Fusion d'informations multisources application à la classification en milieu forestier

Abstract

L'aménagement et le suivi des ressources forestières nécessitent des données précises et bien réparties dans le temps sur les conditions de la végétation dans les peuplements forestiers, ainsi que dans les zones de coupes forestières ou venant de subir des feux de forêts. Les méthodes actuelles d'extraction de l'information sur le couvert végétal sont basées sur l'interprétation de photographies aériennes, jumelée à une campagne de vérification sur le terrain. Ces méthodes sont relativement coûteuses et leur mise en oeuvre est très lourde. Pour pallier à ces problèmes, l'utilisation d'images issues des outils de télédétection constitue une excellente alternative. La mise à jour des cartes forestières par télédétection (télédétection des changements) suit la procédure d'identification des différences d'états d'un objet ou d'un phénomène en l'observant à des moments différents. Plusieurs méthodes et techniques de télédétection du changement ont été développées au cours des années. Nous nous attarderons aux méthodes postclassificatoires. Or, pour plusieurs problèmes de classification d'images, l'information recueillie par un seul capteur est incomplète et son traitement peut résulter en une mauvaise classification due à un manque d'informations. Afin de surmonter ce problème, la mise en coopération et/ou en compétition de plusieurs capteurs est une bonne solution. Les images acquises à l'aide de différents capteurs pour un même site sont en général partiellement redondantes, mais aussi partiellement complémentaires. Pour bénéficier de ces caractéristiques, la fusion entre les informations issues de différents capteurs apparaît fondamentale. L'imagerie optique sera abordée en axant tout particulièrement le travail sur l'information en provenance des indices de végétation. Puis, au niveau de l'imagerie radar, nous aborderons les thèmes du filtrage et de l'analyse au moyen des paramètres de texture. Nous comparerons ensuite les performances de plusieurs algorithmes d'optimisation de segmentation et d'estimation de paramètres. Nous verrons enfin comment la fusion entre les informations multisources à l'aide de la théorie de l'évidence mène au raffinement de la classification.