L'image de télédétection constitue une source d'information importante permettant de surveiller les phénomènes naturels auxquels le monde a été confronté ces dernières années notamment l'érosion, l'inondation, les incendies, la déforestation, etc. Ces phénomènes ont des conséquences graves sur l'environnement, l'agriculture (dégradation des sols), l'activité humaine, etc. C'est dans ce cadre que se situe notre travail de thèse qui s'intéresse à l'interprétation des images de télédétection afin d'étudier la susceptibilité des scènes aux risques naturels. Cette thèse aborde deux problématiques majeures; La première concerne la modélisation du contenu de l'image satellitale. Cela pose les questions suivantes : Comment extraire les informations utiles de l'image ? Quel modèle de représentation choisir pour modéliser l'image ? Comment générer cette modélisation ? La deuxième problématique concerne l'étude de la susceptibilité de l'image aux risques naturels en se basant sur les sciences cognitives et les connaissances issues de l'image. Donc, quel est le modèle de raisonnement à adopter pour générer une interprétation adéquate ? Dans ce travail de thèse, nous proposons une ontologie spatio-temporelle, floue, lourde et évolutive représentant le contenu sémantique des images de télédétection. Pour ce faire, nous avons suivi un processus de développement basé sur la réutilisation des ressources ontologiques existantes, l'apprentissage à partir des images satellitales (de référence), et la formalisation des connaissances a priori de domaine (risques naturels, connaissance sur les scènes capteurs d'acquisition, etc.). Nous proposons également une méthodologie permettant de générer des annotations modélisant le contenu de l'image satellitale en se guidant par l'ontologie de domaine, et permettant, à partir d'un raisonnement inférentiel sur ces connaissances, de déduire la susceptibilité d'une scène satellitale aux risques naturels. La méthodologie proposée comporte quatre modules : (1) Annotation de l'image de télédétection, (2) Fusion d'annotations, (3) Recherche de cas, et (4) Raisonnement et interprétation. Dans un cadre méthodologique, nous avons appliqué la méthodologie pour traiter le problème d'érosion afin de prévenir les zones à risque en Tunisie et plus particulièrement à la région du Kef. Pour ce faire, nous avons conçu une base d'imagettes multi-dates et multi-capteurs représentant des classes d'ontologie (forêt, lac, champ de blé, zone urbaine, ...). De même, nous avons construit une base de cas contenant des annotations qui représentent des images de télédétection de la région du Kef. Dans un processus " off-line ", nous avons simulé le processus d'interprétation sur des requêtes pour voir si elles présentent des risques d'érosion.

L'interprétation d'images satellitales dans un cadre spatiotemporel devient une voie d'investigation de plus en plus pertinente pour l'étude et l'interprétation des phénomènes dynamiques. Cependant, le volume de données images devient de plus en plus considérable ce qui rend la tâche d'analyse manuelle des images satellitales plus difficile. Ceci a motivé l'intérêt des recherches sur l'extraction automatique de connaissances appliquée à l'imagerie satellitale. Notre thèse s'inscrit dans ce contexte et vise à exploiter les connaissances extraites à partir des images satellitales pour prédire les changements spatiotemporels de l'occupation du sol. L'approche proposée consiste en trois phases : i) la première phase permet une modélisation spatiotemporelle des images satellitales, ii) la deuxième phase assure la prédiction de changements de l'occupation du sol et iii) la troisième phase consiste à interpréter les résultats obtenus. Notre approche intègre trois niveaux de gestion des imperfections : la gestion des imperfections liées aux données, la gestion des imperfections liées à la prédiction et finalement la gestion des imperfections liées aux résultats. Pour les imperfections liées aux données, nous avons procédé par une segmentation collaborative. Le but étant de réduire la perte d'information lors du passage du niveau pixel au niveau objet. Pour les imperfections liées à la prédiction, nous avons proposé un processus basé sur les arbres de décisions floues. Ceci permet de modéliser les imperfections liées à la prédiction de changements. Finalement, pour les imperfections liées aux résultats, nous avons utilisé les techniques de Raisonnement à Base des Cas et de fusion pour identifier et combiner les décisions pertinentes. L'expérimentation de l'approche proposée est scindée en deux étapes : une étape d'application et une étape d'évaluation. Les résultats d'évaluation ont montré la performance de notre approche mesurée en termes de taux d'erreur par rapport à des approches existantes.