Multi-source forest loss monitoring with SAR and multispectral data time series

Suivi multi-sources de la perte forestière utilisant des séries temporelles de données SAR et multispectrales La détection en quasi-temps réel (NRT pour Near Real-Time) de la perte de forêts tropicales est essentielle pour la conservation de la biodiversité et la gestion du carbone. Les systèmes actuels de surveillance par télédétection satellitaire présentent cependant des limites, liées à la sensibilité des données à la saisonnalité et la variabilité environnementale. De plus, les approches optiques souffrent souvent de longs délais de détection en raison d'une couverture nuageuse fréquente, tandis que les méthodes utilisant des données radar à synthèse d'ouverture (SAR pour Synthetic Aperture Radar) sont affectées par la variabilité du speckle et la perte de résolution causée par le filtrage des images, ce qui réduit leur sensibilité aux perturbations à petite échelle.Cette thèse présente une approche non supervisée de détection bayésienne en ligne de points de changement (BOCD pour Bayesian Online Changepoint Detection) pour la détection NRT de la perte de forêt, évaluée à l’aide de données de référence fiables MapBiomas Alerta, couvrant l’Amazonie brésilienne et le Cerrado. La méthode estime la déforestation de manière récursive en ligne selon le principe du Maximum A Posteriori (MAP). Elle se base sur la distribution a posteriori du nombre d'acquisitions effectuées depuis le plus récent changement, modélisé comme une variable aléatoire associée à l’état caché d’un modèle de Markov. Le traitement récursif et des statistiques a priori conduisent à une gestion efficace de la variabilité du signal et de la saisonnalité. La conjugaison a priori permet la mise à jour de paramètres à coût calculatoire réduit, et un mécanisme d’analyse de survie tient compte du contexte spatio-temporel des perturbations.Le BOCD est tout d'abord mis en oeuvre avec des séries temporelles SAR Sentinel-1, non filtrées pour préserver les détails spatiaux. Les résultats montrent des taux de détection plus élevés pour les clairières de petite taille que ceux obtenus avec les principaux systèmes opérationnels tels que GLAD-L, RADD et GFW, tout en maintenant de faibles taux de fausses alertes. Pour les grandes clairières, le BOCD surpasse GLAD-L dans le Cerrado et égale RADD en Amazonie, bien que GFW reste supérieur grâce à sa combinaison de produits SAR et optiques.Le BOCD est ensuite étendu aux acquisitions polarimétriques Sentinel-1 (pol-BOCD), tout en conservant une faible complexité. La combinaison des canaux VV et VH améliore la sensibilité de 10 % sur les parcelles hétérogènes et renforce la robustesse face aux différentes pratiques de déforestation, avec des taux de fausses alertes systématiquement faibles.Un troisième développement méthodologique est introduit, qui généralise la détection Bayésienne en ligne à plusieurs séries temporelles asynchrones via une approche de fusion basée sur une combinaison statistique pondérée, mise en œuvre avec les données Sentinel-1 et Sentinel-2 (ms-BOCD).Finalement, le BOCD est appliqué à un cas d’usage particulier : la détection NRT de la perte de forêt par le feu, utilisant des données de terrain collectées lors d’un incendie survenu en septembre 2024 à Paragominas, au Brésil. Les résultats montrent un accord de 88 %, et soulignent la complémentarité entre les données SAR Sentinel-1 et multispectrales Sentinel-2 : les données optiques identifient sans ambiguïté les zones brûlées et le SAR permet des observations continues pendant les périodes nuageuses affectant les données optiques.Le cadre BOCD proposé améliore la surveillance en NRT des pertes forestières tropicales en augmentant la sensibilité au déboisement de petites parcelles, en réduisant les délais de détection par rapport aux systèmes opérationnels existants et en permettant l’intégration de données multi-sources asynchrones, sans compromettre l’efficacité calculatoire. Ces caractéristiques sont pertinentes pour le développement futur d’un système opérationnel d’alerte précoce, favorisant une surveillance de la déforestation plus rapide et fiable.