PROPOSITION DE SUJET DE THESE Formulaire demande de financement : ARED - ISblue - ETABLISSEMENTS -

Rentrée 2021

PROPOSITION DE SUJET DE THESE

Formulaire demande de financement : ARED - ISblue - ETABLISSEMENTS - …

pour dépôt sur le serveur https://theses.u-bretagneloire.fr/sml au format PDF

Identification du projet

Acronyme du projet (8 caractères maximum) : LITTOZHUMIDES

Intitulé du projet en langue française : Approche Machine Learning pour le suivi des changements de l’occupation / utilisation du sol des Zones humides littorales

Intitulé du projet en langue anglaise : New Machine Learning Methods for Monitoring Land Cover / Land Use Change in Coastal Wetlands

Présentation de l’établissement porteur (bénéficiaire de l’aide régionale)

Établissement porteur du projet :

Ecole Doctorale : EDSML

SP ou MATHSTIC pour les projets ISblue

Identification du responsable du projet (futur directeur de thèse) Nom du laboratoire d’accueil : LETG-Brest

Code du laboratoire (U/UMR/USR/EA/JE/…) : UMR 6554

Directeur

du Laboratoire : Françoise Gourmelon / Serge Suanez Nom de l'équipe de recherche : LETG-Brest

Nombre HDR dans le laboratoire : 6 Nombre de thèses en cours : Nombre de post-docs en cours :

Nom et prénom du directeur* de thèse (HDR), porteur du projet :

- e-mail : simona.niculescu@univ-brest.fr

- Téléphone : 0298498616

- Publications récentes du directeur de thèse (nb total et 5 références max au cours des 5 dernières années) : 1. Niculescu, S.; Boissonnat, J.-B.; Lardeux, C.; Roberts, D.; Hanganu, J.; Billey, A.; Constantinescu, A.; Doroftei,

M., Synergy of High-Resolution Radar and Optical Images Satellite for Identification and Mapping of Wetland Macrophytes on the Danube Delta. Remote Sensing 2020, 12, 2188, doi.org/10.3390/rs12142188.

2. Niculescu, S., Xia, J., Roberts, D., and Billey, A., Rotation Forests and Random Forest classifiers for monitoring of vegetation in Pays de Brest (France), Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B3-2020, 727–732,https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-727-2020, 2020.

3. Niculescu S., Lam C.N., Object-oriented approach for the classification of the land cover of the coast area of the Red River delta (Vietnam), Journal of Environmental Protection, Special Issue on Land Use Management and Sustainable Development, Vol. 10, No. 3, 413-430pp., March 2019, DOI : 10.4236/jep.2019.103024.

4. Niculescu S., S., D. Ienco, and J. Hanganu, Application of Deep Learning of multi-temporal Sentinel-1 images for the classification of coastal vegetation zone of the Danube Delta, Int. Arch. Photogrammetry Remote Sensing Spatial Information Sci., XLII-3, 1311-1318, https://doi.org/10.5194/isprs-archives-XLII-3-1311-2018,

1Ce formulaire est rédigé en style épicène

2018.

5. Xie G., Niculescu S., Lam C. N., Séveno E., Machine learning methods and classification of vegetation in Brest, France. Remote Sensing Technologies and Applications in Urban Environments IV, Sep 2019, Strasbourg, France. pp.23.

- Expériences d’encadrement et co-encadrement de doctorants (passées et en cours)

(nom des doctorants dirigés et en cours et antérieurement, sur les 6 années passées : sujet, financement, date de soutenance, et situation professionnelle actuelle si connue)

1. Guanyao XIE (50% UBO, 50% Fondation de France), Méthodes Machine Learning et les changements de l’occupation du littoral du Pays de Brest. Doctorante en troisième année de thèse.

2. Chi Nguyen LAM (bourse du gouvernement vietnamien), thèse en co-direction avec le Laboratoire d’informatique LabSTICC/UBO, Suivi des changements des littoraux des deltas au Viêt-Nam par télédétection.

Doctorant en quatrième année de thèse.

3. Narimane ZAABAR, Synergie des données satellitaires optiques et radar pour l’étude des zones côtières inondables à l’Ouest Algérien. Thèse financée dans le cadre du Projet Huber Curien en cours (thèse en co- tutelle). Doctorante en troisième année de thèse.

Co-directeur de thèse (HDR ou équivalent étranger) éventuel :

Laboratoire de recherche : (nom + code U/UMR/USR/EA/JE/…)

- e-mail : - Téléphone :

- Expériences d’encadrement et co-encadrement de doctorants (passées et en cours)

(nom des doctorants dirigés et en cours et antérieurement, sur les 6 années passées : sujet, financement, date de soutenance, et situation professionnelle actuelle si connue)

Et/ou co-encadrant-e scientifique :

Laboratoire de recherche co-encadrant (nom + code U/UMR/USR/EA/JE/…) - e-mail :

- Téléphone :

- Expériences d’encadrement et co-encadrement de doctorants (passées et en cours)

(nom des doctorants dirigés et en cours et antérieurement, sur les 6 années passées : sujet, financement, date de soutenance, et situation professionnelle actuelle si connue)

Le cas échéant, autres collaborations (co-encadrant et laboratoire concerné) :

Financement du projet de thèse

En cas de financement à 50 %, le cofinancement est-il déjà identifié (oui/non) : Oui

Si oui, préciser la nature du cofinancement (ANR, partenaire privé, Ademe, etc.) : Région Bretagne Si le cofinancement n'est pas encore confirmé, date prévue de réponse du cofinanceur :

En cas de non-obtention du cofinancement demandé, une autre source de cofinancement est-elle identifiée (oui/non) :

Si oui, laquelle :

Sollicitez-vous un co-financement Is-Blue ( y compris ARED Is-Blue) (oui/non) ? Oui.

Important :

Projet de thèse en cotutelle internationale

S’agit-il d’un projet de thèse en cotutelle internationale dans le cadre d’une convention (oui/non) :

Si oui, préciser l’établissement pressenti (et le pays de rattachement) :

Ce projet de thèse fera-t-il l'objet d'un cofinancement international (oui/non) :

(Rémunération du doctorant par l'établissement implanté sur le territoire régional (18 mois sur 36 mois), et l'établissement étranger, qui s'engage également à rémunérer le doctorant dans le cadre de son séjour à l'étranger, soit durant 18 mois -a minima-)

En cas de cofinancement international, préciser -si vous en avez connaissance- l'organisation du calendrier des périodes de séjour :

Préciser quel est le stade du projet international (joindre une lettre d’engagement du partenaire)

Présentation du projet (en langue française ou anglaise, 2 à 3 pages) merci de respecter ce format maxi compatible avec extranet région Résumé du projet (4000 caractères maxi espaces compris) :

Le littoral est un territoire à fort enjeu, sous l’effet des pressions des activités humaines et du changement climatique, rendant les milieux humides côtiers de plus en plus vulnérables. Les milieux humides littoraux comptent parmi les écosystèmes les plus productifs, les plus précieux et pourtant les plus menacés au monde (Millennium Ecosystem Assessment, 2005). À l'échelle de temps actuelle, les zones humides à marée sont des écosystèmes biologiquement productifs d'une grande biodiversité fournissant de multiples services écosystémiques. Et pourtant, les bénéfices de ces zones humides ne sont pas encore totalement reconnus, ni même précisément connus. On sait que ces bénéfices sont parfois déterminants en matière d’atténuation de l’impact des inondations, de retardement des effets de la sécheresse, de production biologique pour la pêche et la conchyliculture, de réservoirs de biodiversité, d’amélioration de la qualité des eaux et de régulateur du cycle de l’eau, du stockage du carbone dans les sols des mangroves, de maintien de zones vertes aux portes des agglomérations. La recherche proposée pour ce projet concerne l’approche Machine Learning du changement de l’occupation / utilisation du sol de la zone littorale de la Bretagne. La frange littorale atlantique (la Bretagne, France), constitue un point névralgique de convergence de multiples enjeux démographiques, économiques et écologiques forts. Le présent projet vise à caractériser les changements qui ont affecté les zones humides littorales dans les premières décennies du XXIème siècle. Il analyse l’évolution de l’occupation / utilisation du sol au sein d’un échantillon de zones humides littorales, en caractérisant les tendances des habitats humides naturels et artificiels, des habitats naturels terrestres adjacents, ainsi que des espaces agricoles et urbanisés considérés comme facteurs de pression sur les zones humides. Les objectifs méthodologiques généraux du projet visent à produire une méthodologie robuste, spécifique et reproductible qui se concentre sur une approche comparative des méthodes et techniques concernant le développement de nouveaux outils et méthodes de Machine Learning pour la surveillance rentable de l'occupation /utilisation du sol et l'évaluation des changements ayant un impact sur les services écosystémiques des zones humides littorales. Une phase importante de l'approche proposée est la comparaison de différents types de données pertinentes pour ce type d'analyse, à savoir les données des satellites optiques et radar des derniers capteurs européens (Sentinel-1, Sentinel-2, Pléïades, SPOT) et des images issues de deux type de capteurs complémentaires (hyperspectral et LiDAR). Une évaluation comparative des méthodes d’apprentissage à structure peu profonde (Random Forest et Rotation forests avec Canonical Correlation Forests) avec les méthodes d’apprentissage à structure profonde (Réseau neuronal artificiel (ANN) et le Réseau neuronal convolutif (CNN)) est envisagée dans ce projet. Un élément méthodologique innovateur est proposé : la combinaison du CNN avec OBIA (Object based-image analysis). Une méthodologie peu utilisée pour le moment. Cette méthodologie (l’OCNN) s'appuie sur des objets segmentés comme unités fonctionnelles plutôt que des processus convolutionnels au niveau du pixel, et les réseaux CNN sont utilisés pour analyser et étiqueter des objets tels que les variations intra-objet et inter-objets.

Présentation détaillée du projet :

1 - Hypothèse et questions posées, état de l’art, identification des points de blocages

Pour planifier la protection des zones humides et un développement adapté des côtes, les scientifiques et les gestionnaires doivent surveiller les changements dans les zones humides côtières, car le niveau de la mer continue d'augmenter et la population côtière ne cesse de croître. Les progrès réalisés dans la conception des capteurs à distance et les techniques d'analyse des données satellitaires apportent des améliorations significatives pour l'étude et la cartographie des changements naturels et induits par l'homme dans les zones humides côtières. Malgré les dernières avancées en matière d'outils de télédétection, comme la disponibilité de données satellitaires à haute et très haute résolution spatiale et temporelle et d'outils d'analyse orientée objet d'images par objet (Blaschke, 2010), la précision de la classification de l’occupation du sol complexe, comme dans le cas des écosystèmes de zones humides, est insuffisante. Ceci pourrait être attribué à la similarité spectrale des types de végétation des zones humides, rendant l'utilisation exclusive de l'information spectrale insuffisante pour la classification des classes hétérogènes de l’occupation du sol. En outre, plusieurs études ont été menées sur l'importance de l'intégration des informations spectrales et spatiales pour la cartographie de l’occupation du sol en milieux humides (Tiner et al., 2015 ; Zhao et Du, 2016). Ainsi, les caractéristiques spatiales peuvent augmenter la précision des informations spectrales et peuvent contribuer ainsi au succès de la cartographie de l'occupation complexe des sols en milieu humide. En outre, la classification basée uniquement sur des caractéristiques spatiales entraîne des résultats insuffisants de classification dans la plupart des cas et une faible capacité de généralisation (Zhao et Du, 2016). Plus récemment, Deep Learning (DL), un outil d'apprentissage profond, a été mis en spotlight dans le domaine de la vision par ordinateur et, par la suite, dans celui de la télédétection (LeCun et al., 2015). En effet, ces algorithmes avancés d'apprentissage machine s'attaquent aux principales limites des outils d'apprentissage machine conventionnels à structure peu profonde, telles que la machine à vecteur (SVM) et la forêt aléatoire (RF) (Ball et al., 2017). Deep Belief Net (DBN) (Hinton et al., 2006), Stacked Auto-Encoder (SAE) (Vincent et al., 2010) et Deep Convolutional Neural Network (CNN) (Krizhevsky et al., 2012 ; Szegedy et al., 2015) sont les modèles d'apprentissage profond actuels, dont le dernier est le plus connu. Il est important de noter que CNN a permis une série de percées dans plusieurs applications de télédétection, telles que la classification, la segmentation et la détection d'objets, en raison de ses performances supérieures dans une variété d'applications par rapport aux outils d'apprentissage machine à structure peu profonde. Parmi ces nouvelles méthodes de Machine Learning qui seront appliquées dans ce projet on mentionne : méthodes d’apprentissage à structure peu profonde - Random Forest (RF) et Rotation forests avec Canonical Correlation Forests (CCF) ; et méthodes d’apprentissage à structure profonde - Réseau neuronal artificiel (ANN) et Réseau neuronal convolutif (CNN). On rajoute à ces méthodes la fusion d'images multicapteurs, multirésolution et multitemporelles. Ces méthodes de Machine Learning seront appliquées à des séries de données à haute (Sentinel) et très haute résolution spatiale (SPOT et Pléïades), à des données issues des capteurs hyperspectraux, sur des données LiDAR. Toutes ces méthodes peuvent contribuer à la mise à jour de l’inventaire des zones humides littorales, à leur délimitation, mais aussi à la caractérisation et au suivi de ces milieux. Jusqu’en 2020, il n’existe pas d’études par télédétection de la totalité des zones humides littorale en Bretagne. En revanche, des études séquentielles ont été réalisées sur le bassin versant du Couesnon, un petit bassin versant côtier de 1 130 km², dont l’exutoire se situe au Mont-Saint-Michel par S. Rapinel, L. Hubert-Moy, B. Clément en 2015. L'objectif de cette étude est d'évaluer la combinaison de l'imagerie saisonnière multispectrale et multispécifique et des données LiDAR pour cartographier avec précision la répartition des habitats humides. C.

Bilodeau, M. Cohen et J. Andrieu ont réalisé une étude en 2008 sur la comparaison de deux méthodes de cartographie de la végétation de schorre de la Baie de Saint Michel. L’objectif de ce travail était de comparer deux méthodes de cartographie de la végétation du schorre : une méthode de photo-interprétation d’une orthophotographie, validée par des données floristiques, et une méthode de classification automatique par espèce, basée sur des données radiométriques, topographiques (LIDAR), et floristiques.

2 - Approche méthodologique et techniques envisagées :

La méthodologie proposée dans ce projet cherche à répondre à deux objectifs méthodologiques. A) Réaliser un Suivi temporel des changements de l’occupation/utilisation du sol des milieux humides littoraux par Approche Machine Learning : Random Forest et Rotation forests avec Canonical Correlation Forests (CCF) (méthodes d’apprentissage peu profondes) et - Deep learning (Réseau neuronal artificiel (ANN) et le Réseau neuronal convolutif (CNN)) (méthodes d’apprentissage profondes) de la série temporelle d’images Sentinel, SPOT et Pléïades (après l’année 2000). Dans un premier temps, on propose des méthodes d’apprentissage peu profondes pour les comparer par la suite avec les méthodes d’apprentissage à structure profonde. B) Réaliser un Suivi des changements de la couverture végétale des milieux humides littoraux par Approche Machine Learning des mesures hyper spectrales et LiDAR à l’échelle temporelle de l’année de l’observation. Des séries chronologiques de données optiques à haute résolution spatiale ont démontré une grande capacité de caractérisation des phénomènes environnementaux, décrivant les tendances évolutives ainsi que des événements de changement discrets. Avec le nombre croissant de satellites et la disponibilité de données gratuites, l'intégration d'images multicapteurs dans des séries chronologiques cohérentes offre de nouvelles possibilités pour analyser l’occupation du sol. La complémentarité des données provenant des capteurs optiques et radar pour la caractérisation de l’occupation du sol en milieux humides a été mise à profit dans de nombreuses études récentes

(Pereira et al., 2013 ; Chatziantoniou et al., 2017 ; Whyte et al., 2018 ; Niculescu et al., 2017 ; Niculescu et al., 2020). Les méthodes Machine Learning à structure peu profonde seront appliquées dans un premier temps. La RF est la technique d'apprentissage d'ensemble la plus intuitive pour la classification de données à haute dimension (Breiman, 2001 ; Gislason et al., 2006). Les principaux avantages de la forêt aléatoire sont que la complexité du calcul peut être réduite et que les corrélations entre les arbres sont diminuées. L’algorithme RF, à partir de 2015, a été un algorithme très étudié pour la classification des zones humides (Tian et al., 2016 ; Mahdianpari et al. 2017 ; Dubeau et al., 2017 ; Fu et al., 2017 ; Muñoz et al., 2019 ; Felton et al., 2019 ; Niculescu et al., 2020). Rodriguez et al., 2006 ont proposé un nouveau classificateur d'ensemble, à savoir, la forêt de rotation (RoF). Cette méthode utilise l'analyse en composantes principales (ACP) pour générer l'espace des caractéristiques de rotation pour les échantillons d'entraînement afin de promouvoir la diversité. Afin de préserver l'information sur la variabilité et d'encourager la précision individuelle, toutes les composantes principales sont conservées (Rodriguez et al., 2006). Cet algorithme a été aussi appliqué avec succès pour l’étude de la végétation sur la zone côtière du Pays de Brest par Niculescu et al., 2020 à partir des donnés S1 et S2. Dans nos études précédentes, nous avons constaté que les performances de cet algorithme sont meilleures qu’AdaBoost, le sous-espace aléatoire et la forêt aléatoire. Les méthodes à structure profonde ont été appliquées, notamment ces dernières années, pour la classification des zones humides (Niculescu et al., 2018 ; Liu et Abd-Elrahman, 2018 ; Mahdianpari et al., 2018 ; Pouliot et al., 2019 ; O’Neil et al., 2020 ; Pashaei et al., 2020 ; Dang et al., 2020). Ces dernières années, l'apprentissage profond, un concept d'apprentissage machine est devenu populaire, il utilise des modèles de calcul composés de plusieurs couches de traitement pour apprendre des représentations de données avec plusieurs niveaux d'abstraction (LeCun, Bengio, et Hinton, 2015). Une variété d'algorithmes est développée, les plus courants sont le Réseau neuronal artificiel (ANN), le Réseau neuronal convolutif (CNN), le Réseau neuronal récurrent (RNN), etc. Dans notre étude, nous allons utiliser l’ANN et le CNN.

3 - Positionnement et environnement scientifique dans le contexte régional, national et international :

Ce projet bénéficiera d’un réseau international et national qui fonctionne autour des problématiques ici présentées et autour des espaces humides en général. Le réseau international est composé des laboratoires suivants : Laboratoire Visualization & Image Processing for Environmental Research (VIPER Lab), University of Santa Barbara, California, USA; le laboratoire Geoinformatics Unit, RIKEN Center for Advanced Intelligence Project (AIP), Tokyo, Japon ; Friedrich-Schiller University, Allemagne; l’Institut de recherche et développement de Tulcea, Roumanie ; CEOSpaceTech-Research Centre for Spatial Information/Politehnica University of Bucharest (Roumanie), University of Haifa – Departement of Geography and Environemental Studies (Israel). En même temps, un réseau national de

Département Dynamiques de l'Environnement Côtier DYNECO/PELAGOS, IFREMER, LabSTICC, UMR CNRS 3192, UBO, Collecte Localisation Satellite (CLS), Brest, LEGOS (CNRS, UTMIP, CNES, IRD) Toulouse.

4 - Contexte scientifique et partenarial : éléments généraux (ERC, CPER, FEDER, Breizhcop …)

Le contexte spatial actuel est tout à fait favorable à cette étude. Les nouveaux satellites européens en constellation (Sentinel, CosmosSkyMed

, Pléïades

, etc.) sont capables de fournir des observations d’une surface plusieurs fois par mois présentant un intérêt quelles que soient les conditions météorologiques, comme dans le cas des capteurs radar.

Ainsi que d’appréhender l’évolution actuelle du contexte, tant climatique, économique que sociétal, du fait des profonds changements de l’occupation/utilisation des zones humides littorales devient une question fondamentale.

Ainsi, l’inventaire, la délimitation, mais aussi la caractérisation et le suivi du changement de ces milieux sont devenus une priorité (Rebelo et al., 2018). Les registres millénaires, centenaires et décennaux de l'évolution des zones humides côtières montrent qu'elles sont particulièrement sensibles aux changements environnementaux (Morris et al., 2002 ; French, 2006 ; Mudd et al., 2009). Des changements plus récents du système reflètent également les impacts des activités humaines interagissant avec ces dynamiques naturelles, comme le drainage et la conversion à l'agriculture (Gedan et al., 2009). Comme les zones humides côtières sont très complexes, les activités humaines et les changements climatiques ont un effet dramatique sur leur fonctionnement (Herbert et al., 2015 ; Parker et al., 2019), en affectant la zonation de la végétation, diminuant la biodiversité, en altérant le carbone flows, et en exacerbant la vulnérabilité écologique. La pression induite par les activités humaines sur les différents espaces contribue à modifier,

2 COnstellation of small Satellites for the Mediterranean basin Observation lancé en 2007 par un système de satellites d’observation de la Terre créé par les ministères italiens de la Recherche et de la Défense, et conduit par l’Agence Spatiale Italienne (ASI).

3 Mis sur orbite en 2010 suite à une coopération franco-italienne.

dans un premier temps, l’occupation du sol. Ces changements de l’occupation/utilisation des terres ont un impact considérable sur les écosystèmes des zones humides littorales, principalement en raison de leur fragmentation, de leur diminution surfacique et de leur dégradation. Par conséquent, la transformation des catégories d’usage du sol affecte les processus et les services apportés par les écosystèmes (c'est-à-dire les microclimats, la régulation hydrologique, le tourisme et les ressources naturelles). Dans ce contexte de changement, les zones humides littorales sont sujettes à des taux significatifs et accélérés de perte de zones humides côtières à l'échelle mondiale en raison de facteurs naturels et anthropogéniques (Adam, 2002 ; Évaluation des écosystèmes pour le millénaire, 2005 ; Barbier et al. 2011 ; Nicholls et al., 2011 ; Spencer et al., 2016). Davidson (2014) estime que les zones humides côtières naturelles ont diminué de 46 à 50 % depuis le début du XVIIIe siècle et de 62 à 63 % au cours du XXe siècle. En effet, la croissance urbaine a été considérée comme le principal facteur de stress anthropique, directement responsable de la perte de plus de 67 % des zones humides côtières, ce qui engendre une influence déterminante sur les écosystèmes en modifiant leurs structures et leurs habitats (Barbier et al., 2011 ; Davidson et al, 2014 ; Li et al., 2018). On peut donc s'inquiéter de la manière dont ces changements à venir modifieront encore ces systèmes des zones humides littorales. Dans ce contexte scientifique, des relations partenariales favorables à ce projet, en plus des collaborations (nationales et internationales) présentées dans la section précédente, sont à mentionner : tout d’abord dans le cadre de la Chaire européenne Jean Monnet un partenariat a été établit avec le CLS de Brest et IFREMER sous l’égide du partenariat européen de la Chaire. Dans le cadre d’un autre projet, Fondation de France un partenariat durable a été établi avec quelques collectivités locales (Agence d’urbanisme de Brest-Bretagne (ADEUPA), Brest, Pôle métropolitain du Pays de Brest, Parc National d’Armorique, Conseil Départemental du Finistère). Ce sujet de thèse s’inscrit également dans le cadre du partenariat UBO / GIS Bretel.

Vous sollicitez un financement ISblue, ou une ARED ISblue :

Précisez le lien du sujet avec les thèmes ISblue

Thème ISblue

Thème principal

Thème secondaire (si nécessaire)

Autre (si nécessaire) la régulation du climat par l'océan

les interactions entre la Terre et l'océan

la durabilité des systèmes côtiers Land cover /

land use l'océan vivant et les services écosystémiques

les systèmes d'observation à long terme changes of land

cover /land use of coastal zones

Expliquez/précisez en quelques lignes dans quelle mesure votre demande correspond à l’un ou plusieurs des critères ISblue ci-dessous :

1- Originalité, impact potentiel du projet

Du point de vue de la méthodologie, un nouveau élément est proposé : la combinaison du CNN avec OBIA (Object

des objets segmentés comme unités fonctionnelles plutôt que des processus convolutionnels au niveau du pixel, et les réseaux CNN sont utilisés pour analyser et étiqueter des objets tels que les variations intra-objet et inter- objets.

2- Positionnement international du sujet, cotutelle ou co-encadrement international

Ce projet bénéficiera d’un réseau national et international de chercheurs. Les chercheurs des différents groupes de recherche ont généralement des antécédents de recherche différents, comme la télédétection, l'environnement et l'écologie. L'échange et la coopération entre eux pourraient faire jaillir de nouvelles idées. Ce sujet de thèse pourrait contribuer à la constitution d’une proposition pour répondre à un AO européen (par exemple comme Biodiversa).

3- Effet intégrateur entre unités de recherche et / ou interdisciplinarités

Ce projet de recherche va activer la collaboration avec IMT Atlantique et avec l’équipe continuum terre/mer de

l’équipe LEMAR.

4- Potentiel d'insertion à un haut niveau dans la communauté académique ou non académique du docteur

Le docteur après l’obtention de son diplôme pourrait s’insérer facilement dans la communauté académique vu sa spécialisation en matière d’environnement avec de la télédétection/SIG et s’il (elle) le souhaite dans une communauté non académique (vu que le doctorant(e) travaillera aussi en contact avec les collectivités locales.

Le candidat

Profil souhaité du candidat (spécialité/discipline principale, compétences scientifiques et techniques requises) :

 Étudiant avec un master dans les domaines de la géomatique / télédétection/ traitement des images et avec forte connaissance en informatique ;

 Connaissances approfondies en télédétection, traitement d’images ;

 Savoir utiliser les logiciels de traitement de données satellites et de SIG;

 Expériences de programmation (Python, R, Matlab……) ;

 Capacité de rédaction ;

 Bon niveau d’anglais.

ATTENTION :

Tout dossier non déposé sur le serveur dans les délais indiqués, ne pourra être pris en compte notamment par les instances ISblue, conseil de l'EDSML.

Bibliographie

1. Adam, P., 2002. Saltmarshes in a time of change. Environ. Conserv. 29, 39–61. http://dx.

doi.org/10.1017/S0376892902000048.

2. Ball, J.E.; Anderson, D.T.; Chan, C.S., 2017, Comprehensive Survey of Deep Learning in Remote Sensing: Theories,Tools, and Challenges for the Community.J. Appl. Remote Sens.,11, 042609.

3. Barbier, E.B.; Hacker, S.D.; Kennedy, C.; Koch, E.W.; Stier, A.C.; Silliman, B.R. The value of estuarine and coastal ecosystem services. Ecol. Monogr. 2011, 81, 169–193.

4. Bilodeau C., Cohen M., Andrieu J.. Comparaison de deux méthodes de cartographie de la végétation du schorre de la baie du Mont-Saint-Michel : photo-interprétation raisonnée et classification automatique par espèce. Photo-Interprétation.

European Journal of Applied Remote Sensing, Editions Eska, 2008, 44 (3-4), pp.12-27.

5. Blaschke, T., 2010, Object Based Image Analysis for Remote Sensing. ISPRS J. Photogramm. Remote Sens., 65,2–16.

6. Breiman L., Random forests, 2001, Mach. Learn., vol. 45, no. 1, pp. 5–32.

7. Chatziantoniou, A.; Petropoulos, G.P.; Psomiadis, E., 2017, Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning. Remote Sens. 2017, 9, 1259.

8. Dang, K.B., Nguyen, M.H., Nguyen, D.A., Phan, T.T.H., Giang, T.L., Pham, H.H., Nguyen, T.N., Tran, T.T.V., Bui, D.T., 2020.

Coastal Wetland Classification with Deep U-Net Convolutional Networks and Sentinel-2 Imagery: A Case Study at the Tien Yen Estuary of Vietnam. Remote Sensing 12, 3270. https://doi.org/10.3390/rs12193270.

9. Davidson, N.C., 2014. How much wetland has the world lost? Long-term and recent trends in global wetland area. Mar.

Freshw. Res. 65, 934–941. http://dx.doi.org/10. 1071/MF14173.

10. Dubeau, P., King, D.J., Unbushe, D.G., Rebelo, L.-M., 2017. Mapping the Dabus Wetlands, Ethiopia, Using Random Forest Classification of Landsat, PALSAR and Topographic Data. Remote Sensing 9, 1056. https://doi.org/10.3390/rs9101056.

11. Felton, B.R., O’Neil, G.L., Robertson, M.-M., Fitch, G.M., Goodall, J.L., 2019. Using Random Forest Classification and Nationally Available Geospatial Data to Screen for Wetlands over Large Geographic Regions. Water 11, 1158.

https://doi.org/10.3390/w11061158.

12. French, J.R., 2006. Tidal marsh sediment trapping and resilience to environmental change: exploratory modelling of tidal, sea-level and sediment supply forcing in predominantly allochthonous systems. Mar. Geol. 235, 119–136.

http://dx.doi.org/10.1016/j. margeo.2006.10.009.

13. Fu, B., Wang, Y., Campbell, A., Li, Y., Zhang, B., Yin, S., Xing, Z., Jin, X., 2017. Comparison of object-based and pixel-based

Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data. Ecological Indicators 73, 105–117. https://doi.org/10.1016/j.ecolind.2016.09.029

14. Gedan, K.B., Kirwan, M.L.,Wolanski, E., Barbier, E.B., Silliman, B.R., 2011. The present and future role of coastal vegetation in protecting shorelines: answering recent challenges to the paradigm. Clim. Chang. 106, 7–29.

http://dx.doi.org/10.1007/s10584-010-0003-7.

15. Gislason P., Benediktsson J. A., and Sveinsson J. M., 2006, Random forests for land cover classification, Pattern Recognit.

Lett, vol. 27, no. 4, pp. 294–300.

16. Herbert, E.R.; Boon, P.; Burgin, A.J.; Neubauer, S.C.; Franklin, R.B.; Ardon, M.; Hopfensperger, K.N.; Lamers,L.P.M.;Cell,P.A.

A global perspective on wetland salinization: Ecological consequences of a growing threat to freshwater wetlands.

Ecosphere 2015, 6, 1–43.

17. Hinton, G.E.; Osindero, S.; Teh, Y.-W., 2006, A Fast Learning Algorithm for Deep Belief Nets. Neural Comput., 18, 1527–

1554.

18. Krizhevsky, A.; Sutskever, I.; Hinton, G.E., 2012, Imagenet Classification with Deep Convolutional NeuralNetworks. In Proceedings of the 25th International Conference on Neural Information Processing Systems,Lake Tahoe, NV, USA, 3–6 December 2012; pp. 1097–110.

19. LeCun, Y.; Bengio, Y.; Hinton, G., 2015, Deep Learning, Nature, 521, 436.

20. LeCun, Y.; Bengio, Y.; Hinton, G., 2015, Deep Learning, Nature, 521, 436.

21. Li, X.; Bellerby, R.; Craft, C.; Widney, S.E. Coastal wetland loss, consequences, and challenges for restoration. Anthr. Coasts.

2018, 1, 1–15.

22. Liu, T., Abd-Elrahman, A., 2018. Deep convolutional neural network training enrichment using multi-view object-based analysis of Unmanned Aerial systems imagery for wetlands classification. ISPRS Journal of Photogrammetry and Remote Sensing 139, 154–170. https://doi.org/10.1016/j.isprsjprs.2018.03.006.

23. Mahdianpari, M., Salehi, B., Mohammadimanesh, F., Motagh, M., 2017. Random forest wetland classification using ALOS- 2 L-band, RADARSAT-2 C-band, and TerraSAR-X imagery. ISPRS Journal of Photogrammetry and Remote Sensing 130, 13–

31. https://doi.org/10.1016/j.isprsjprs.2017.05.010.

24. Mahdianpari, M., Salehi, B., Rezaee, M., Mohammadimanesh, F., Zhang, Y., 2018. Very Deep Convolutional Neural Networks for Complex Land Cover Mapping Using Multispectral Remote Sensing Imagery. Remote Sensing 10, 1119.

https://doi.org/10.3390/rs10071119.

25. Millennium Ecosystem Assessment (Program) (Ed.), 2005. Ecosystems and human well-being: wetlands and water synthesis: a report of the Millennium Ecosystem Assessment. World Resources Institute, Washington, DC.

26. Morris, J.T., Sundareshwar, P.V., Nietch, C.T., Kjerfve, B., Cahoon, D.R., 2002. Responses of coastal wetlands to rising sea- level. Ecology 83, 2869–2877. http://dx.doi.org/10.1890/0012-9658.

27. Mudd, S.M., Howell, S.M., Morris, J.T., 2009. Impact of dynamic feedbacks between sedimentation, sea-level rise, and biomass production on near-surface marsh stratigraphy and carbon accumulation. Estuar. Coast. Shelf Sci. 82, 377–389.

http://dx.doi.org/10.1016/j.ecss.2009.01.028.

28. Muñoz, D.F., Cissell, J.R., Moftakhari, H., 2019. Adjusting Emergent Herbaceous Wetland Elevation with Object-Based Image Analysis, Random Forest and the 2016 NLCD. Remote Sensing 11, 2346. https://doi.org/10.3390/rs11202346.

29. Nicholls, R.J., Woodroffe, C.D., Burkett, V., Hay, Wong, P., Nurse, L., 2011. Scenarios for coastal vulnerability assessment.

In: van den Belt, M., Costanza, R. (Eds.), Treatise on Estuarine and Coastal ScienceEcological Economics of Estuaries and Coasts 12. Elsevier, Amsterdam, pp. 289–303.

30. Niculescu S., C. Lardeux, J. Hanganu, Alteration and Remediation of Coastal Wetland Ecosystems in the Danube Delta. A Remote-Sensing Approach, Coastal Research Library, vol. 21(17), Springer International Publishing.

31. Niculescu S., S., D. Ienco, and J. Hanganu, Application of Deep Learning of multi-temporal Sentinel-1 images for the classification of coastal vegetation zone of the Danube Delta, 2018, Int. Arch. Photogrammetry Remote Sensing Spatial 2 Information Sci., XLII-3, 1311-1318.

32. Niculescu, S., Xia, J., Roberts, D., and Billey, A., Rotation Forests and Random Forest classifiers for monitoring of vegetation in Pays de Brest (France), Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B3-2020, 727–

732,https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-727-2020, 2020.

33. Niculescu, S.; Boissonnat, J.-B.; Lardeux, C.; Roberts, D.; Hanganu, J.; Billey, A.; Constantinescu, A.; Doroftei, M., 2020, Synergy of High-Resolution Radar and Optical Images Satellite for Identification and Mapping of Wetland Macrophytes on the Danube Delta. Remote Sensing 2020, 12, 2188, doi.org/10.3390/rs12142188.

34. O’Neil, G.L., Goodall, J.L., Behl, M., Saby, L., 2020. Deep learning Using Physically-Informed Input Data for Wetland Identification. Environmental Modelling & Software 126, 104665. https://doi.org/10.1016/j.envsoft.2020.104665.

35. Parker, V.T.; Boyer, K.E. Sea-level rise and climate change impacts on an urbanized pacific coast estuary. Wetlands 2019, 39, 1219–1232.

36. Pashaei, M., Kamangir, H., Starek, M.J., Tissot, P., 2020. Review and Evaluation of Deep Learning Architectures for

Efficient Land Cover Mapping with UAS Hyper-Spatial Imagery: A Case Study Over a Wetland. Remote Sensing 12, 959.

https://doi.org/10.3390/rs12060959.

37. Pereira, L.D.O.; Freitas, C.D.C.; St Anna, S.J.S.; Lu, D.; Moran, E.F., 2013, Optical and radar data integration for land use and land cover mapping in the Brazilian Amazon. GISci. Remote Sens., 50, 301–321.

38. Pouliot, D., Latifovic, R., Pasher, J., Duffe, J., 2019. Assessment of Convolution Neural Networks for Wetland Mapping with Landsat in the Central Canadian Boreal Forest Region. Remote Sensing 11, 772. https://doi.org/10.3390/rs11070772.

39. Rapinel, S., Hubert-Moy, L., Clément, B., 2015. Combined use of LiDAR data and multispectral earth observation imagery for wetland habitat mapping. International Journal of Applied Earth Observation and Geoinformation 37, 56–64.

https://doi.org/10.1016/j.jag.2014.09.002

40. Rebelo, L.-M.; Finlayson, C.M.; Strauch, A.; Rosenqvist, A.; Perennou, C.; Tøttrup, C.; Hilarides, L.;Paganini, M.; Wielaard, N.; Siegert, F.; et al.The Use of Earth Observation for Wetland Inventory, Assessment andMonitoring: An Information Source for the Ramsar Convention on Wetlands; Ramsar Technical Report, 10; RamsarConvention Secretaria: Gland, Switzerland, 2018.

41. Rodriguez J. J., Kuncheva L. I., and Alonso C. J., 2006, Rotation forest: A new classifier ensemble method, IEEE Trans.

Pattern Anal.Mach. Intell., vol. 28, no. 10, pp. 1619–1630.

42. Spencer, T., Schuerch, M., Nicholls, R.J., Hinkel, J., Lincke, D., Vafeidis, A.T., Reef, R., McFadden, L., Brown, S., 2016. Global coastal wetland change under sea-level rise and related stresses: The DIVA Wetland Change Model. Global and Planetary Change 139, 15–30. https://doi.org/10.1016/j.gloplacha.2015.12.018

43. Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.; Rabinovich, 2015, A.Going Deeper with Convolutions. In Proceedings of the IEEE Conference on Computer Vision and PatternRecognition (CVPR), Boston, MA, USA, 7–12 June 2015.

44. Tian, S., Zhang, X., Tian, J., Sun, Q., 2016. Random Forest Classification of Wetland Landcovers from Multi-Sensor Data in the Arid Region of Xinjiang, China. Remote Sensing 8, 954. https://doi.org/10.3390/rs8110954.

45. Tiner, R.W.; Lang, M.W.; Klemas, V.V.Remote Sensing of Wetlands: Applications and Advances; 2015, CRC Press:Boca Raton, FL, USA.

46. Vincent, P.; Larochelle, H.; Lajoie, I.; Bengio, Y.; Manzagol, P.-A., 2010, Stacked Denoising Autoencoders: LearningUseful Representations in a Deep Network with a Local Denoising Criterion.J. Mach. Learn. Res., 11,3371–3408.

47. Whyte, A.; Ferentinos, K.P.; Petropoulos, G.P., 2018, A new synergistic approach for monitoring wetlands using Sentinels- 1 and 2 data with object-based machine learning algorithms. Environ. Model. Softw. 2018, 104, 40–54.

48. Zhao, W.; Du, S., 2016, Learning Multiscale and Deep Representations for Classifying Remotely Sensed Imagery, ISPRS J.

Photogramm. Remote Sens.,113, 155–165.