Deep learning and SAR tomography for monitoring forest structures

Deep learning and SAR tomography for monitoring forest structures Les images radar à synthèse d'ouverture (SAR) sont souvent utilisées pour l'observation de la Terre, puisque non affectées par les nuages ou la luminosité. Dans les forêts, les longueurs d'onde des bandes L et P peuvent pénétrer la canopée, fournissant des informations des arbres au sol. Cependant, les mesures SAR sont dégradées par le speckle et par le mélange de signaux issus de nombreuses hauteurs, rendant leur analyse difficile. La tomographie SAR (TomoSAR) résout ce problème en combinant plusieurs images pour reconstruire des profils de réflectivité verticaux, révèlant la distribution des diffuseurs en hauteur (Chapitre 1). Les méthodes TomoSAR traditionnelles restent toutefois limitées dans le milieu forestier, où la réflectivité est non éparse. Les estimateurs non paramétriques tels que beamforming et Capon sont rapides, mais donnent des résultats grossiers. Les méthodes d'inversion régularisées, comme le compressive sensing basé sur les ondelettes, offrent des reconstructions plus précises mais coûteuses en calcul. La mission BIOMASS de l'ESA, qui fournira des acquisitions planétaires en bande P, rend nécessaire la conception de techniques d'inversion précises et échelonnables (Chapitre 2).Cette thèse étudie l'apprentissage profond pour y apporter une solution. Les réseaux de neurones ont fait leurs preuves en TomoSAR urbaine, mais leur utilisation en forêt reste limitée due au manque de données de référence et à la complexité de la diffusion volumétrique (Chapitre 3). Notre première contribution est un cadre d'apprentissage profond supervisé pour la reconstruction tomographique, développé dans le Chapitre 4. Comme il n'existe pas de profils de référence des forêts, un modèle génératif est conçu pour simuler des données d'entraînement réalistes. Un auto-encodeur est testé pour apprendre les représentations latentes de ces profils, puis un encodeur-décodeur est entraîné pour déduire de chaque reconstructions beamforming un profil vertical haute résolution. La méthode est évaluée sur des simulations et trois campagnes aériennes : BioSAR-2 (forêt boréale), une forêt tempérée à Traunstein et TropiSAR (forêt tropicale). Le réseau améliore sensiblement la séparation entre la couronne des arbres et le sol par rapport aux approches classiques, en accord avec les données LiDAR. Il nécessite de plus moins de temps de calcul que les méthodes d'optimisation itératives et des analyses explorent sa robustesse face à la corrélation des données, au nombre d'acquisitions, et à différentes polarisations.Pour éviter de dépendre de données simulées, le Chapitre 5 présente une deuxième méthode : un apprentissage auto-supervisé basé sur l'imagerie équivariante. Une fonction de perte est introduite, combinant fidélité des données et régularisation, afin que le réseau apprenne sans labels externes. Cela permet de s'entraîner aussi sur des données aéroportées, en contournant le manque de données de référence. La méthode est appliquée aux données BioSAR-2, Traunstein et TropiSAR, où elle reconstruit des structures verticales détaillées, aussi performante que l'approche supervisée et meilleure que les techniques classiques. L'entraînement est plus coûteux en termes de calcul, mais l'inférence reste rapide, montrant un fort potentiel d'adaptation à la mission BIOMASS. Ces résultats confirment que l'apprentissage profond est adapté pour les applications TomoSAR en forêt à grande échelle.Le Chapitre 6 décrit des perspectives méthodologiques et applicatives. Des travaux futurs pourraient notamment étendre ces réseaux à des données d'entrée mieux résolues, incluant des informations spatiales, des données polarimétriques ou les généraliser à différentes géométries d'acquisition. Quant aux applications, elles portent sur leur adaptation aux données BIOMASS, et sur le calcul de paramètres biophysiques tels que la hauteur des arbres et des indicateurs de biomasse, pour la surveillance opérationnelle des forêts à l'échelle mondiale.