Lead
La télédétection est une importante source d’information pour l’observation des processus à la surface de la terre, car elle permet de couvrir de grandes étendues avec une haute périodicité et de manière non intrusive.Récemment, ceci est devenu encore plus intéressant par la multitude de senseurs disponibles: des informations sur la couleur, les propriétés thermiques ou la position tridimensionnelle des objets peuvent être utilisées et constituent différentes vues sur le territoire. De plus, l’information sur le Web constitue une nouvelle source d’information à disposition pour améliorer les modèles obtenus par télédétection.Bien que prometteuses, ces sources de données (ou modalités) ne sont pas utilisables sans des routines de traitement qui puissent les combiner et les intégrer de manière efficace pour en extraire l’information recherchée par l’utilisateur.

Lay summary

Ce projet vise à développer ces routines, sous le nom de « télédétection multimodale ». Pour ce faire, nous travaillerons à l’interface entre la télédétection et l’apprentissage statistique: l’un apportera le savoir sectoriel et les contraintes physiques du domaine, alors que l’autre contribuera par les avancées méthodologiques en traitement de grandes masses de données.

Quatre domaines de recherche seront abordés: 1) fusion multiresolution de données optiques ; 2) intégration de données entre senseurs optiques et radar ; 3) intégration de sources discontinues et incertaines (issues du Web) et 4) community remote sensing, où le savoir des utilisateurs est intégré dans des modèles interactifs.

Les résultats du projet serviront à améliorer les applications en monitoring environnemental : utiliser plusieurs modalités va fournir des outputs plus réalistes. Ces résultats vont bénéficier les organisations qui font de l’intervention post-catastrophe (et qui doivent cartographier avec ce qui est disponible) et les fournisseurs de données qui préparent les missions futures.