Présentation du projet

Contexte du projet

Le projet ASTERIX a pour but de contribuer au développement de la recherche fondamentale en informatique et à ses applications dans le domaine de la télédétection de l’environnement. En terme l'impact sociétal, de multiples interrogations sont soulevées en ce qui concerne les modes d’exploitation des sols et leurs interactions avec l’environnement (climat local par exemple). En effet, de nombreux changements sont observés depuis quelques années avec des conséquences variables (augmentation de phénomènes extrêmes, dérèglements écologiques par exemple). Face à ces changements, les politiques locales envisagent des modifications, que ce soit en matière d'urbanisme (identifier les zones à risque) ou de protection de l'environnement (préserver des corridors écologiques) par exemple. Cependant, la question de la réorganisation des sociétés vis-à-vis de ces changements d'origine naturelle et/ou anthropique est difficile tant les acteurs mis en jeu sont nombreux et complexes. Pour y faire face, les politiques de protection de l'environnement s'appuient sur les outils actuellement disponibles pour leur compréhension.

Cependant ces derniers s'avèrent le plus souvent limités car ils ne prennent pas suffisamment en considération l'ensemble des processus impliqués. Dans ce projet, l’extraction de motifs ou patrons paysagers à partir de techniques avancées d’analyse d’images apportera une source d’information complémentaire aidant à la compréhension des changements observés.

Objectifs du projet

Suite à la profusion de données multi-sources de résolutions spatiales, spectrales et temporelles sans précédent, le problème de la reconnaissance dans les images complexes par télédétection de l’environnement est récemment devenu un défi à relever, avec la possibilité de traiter de nouvelles applications importantes. Cependant, il n’existe pas ou peu de cadre méthodologique pour traiter les données à des échelles spatiales et temporelles multiples : les méthodes de reconnaissance utilisées sont souvent des applications directes des méthodes classiques de classification et de modélisation. Pourtant, la prise en compte du voisinage spatial et temporel, ainsi que la diversité des données requises, doivent permettre d’augmenter significativement les performances obtenues. Le but de ce projet, et son caractère novateur, est de fournir des méthodes, algorithmes et logiciels dans le domaine de l’analyse d’image et de l’apprentissage automatique afin d’aider à la reconnaissance dans les images complexes, en prenant explicitement en compte la spécificité des images complexes de télédétection. Dans ce contexte, les principaux verrous scientifiques sont :

  • la dimensionnalité des données : si un large choix de méthodes et algorithmes peuvent être considérés, le cas de la reconnaissance sur des données de dimension importante nécessite encore de nombreux développements méthodologiques. Le verrou lié à la dimensionnalité des données est un verrou classique lorsque l’on traite des données en grande dimension. 

  • l’hétérogénéité des données : en télédétection (de l’environnement) comme ailleurs, les algorithmes d’analyse ou traitement d’image sont généralement conçus pour n’être appliqués à un instant donné que sur une seule image. Pourtant, l’observation de processus environnementaux ne peut se faire qu’au travers d’une exploitation conjointe de plusieurs images, hétérogènes puisque de différentes natures, résolutions, sources, dates, etc. La prise en compte de données hétérogènes s’avère donc nécessaire mais reste un problème ouvert.

  • le volume des données : la dimensionnalité et l’hétérogénéité des données contribuent, avec l’amélioration de la résolution spatiale des capteurs, à une augmentation massive du volume de données à traiter. Les méthodes de reconnaissance dans les images complexes restent dans l’incapacité d’appréhender de tels volumes, freinant ainsi leur usage en télédétection : ce verrou nécessite d’être levé.

  • les proximités spatiales et temporelles : les données traitées sont situées dans un contexte spatial et temporel et peuvent ainsi être fortement corrélées et redondantes. De premiers développements basés sur la construction de noyaux qui incorporent une information sur le voisinage spatial des données donnent des résultats prometteurs mais des travaux plus poussés, prenant en compte l’aspect multi-sources et temporel des données doivent être entrepris.

  • l’évolution temporelle des données : il est nécessaire de prendre en compte la variabilité temporelle dans le cadre de la reconnaissance de données de télédétection. Cette variabilité peut être due à la variabilité des objets à reconnaître, des propriétés de l'image (illumination) ou, de manière extrinsèque, de bruit dans le recueil des données. La prise en compte de cette évolution doit se faire en terme de gestion de l’information (quelles sont les sources à retenir ? Comment intégrer des a priori temporels ?), de méthodologies de reconnaissance dites en ligne, et constitue un verrou à dépasser.

 

Outre des développements méthodologiques permettant l’avancée de l’état de l’art dans les domaine du traitement des images et de l’apprentissage automatique dans un contexte de reconnaissance au sein d’images complexes, les résultats attendus lors du projet ASTERIX consistent en un ensemble de solutions concrètes à des problèmes cruciaux posés en télédétection de l’environnement, et plus précisément dans deux milieux privilégiés : littoral et montagnard. Il s’agira ainsi de contribuer également au développement des travaux scientifiques dans différents domaines tels que la géographie environnementale, la géomorphologie, la géophysique, ou encore la géomatique. Ces thématiques sont au cœur des recherches effectuées à l’Observatoire des Sciences de l’Univers de Rennes (OSUR) et les solutions développées dans ce projet prendront la forme de briques logicielles intégrées dans la plate-forme imagerie accessible aux partenaires de l’OSUR usagers de la télédétection, avant d’être diffusées auprès de la communauté scientifique. Le déploiement de cette plate-forme sur un environnement de calcul haute performance permettra le passage à l’échelle, et offrira une réponse pertinente à la masse de données pouvant être appréhendée dans les processus d’analyse spatio-temporelle en télédétection de l’environnement.