Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

23 octobre 2018

Stage ingé PFE / master 2 à Toulouse en traitement d'images satellite (télédétection / machine learning)


Catégorie : Stagiaire


Extraction et caractérisation de la forêt par fusion d'images Spot 6/7 et de séries temporelles Sentinel-2A

Profil: PFE ingénieur ou Master 2 de Recherche. Sont attendues des compétences solides en programmation (si possible Python et/ou C++) ainsi que des connaissances en Traitement d’Images / Vision par Ordinateur et Télédétection.

Durée: 6 mois de stage.

Lieu: IGN Espace - 6 Avenue de l'Europe à Ramonville (près de Toulouse).

Bourse: Gratification standard pendant la durée du stage.

Contact: pour plus d’information contacter nicolas.champion@ign.fr avec un CV et un email de motivation

Plus de détails: http://recherche.ign.fr/labos/matis/pdf/stages/2019/2019_Fusion_Spot6_S2A.pdf

 
 

Contexte :

 

IGN Espace, basé à Toulouse, concentre depuis plus de 25 ans l’expertise et les capacités

opérationnelles de l’Institut national de l’information géographique et forestière (IGN) pour

l’exploitation des images provenant des satellites d’observation. L’unité DANI, au sein duquel se

déroulera ce stage, intervient sur la mise en place et l’optimisation des processus de production

cartographique à partir de ces images. Parmi ces produits cartographiques, la production d’une couche

d’occupation du sol fait actuellement l’objet d’un effort de production appuyé à l’IGN.

Dans ce stage, nous nous focalisons sur la forêt et nous cherchons l'intérêt de fusionner des images

Spot 6/7 et des images Sentinel-2A pour la détection et la caractérisation des formations arborées. Par

caractérisation, nous entendons la discrimination des espèces d'arbres, a minima la discrimination des

feuillus et des conifères.

L'étude décrite dans [1] a montré l'intérêt de coupler des images satellite Très Haute Résolution

Pléiades-HR et des images simulées Sentinel-2A pour cartographier les cultures agricoles. Dans ce

projet, les images THR sont utilisées pour segmenter la scène tandis que les variables spectrales

dérivées des images simulées Sentinel-2 sont employées pour classifier.

Nous reprenons cette idée mais nous l’appliquons à la caractérisation de la forêt. Par ailleurs, nous

choisissons d’utiliser l’imagerie Spot 6 moins bien résolue que Pléiades-HR mais qui offre une

couverture complète de la France sur 1 an [2]. Plus précisément, notre idée est d’utiliser la haute

résolution de Spot 6 pour délimiter finement les zones de forêt (en géométrie) et d’utiliser les

caractéristiques propres à Sentinel-2A pour les caractériser. En effet, l'imagerie Sentinel-2A présente

une résolution spatiale (au mieux de 10m) insuffisante pour une cartographie précise mais offre une

grande profondeur spectrale et une importante résolution temporelle (une revisite de la même zone

tous les 5 jours) permettant potentiellement d’identifier les différentes essences de forêts.

 

Objectifs du stage:

Le but de ce stage est donc d’étudier l’apport de la fusion d’images Spot 6 et Sentinel-2A pour la

détection et la caractérisation des forêts. La méthodologie que l’étudiant devra mettre en place et

tester se compose de 3 étapes :

1. Segmenter l'image Spot 6 en entrée en utilisant les outils disponibles dans l’Orféo Tool Box

(OTB) [3]

2. Construire, pour chaque segment détecté dans Spot 6, un vecteur descripteur avec les

informations de radiométrie, texture, etc. disponibles dans la série temporelle d'images

Sentinel-2A. Les descripteurs testés seront ceux disponibles dans l’OTB.

3. Classer les segments en fonction de leur vecteur descripteur et déduire ceux qui

correspondent à des forêts et aux différentes classes d’arbre en utilisant un SVM linéaire ou un

Random Forests [4].

 

Déroulé du stage :

Le stagiaire aura à mener les activités suivantes:

1. Compléter la bibliographie sur le sujet de stage, notamment faire un état de l’art sur les outils

de segmentation existants.

2. Implémenter la méthode présentée ci-dessus en se basant sur l’OTB.

3. Valider l'outil en utilisant les Bases de Données IGN comme référence.

Si le travail se révèle suffisamment mature, nous chercherons à passer à l'échelle, en testant la

méthode sur plusieurs types de forêts et en intégrant les contraintes "opérationnelles" liés à l'utilisation

des images satellitaires (différence de radiométrie entre 2 acquisitions, présence de nuages, tests sur

 

les synthèses mensuelles réalisées au CESBIO [5], etc.)

 

Environnement technique :

 

MacOS. Langage de programmation Python.

 

Biblio :

[1] V. Lebourgeois, S. Dupuy, E. Vintrou, M. Ameline, S. Butler et A. Bégué. 2017. A Combined

Random Forest and OBIA Classification Scheme for Mapping Smallholder Agriculture at Different

Nomenclature Levels Using Multisource Data (Simulated Sentinel-2 Time Series, VHRS and DEM).

Remote Sensing 9(3): 259.

[2]http://ids.equipex-geosud.fr/web/guest/actualites/-/blogs/fin-de-campagne-d-acquisition-de-lacouverture-

nationale-france-2018

[3]https://www.orfeo-toolbox.org/

[4] L. Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.

[5]http://www.cesbio.ups-tlse.fr/multitemp/?p=14104

 

http://recherche.ign.fr/labos/matis/pdf/stages/2019/2019_Fusion_Spot6_S2A.pdf

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.