Les nouveaux capteurs satellitaires permettent l'acquisition d'images d'un très haut niveau de détail à des cadences élevées, produisant ainsi une importante masse de données. Le traitement manuel de ces données étant devenu impossible, de nouveaux outils sont nécessaires afin de les traiter automatiquement. Des algorithmes de segmentation efficaces sont nécessaires pour extraire des objets d'intérêt de ces images. Cependant les segments produits ne correspondent pas aux objets d'intérêt, rendant difficile l'utilisation de connaissances expertes.Dans le cadre de cette thèse nous proposons de changer le niveau d'interprétation d'une image afin de voir les objets d'intérêt pour l'expert comme des objets composés par des segments. Pour cela, nous avons mis en place un processus d'apprentissage multi-niveaux dans le but d'apprendre ces règles de composition. Une règle de composition ainsi apprise peut ensuite être utilisée pour extraire les objets d'intérêt correspondant. Dans un second temps, nous proposons d'utiliser l'algorithme d'apprentissage de règles de composition comme première étape d'une approche montante-descendante. Cette chaîne de traitement a pour objectif d'améliorer la classification à partir des informations contextuelles et de connaissances expertes. Des objets composés de plus haut niveau sémantique sont extraits à partir de règles apprises ou fournies par l'expert, et cette nouvelle information est utilisée pour mettre à jour la classification des objets aux niveaux inférieurs. L'ensemble de ces travaux ont été testés et validés sur des images Pléiades représentant la ville de Strasbourg. Les résultats obtenus montrent l'efficacité de l'apprentissage de règles de composition pour faire le lien entre connaissance experte et segmentation, ainsi que l'intérêt de l'utilisation d'informations contextuelles dans l'analyse d'images de télédétection à très haute résolution spatiale. / The new remote sensors allow the acquisition of very high spatial resolution images at high speeds, thus producing alarge volume of data. Manual processing of these data has become impossible, new tools are needed to process them automatically. Effective segmentation algorithms are required to extract objects of interest of these images. However, the produced segments do not match to objects of interest, making it difficult to use expert knowledge.In this thesis we propose to change the level of interpretation of an image in order to see the objects of interest of the expert as objects composed of segments. For this purpose, we have implemented a multi-level learning process in order to learn composition rules. Such a composition rule can then be used to extract corresponding objects of interest.In a second step, we propose to use the composition rules learning algorithm as a first step of a bottom-up top-down approach. This processing chain aims at improving the classification from contextual knowledge and expert information.Composed objects of higher semantic level are extracted from learned rules or rules provided by the expert, and this new information is used to update the classification of objects at lower levels.The proposed method has been tested and validated on Pléiades images representing the city of Strasbourg. The results show the effectiveness of the composition rules learning algorithm to make the link between expert knowledge and segmentation, as well as the interest of the use of contextual information in the analysis of remotely sensed very high spatial resolution images.

Debris-slides are fast-moving landslides that occur in the Appalachian region including the Great Smoky Mountains National Park (GRSM). Various knowledge and data-driven approaches using spatial distribution of the past slides and associated factors could be used to estimate the region’s debris-slide susceptibility. This study developed two debris-slide susceptibility models for GRSM using knowledge-driven and data-driven methods in GIS. Six debris-slide causing factors (slope curvature, elevation, soil texture, land cover, annual rainfall, and bedrock discontinuity), and 256 known debris-slide locations were used in the analysis. Knowledge-driven weighted overlay and data-driven bivariate frequency ratio analyses were performed. Both models are helpful; however, each come with a set of advantages and disadvantages regarding degree of complexity, time-dependency, and experience of the analyst. The susceptibility maps are useful to the planners, developers, and engineers for maintaining the park’s infrastructures and delineating zones for further detailed geotechnical investigation.