientifique, les questions li\u00e9s \u00e0 l\u2019exploitation des donn\u00e9es d\u2019observation de la terre sont de plus en plus proches du monde industriel. Plusieurs entreprises aujourd\u2019hui travaillent dans le domaine spatial et utilisent de l\u2019imagerie satellitaire pour am\u00e9liorer leur business (i.e. support \u00e0 l\u2019agriculture, support aux politiques publiques d\u2019am\u00e9nagement, exploitation sylvicole et forestale, etc.). Le monde industriel (dans le domaine du spatiale, de la t\u00e9l\u00e9d\u00e9tection et de l\u2019observation de la Terre) n\u2019a jamais \u00e9t\u00e9 aussi attentif aux nouvelles technologies et m\u00e9thodes issues du monde scientifique. Cette action a pour objectif principal d\u2019animer la communaut\u00e9 scientifique mais poss\u00e8de aussi la vocation de permettre des \u00e9changes entre chercheurs et industrie.<\/p>\n
<\/p>","protected":false},"excerpt":{"rendered":"
Contexte scientifique Avec le nombre croissant d\u2019images et de donn\u00e9es satellitaires disponibles associ\u00e9 \u00e0 une augmentation des fr\u00e9quences d\u2019acquisition, l\u2019interpr\u00e9tation automatique des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection et observation de la Terre est un domaine tr\u00e8s actif. Les capteurs sont aujourd\u2019hui capables d\u2019offrir des images \u00e0 (tr\u00e8s) haute r\u00e9solution avec des fr\u00e9quences\u2026<\/p>\n