Détection de changements

Les algorithmes de détection de changements cherchent à déterminer les éléments qui ont subit un changement entre deux scènes acquises à différentes dates. Un changement, dans le cadre des images de télédétection, correspond à toute altération de la surface entre deux moments d’observation. Par cette définition, toute évolution naturelle des classes d’OCS, à l’image du cycle de la végétation, constitue une source de changement. Dans le cadre de cette thèse, une approche de détection de changements constitue un avantage considé- rable. L’idée étant de pouvoir exploiter les éléments qui ne changent pas. En effet, dans ce cas, il est possible d’exploiter les étiquettes déjà connues. Ce transfert d’étiquette nous permettrait alors d’étiqueter partiel- lement le domaine Cible, facilitant l’adaptation de domaine ou permettant l’apprentissage d’un classifieur supervisé. La détection de changements permettrait également de réduire le volume de données traitées en ne cherchant une étiquette que pour les échantillons ayant subit un changement.

Les travaux de [Coppin et al., 2004,Zhu, 2017] et plus récemment [Liu et al., 2019] recensent différentes approches de détection de changement, adaptées aux images multispectrales et hyperspectrales.

La détection de changements vise deux objectifs distincts : détecter l’élément changeant (l’altération) ou alors identifier la cause d’un changement lambda (l’agent de changement : feu de forêts, tornades, expansion urbaine, . . . ).

Sélectionner un algorithme de détection de changements résulte de la combinaison de trois facteurs dis- tincts : l’application souhaitée, la disponibilité de données de référence et le degré d’automatisation. Le cadre de la thèse se focalise sur les deux derniers critères, seules les approches totalement automatiques et n’utilisant pas de données de référence peuvent être envisagées. L’application souhaitée représente le produit attendu en sortie de l’algorithme de détection :

• une carte de changement binaire : changement ou non

• une carte comportant plusieurs classes indiquant des changements de différentes natures • la détection d’agent de changement au sein d’une série temporelle

L’obtention d’une carte binaire se révèle assez simple, le moyen le plus courant [Margono et al., 2012, Hansen et al., 2013] consistant à réaliser une classification (supervisée) des deux images et de calculer les différences entre ces deux cartes via une simple fonction binaire (0 si les cartes sont identiques et 1 dans le cas contraire, par exemple). Le résultat obtenu indique alors si tel pixel a changé. On trouve également des méthodes exploitant des approches de segmentation [Franklin et al., 2015], des opérations de filtrage à partir de seuils sur des bandes spectrales ou indices [Chen et al., 2012b,Hilker et al., 2009] ou encore des analyses statistiques [Brooks et al., 2014,Dutrieux et al., 2015]. Ces travaux sont essentiellement orientés sur des zones forestières, sujettes à des changements minimes par rapport à des zones d’activités intenses comme les champs agricoles.

Les deux derniers cas d’application concernent essentiellement l’identification des agents de changements. Les causes de changement constituent une variable d’un grand intérêt, surtout dans l’analyse de l’utilisa- tion des sols. On distingue les causes naturelles telles que les grands incendies, ou des conséquences liées à l’activité humaine telle que l’agriculture. Autant d’agents qui contribuent aux besoins réguliers d’une mise à jour des cartes d’OCS. On dénombre une quantité non négligeable d’algorithmes différents de détection des agents de changements dédiés à la détection d’un type d’agent. Nous pouvons citer en exemple, le calcul de la différence entre deux cartes résultantes de classifications pour la détection de l’expansion urbaine [Li et al., 2015,Ramadan et al., 2004,Mihai et al., 2015], mais également le suivi des forêts exploitées pour le bois de chauffage [Wilson and Sader, 2002]. On retrouve également des mesures de phénomènes naturels spécifiques comme le passage de tornades [Pardo-Pascual et al., 2014], les ravages des incendies [Parker et al., 2015] ou l’effet d’un invasion d’insectes sur les forêts [Senf et al., 2015,Meigs et al., 2015]. Ces travaux identifient avec succès les agents de changement, mais uniquement un par un.

Cependant, ces travaux réalisent pour la plupart une différence entre cartes d’OCS. Dans notre contexte, ces approches sont inutilisables. En effet, nous ne possédons aucun moyen d’assurer la précision de la classifi- cation naïve, ni aucune autre version de la carte. Ainsi, les méthodes de détection de changements exploitant directement les images doivent être privilégiées.

Les travaux de [Neigh et al., 2014] exploitent plusieurs mesures de différences entre bandes spectrales et indices pour détecter tous les agents de changement sur une zone forestière puis les identifient grâce à une classification supervisée. Dans le même esprit, [Alaibakhsh et al., 2015] proposent d’utiliser le Multivariate

Alteration Detector (MAD) [Nielsen and Conradsen, 1997] pour identifier six agents de changement diffé-

rents à partir des six premières cartes de différences. Le MAD génère, à partir de deux images, des cartes de différences non corrélées entre elles. La première carte contient les changements à plus grande échelle, causés par une variation climatique par exemple, alors que les dernières cartes de différences contiennent des changements à plus petite échelle comme une trace de l’activité de l’homme. Le chapitre5.4détaille le MAD. La détection de changements dans les séries temporelles constitue un centre d’intérêt relativement récent. Quelques travaux très spécifiques abondent dans ce sens. L’essentiel des travaux portant sur les séries tem- porelles se concentrent sur l’identification des facteurs de changement. Nous pouvons citer à titre d’exemple, la modélisation d’un signal à partir des informations spectrales, spatiales et temporelles de celui-ci [Hemissi et al., 2013]. Cette approche permet grâce à la qualité du signal reconstruit de détecter plus précisément les changements dûs aux cycles saisonniers. La définition de “série temporelle” peut varier, alors que certaines

approches demandent une fréquence d’acquisition journalière, d’autres se contentent d’une image par an pour obtenir une série temporelle couvrant 5 années [Zanotta et al., 2015]. Dans ces travaux les auteurs parviennent à détecter l’impact de la déforestation et des incendies sur une région d’étude fixe au cours de 5 ans continus.