Les villes sont confrontées à de nombreuses problématiques environnementales. Leurs gestionnaires ont besoin d'outils et d'une bonne connaissance de leur territoire. Un objectif est de mieux comprendre comment s'articulent les trames grise et verte pour les analyser et les représenter. Il s'agit aussi de proposer une méthodologie pour cartographier la structure urbaine à l'échelle des tissus en tenant compte de ces trames. Les bases de données existantes ne cartographient pas la végétation de manière exhaustive. Ainsi la première étape est d'extraire la végétation arborée et herbacée à partir d'images satellites Pléiades par une analyse orientée-objet et une classification par apprentissage actif. Sur la base de ces classifications et de données multi-sources, la cartographie des tissus se base sur une démarche d'extraction de connaissances à partir d'indicateurs issus de l'urbanisme et de l'écologie du paysage. Cette méthodologie est construite sur Strasbourg puis appliquée à Rennes. / Climate change presents cities with significant environmental challenges. Urban planners need decision-making tools and a better knowledge of their territory. One objective is to better understand the link between the grey and the green infrastructures in order to analyse and represent them. The second objective is to propose a methodology to map the urban structure at urban fabric scale taking into account the grey and green infrastructures. In current databases, vegetation is not mapped in an exhaustive way. Therefore the first step is to extract tree and grass vegetation using Pléiades satellite images using an object-based image analysis and an active learning classification. Based on those classifications and multi-sources data, an approach based on knowledge discovery in databases is proposed. It is focused on set of indicators mostly coming from urbanism and landscape ecology. The methodology is built on Strasbourg and applied on Rennes to validate and check its reproducibility.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research. / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.

Les connaissances sur la morphologie de la Terre sont essentielles à la compréhension d’une variété de processus géomorphologiques et hydrologiques. Des avancées récentes dans le domaine de la télédétection ont significativement fait progresser notre habilité à se représenter la surface de la Terre. Parmi celles-ci, les données d’élévation LiDAR permettent la production de modèles numériques d’altitude (MNA) à haute résolution sur de grands territoires. Le LiDAR est une avancée technologique majeure permettant aux scientifiques de visualiser en détail la morphologie de la Terre et de représenter des reliefs peu prononcés, et ce, même sous la canopée des arbres. Une telle avancée technologique appelle au développement de nouvelles approches innovantes afin d’en réaliser le potentiel scientifique. Dans ce contexte, le présent travail vise à développer deux approches de cartographie numérique utilisant des données d’élévation LiDAR et servant à l’évaluation de la composition du sous-sol. La première approche à être développée utilise la localisation de crêtes de plage identifiées sur des MNA LiDAR afin de modéliser l’étendue maximale de la mer de Champlain, une large paléo-mer régionalement importante. Cette approche nous a permis de cartographier avec précision les 65 000 km2 autrefois inondés par la mer. Ce modèle sert à l’évaluation de la distribution des sédiments marins et littoraux dans les basses-terres du Saint-Laurent. La seconde approche utilise la relation entre des échantillons de matériel parental des sols (MPS) et des attributs topographiques dérivés de données LiDAR afin de cartographier à haute résolution et à une échelle régionale le MPS sur le Bouclier canadien. Pour ce faire, nous utilisons une approche novatrice combinant l’analyse d’image orientée-objet (AIOO) avec une classification par arbre décisionnel. Cette approche nous a permis de produire une carte du MPS à haute résolution sur plus de 185 km2 dans un environnement hétérogène de post-glaciation. Les connaissances issues de la production de ces deux modèles ont permis de conceptualiser la composition du sous-sol dans les régions limitrophes entre les basses-terres du Saint-Laurent et le Bouclier canadien. Ce modèle fournit aux chercheurs et aux gestionnaires de ressources des connaissances détaillées sur la géomorphologie de cette région et contribue à l’amélioration de notre capacité à saisir les services écosystémiques et à prédire les aléas environnementaux liés aux processus du sous-sol. / Knowledge of the earth’s morphology is essential to the understanding of many geomorphic and hydrologic processes. Recent advancements in the field of remote sensing have significantly improved our ability to assess the earth’s surface. From these, LiDAR elevation data permits the production of high-resolution digital elevation models (DEMs) over large areas. LiDAR is a major technological advance as it allows geoscientists to visualize the earth’s morphology in high detail, even allowing us to resolve low-relief landforms in forested areas where the surface is obstructed by vegetation cover. Such a technological advance calls for the development of new and novel approaches to realize the scientific potential of this new spatial data. In this context, the present work aims to develop two digital mapping approaches that use LiDAR elevation data for assessing the earth’s subsurface composition. The first approach to be developed uses the location of low-relief beach ridges observed on LiDAR-derived DEMs to map the extent of a large and regionally important paleo-sea, the Champlain Sea. This approach allowed us to accurately map the 65,000 km2 area once inundated by sea water. The model serves to the assessment of the distribution of marine and littoral sediments in the St. Lawrence Lowlands. The second approach uses the relationship between field-acquired samples of soil parent material (SPM) and LiDAR-derived topographic attributes to map SPM at high-resolution and at a regional scale on the Canadian Shield. To do so, we used a novel approach that combined object-based image analysis (OBIA) with a classification tree algorithm. This approach allowed us to produce a fine-resolution 185 km2 map of SPM in a heterogeneous post-glaciation Precambrian Shield setting. The knowledge obtained from producing these two models allowed us to conceptualize the subsurface composition at the limit between the St. Lawrence Lowlands and the Canadian Shield. This insight provides researchers and resource managers with a more detailed understanding of the geomorphology of this area and contributes to improve our capacity to grasp ecosystem services and predict environmental hazards related to subsurface processes.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion