Méthodes d'exploitation de données historiques pour la production de cartes d'occupation des sols à partir d'images de télédétection et en absence de données de référence de la période à cartographier

The study of continental surfaces is a major global challenge for the monitoring and management of territories, particularly in terms of the distribution between urban expansion, agricultural land and natural areas. In this context, land cover maps characterizing the biophysical cover of land are an essential asset for the analysis of continental surfaces. Supervised classification algorithms allow, from annual time series of satellite images and reference data, to automatically produce the map of the corresponding period. However, reference data is expensive information to obtain, especially over large areas. Indeed, field survey campaigns require a high human cost, and databases are associated with long update times. In addition, these reference data are valid only for the corresponding period due to changes in land use. These changes mainly concern urban expansion at the expense of natural areas, and agricultural land subject to crop rotation. The general objective of the thesis is to propose methods for producing land cover maps without exploiting the reference data of the corresponding period. The work carried out is based on the creation of a land cover history. This history includes all the information available for the area of interest: land cover maps, image time series, reference data, classification models, etc. A first part of the work considers that the history contains only one period. Thanks to this history we proposed a \g{naïve} classification approach allowing to use a classifier already trained, over a new period. The performances obtained shown that this approach is insufficient, thus requiring more efficient methods. Domain adaptation makes it possible to address this type of problem. We considered two approaches: data projection via canonical correlation analysis and optimal transport. These two approaches allow the historical data to be projected in order to reduce differences with the year to be processed. Nevertheless, these approaches offer results equivalent to the naive classification for much more significant production costs. [...]L'étude des surfaces continentales constitue un enjeu majeur à l'échelle mondiale pour le suivi et la gestion des territoires, notamment en matière de répartition entre l'expansion urbaine, terres agricoles et espaces naturels. Dans ce contexte, les cartes d'OCcupation des Sols (OCS) caractérisant la couverture biophysique des terres émergées sont un atout essentiel pour l'analyse des surfaces continentales. Les algorithmes de classification supervisée permettent, à partir de séries temporelles annuelles d'images satellites et de données de référence, de produire automatiquement la carte de la période correspondante. Cependant, les données de référence sont une information coûteuse à obtenir surtout sur de grandes étendues. En effet, les campagnes de relevés terrain requièrent un fort coût humain, et les bases de données sont associées à de longs délais de mises à jour. De plus, ces données de référence disposent d'une validité limitée à la période correspondante, en raison des changements d'OCS. Ces changements concernent essentiellement l'expansion urbaine au détriment des surfaces naturelles, et les terres agricoles soumises à la rotation des cultures. L'objectif général de la thèse vise à proposer des méthodes de production de cartes d'OCS sans exploiter les données de référence de la période correspondante. Les travaux menés s'appuient sur un historique d'OCS. Cet historique regroupe toutes les informations disponibles pour la zone concernée : cartes d'OCS, séries temporelles, données de référence, modèles de classification, etc. Une première partie des travaux considère que l'historique ne contient qu'une seule période. Ainsi, nous avons proposé un protocole de classification naïve permettant d'exploiter un classifieur déjà entraîné sur une nouvelle période. Les performances obtenues ont montré que cette approche se révèle insuffisante, requérant ainsi des méthodes plus performantes. L'adaptation de domaine permet d'aborder ce type de problématique. Nous avons considéré deux approches : la projection de données via une analyse canonique des corrélations et le transport optimal. Ces deux approches permettent de projeter les données de l'historique afin de réduire les différences avec l'année à traiter. Néanmoins ces approches offrent des résultats équivalents à la classification naïve pour des coûts de production bien plus significatifs. Une seconde partie des travaux considère que l'historique contient au moins deux périodes de données. [...