Contribution of Sentinel-1&2 imagery and deep learning methods for land use land cover mapping and monitoring

Author:
Publisher website
Google Scholar
Abstract
Apport des images Sentinel-1&2 et des méthodes d’apprentissage profond pour la cartographie et le suivi des modes d’occupation des sols: La couverture biophysique de la surface terrestre, plus communément appelée occupation des sols, est une composant des Variables Climatiques Essentielles (VCE) depuis plusieurs années. Dans un contexte de changement globale, sa connaissance précise est au cœur de nombreux projets de recherche sur l’environnement. En effet, cette donnée peut être utilisé en entrée de différents modèles, tels que les modèles climatiques et permet d’aider les acteurs locaux des territoires dans leur prise de décision. Les constellations satellitaires actuelles fournissent des images à haute résolution spatiale et temporelle avec de multiples modes d’acquisition (radar, optique etc.). Les nouvelles méthodes d’intelligence artificielle telles que l’apprentissage profond, ont permis d’obtenir des résultats prometteurs et ont accéléré le traitement des données massives. Ainsi, l’objectif de cette thèse est d’évaluer la contribution des capteurs Sentinel-1&2 pour la classification et le suivi de l’occupation et de l’usage des sols et plus particulièrement des tissus urbains.

This publication has 155 references indexed in Scilit: