L'imagerie satellite permet aujourd'hui l'acquisition d'un nombre croissant de données dont l'augmentation des résolutions spatiale et temporelle permet de caractériser de plus en plus finement une scène et son évolution. Dans ce contexte, les méthodes de détection des changements apparus entre deux scènes sont particulièrement étudiées. Elles sont généralement basées sur les différences radiométriques entre les images. Cependant, ces méthodes s'avèrent souvent peu robustes à des changements radiométriques non pertinents tels que ceux induits par la variation des conditions d'acquisition des images. L'objectif de cette thèse est ainsi de développer une méthode alternative, basée sur la recherche des changements d'élévation de la scène. L'élévation représente en effet une information pertinente et adaptée, notamment dans un contexte de détection des changements de type urbain (construction, destruction ou modification d'infrastructures). Pour répondre à des besoins en analyse d'image qui nécessitent des résultats rapides et fiables, la méthode que nous proposons est une chaîne de traitements complète et automatique basée sur l'exploitation de couples d'image satellites stéréoscopiques très haute résolution permettant la génération et la comparaison de Modèles Numériques de Surface (MNS). Afin de limiter les fausses alarmes de changements dues aux erreurs liées à la génération des MNS, une étape clé de cette thèse a consisté à augmenter la précision des MNS, notamment à travers la prise en compte des zones d'occlusions et de mauvaise corrélation. La méthode de génération des MNS à ainsi été améliorée et une technique innovante de fusion des deux MNS provenant du même couple d'images a été développée. La comparaison des MNS générés avec un MNS LiDAR montre que notre approche permet une nette augmentation de la qualité des MNS, les erreurs de corrélation sont réduites tandis que les zones d'occlusion sont précisément localisées.La méthode de détection des changements d'élévation est, quant à elle, basée sur une labellisation par optimisation des pixels du MNS différentiel calculé à partir des MNS produits à chaque date. Cette étape permet de mettre en évidence les vrais changements de la scène parmi le bruit résiduel des MNS. Les résultats obtenus sur différents sites testés montrent que plus de 80% des changements de taille supérieure à 15 pixels x 15 pixels (ou 100 m² avec des images très haute résolution) sont détectés par notre méthode, avec moins de 20% d'erreurs. Nous montrons cependant que ces résultats dépendent principalement du paramètre de régularisation de la détection des changements, qui contrôle le taux de fausses alarmes par rapport au taux de bonnes détections du résultat. / The growing amount of satellite data, increasingly resolved spatially and temporally, represents a high potential of information allowing the accurate characterization of the evolution of an area of interest. For this reason, automatic analysis techniques such as change detection methods are widely investigated. Most of them are based on radiometric changes between remote sensed optical images. These methods are however very sensitive to a significant number of irrelevant changes such as those due to the variation of the geometrical conditions between two different acquisitionsThe objective of this work is then to develop an alternative method based on the elevation change detection. The advantage of using the elevation is that this information is particularly relevant and well adapted in a context of urban monitoring where the elements of interest correspond to buildings that can be constructed, modified or destroyed between two dates.In order to satisfy new needs in image analysis which require quick and reliable results, our method is a complete and automatic processing flow based on the analysis of high resolution satellite stereoscopic couples and the generation of Digital Surface Models (DSM). Stereoscopic DSMs, however, generally suffer from a high number of correlation errors leading to false alarms in the final change detection map. One of the main contribution of this work consisted in increasing the DSM accuracy, especially through a better handling of the occlusion and miss-correlation areas. For this purpose, the image matching technique has been improved and all DSMs computed from the same stereoscopic couple are then fusioned through a new approach, based on an optimization method.The comparison between our DSM with a LiDAR-based DSM indicates that our method largely improves the DSM quality, the amount of correlation errors is decreased while the occlusion areas are accurately localized. The change detection method itself is based on the labelization of the pixels of the differential DSM computed from the DSMs generated at each date of interest. This step, performed through another optimization process, enables to bring forward the relevant changes among the residual noise of the DSMs. The results, obtained for several experimental areas, show that more than 80% of the changes larger than 15 pixels x 15 pixels (100 m² with high resolution images) are detected with our method, with less than 20% of false alarms. We also show that these results mainly depend on the regularization parameter which controls the balance between the amount of false alarms towards the amount of true detections in the final results.

L'imagerie satellite permet aujourd'hui l'acquisition d'un nombre croissant de données dont l'augmentation des résolutions spatiale et temporelle permet de caractériser de plus en plus finement une scène et son évolution. Dans ce contexte, les méthodes de détection des changements apparus entre deux scènes sont particulièrement étudiées. Elles sont généralement basées sur les différences radiométriques entre les images. Cependant, ces méthodes s'avèrent souvent peu robustes à des changements radiométriques non pertinents tels que ceux induits par la variation des conditions d'acquisition des images. L'objectif de cette thèse est ainsi de développer une méthode alternative, basée sur la recherche des changements d'élévation de la scène. L'élévation représente en effet une information pertinente et adaptée, notamment dans un contexte de détection des changements de type urbain (construction, destruction ou modification d'infrastructures). Pour répondre à des besoins en analyse d'image qui nécessitent des résultats rapides et fiables, la méthode que nous proposons est une chaîne de traitements complète et automatique basée sur l'exploitation de couples d'image satellites stéréoscopiques très haute résolution permettant la génération et la comparaison de Modèles Numériques de Surface (MNS). Afin de limiter les fausses alarmes de changements dues aux erreurs liées à la génération des MNS, une étape clé de cette thèse a consisté à augmenter la précision des MNS, notamment à travers la prise en compte des zones d'occlusions et de mauvaise corrélation. La méthode de génération des MNS à ainsi été améliorée et une technique innovante de fusion des deux MNS provenant du même couple d'images a été développée. La comparaison des MNS générés avec un MNS LiDAR montre que notre approche permet une nette augmentation de la qualité des MNS, les erreurs de corrélation sont réduites tandis que les zones d'occlusion sont précisément localisées.La méthode de détection des changements d'élévation est, quant à elle, basée sur une labellisation par optimisation des pixels du MNS différentiel calculé à partir des MNS produits à chaque date. Cette étape permet de mettre en évidence les vrais changements de la scène parmi le bruit résiduel des MNS. Les résultats obtenus sur différents sites testés montrent que plus de 80% des changements de taille supérieure à 15 pixels x 15 pixels (ou 100 m² avec des images très haute résolution) sont détectés par notre méthode, avec moins de 20% d'erreurs. Nous montrons cependant que ces résultats dépendent principalement du paramètre de régularisation de la détection des changements, qui contrôle le taux de fausses alarmes par rapport au taux de bonnes détections du résultat.

Malgré l'amélioration constante des modèles de prévision opérationnelle, certains événements demeurent difficilement prévisibles, même à courte échéance. Dans ces cas, la qualité de la prévision dépend fortement de celle des conditions initiales qui lui sont fournies. Dans ce contexte, il apparaît essentiel d'améliorer des méthodes existantes et d'en développer de nouvelles afin de prendre au mieux en compte les incertitudes liées aux conditions initiales, en particulier pour la prévision d'événements intenses tels que les fortes pluies qui touchent régulièrement le bassin Méditerranéen. L'impact d'incertitudes aux conditions initiales sur la prévision de la dite “supertempête” d'Alger (novembre 2001) a été examiné au travers de simulations haute résolution réalisées avec le modèle Méso-NH. Ce cas était caractérisé par la présence d'un profond thalweg d'altitude associé à une cyclogenèse intense. Il a été montré qu'une faible perturbation initiale de la profondeur du thalweg d'altitude (et de l'intensité de l'anomalie positive de tourbillon potentiel associée) pouvait se propager et s'intensifier durant la simulation, impactant alors la prévision du cyclone de surface. Une étude détaillée des conditions de développement de la convection profonde dans chaque expérience a montré que les perturbations de petites échelles observées sur les champs de précipitations étaient directement liées à la prévision du cyclone et donc aux perturbations initiales. Dans une seconde partie, l'influence de corrections de tourbillon potentiel sur la prévision du même cas d'étude a été examinée. A l'aide du modèle opérationnel Français ARPEGE, nous avons montré que la prévision démarrant de l'analyse opérationnelle du 9 novembre 2001 à 1200 UTC n'était pas capable de reproduire le cycle de vie et le creusement de la dépression de surface. Des corrections locales de tourbillon potentiel guidées par des observations satellites issues du canal vapeur d'eau de Meteosat 7 ont conduit à une amélioration significative de la prévision du minimum dépressionnaire et des précipitations associées. A l'aide de simulations très haute résolution (2 km) Méso-NH et de l'utilisation de l'approche dite modèle-vers-satellite, nous avons montré que l'impact des modifications initiales était particulièrement positif lors des périodes de forte activité convective précédent celles de précipitations intenses.

La modélisation automatique de villes à partir d’images satellites est l'un des principaux défis en lien avec la reconstruction urbaine. Son objectif est de représenter des villes en 3D de manière suffisamment compacte et précise. Elle trouve son application dans divers domaines, qui vont de la planification urbaine aux télécommunications, en passant par la gestion des catastrophes. L'imagerie satellite offre plusieurs avantages sur l'imagerie aérienne classique, tels qu'un faible coût d'acquisition, une couverture mondiale et une bonne fréquence de passage au-dessus des sites visités. Elle impose toutefois un certain nombre de contraintes techniques. Les méthodes existantes ne permettent que la synthèse de DSM (Digital Surface Models), dont la précision est parfois inégale. Cette dissertation décrit une méthode entièrement automatique pour la production de modèles 3D compacts, précis et répondant à une sémantique particulière, à partir de deux images satellites en stéréo. Cette méthode repose sur deux grands concepts. D'une part, la description géométrique des objets et leur assimilation à des catégories génériques sont effectuées simultanément, conférant ainsi une certaine robustesse face aux occlusions partielles ainsi qu'à la faible qualité des images. D'autre part, la méthode opère à une échelle géométrique très basse, ce qui permet la préservation de la forme des objets, avec finalement, une plus grande efficacité et un meilleur passage à l'échelle. Pour générer des régions élémentaires, un algorithme de partitionnement de l'image en polygones convexes est présenté. / Automatic city modeling from satellite imagery is one of the biggest challenges in urban reconstruction. The ultimate goal is to produce compact and accurate 3D city models that benefit many application fields such as urban planning, telecommunications and disaster management. Compared with aerial acquisition, satellite imagery provides appealing advantages such as low acquisition cost, worldwide coverage and high collection frequency. However, satellite context also imposes a set of technical constraints as a lower pixel resolution and a wider that challenge 3D city reconstruction. In this PhD thesis, we present a set of methodological tools for generating compact, semantically-aware and geometrically accurate 3D city models from stereo pairs of satellite images. The proposed pipeline relies on two key ingredients. First, geometry and semantics are retrieved simultaneously providing robust handling of occlusion areas and low image quality. Second, it operates at the scale of geometric atomic regions which allows the shape of urban objects to be well preserved, with a gain in scalability and efficiency. Images are first decomposed into convex polygons that capture geometric details via Voronoi diagram. Semantic classes, elevations, and 3D geometric shapes are then retrieved in a joint classification and reconstruction process operating on polygons. Experimental results on various cities around the world show the robustness, scalability and efficiency of the proposed approach.

Cellular network traffic prediction is a critical challenge for communication providers, which is important for use cases such as traffic steering and base station resources management. Traditional prediction methods mostly rely on historical time-series data to predict traffic load, which often fail to model the real world and capture surrounding environment conditions. In this work, we propose a multi-modal deep learning model for 4G/5G Cellular Network Traffic prediction by considering external data sources such as satellite imagery and weather data. Specifically, our proposed model consists of three components (1) temporal component (modeling correlations between traffic load values with historical data points via LSTM) (2) computer vision component (using embeddings to capture correlations between geographic regions that share similar landscape patterns using satellite imagery data and state of the art CNN models), and (3) weather component (modeling correlations between weather measurements and traffic patterns). Furthermore, we study the effects and limitations of using such contextual datasets on time series learning process. Our experiments show that such hybrid models do not always lead to better performance, and LSTM model is capable of modeling complex sequential interactions. However, there is a potential for classifying or labelling regions by their urban landscape and the network traffic. / Förutsägelse av mobilnätstrafik är en kritisk utmaning för kommunikation leverantörer, där användningsområden inkluderar trafikstyrning och hantering av basstationsresurser. Traditionella förutsägelsesmetoder förlitar sig främst på historisk tidsseriedata för att förutsäga trafikbelastning, detta misslyckas ofta med att modellera den verkliga världen och fånga omgivande miljö. Det här arbetet föreslår en multimodal modell med djupinlärning förutsägelse av 4G/5G nätverkstrafik genom att beakta externa datakällor som satellitbilder och väderdata. Specifikt består vår föreslagna modell av tre komponenter (1) temporal komponent (korrelationsmodellering mellan trafikbelastningsvärden med historiska datapunkter via LSTM) (2) datorseende komponent (med inbäddningar för att fånga korrelationer mellan geografiska regioner som delar liknande landskapsmönster med hjälp av satelitbilddata och state-of-the-art CNN modeller), och (3) väderkomponent (modellerande korrelationer mellan vädermätningar och trafikmönster). Dessutom studerar vi effekterna och begränsningarna av att använda sådana kontextuella datamängder på tidsserieinlärningsprocessen. Våra experiment visar att hybridmodeller inte alltid leder till bättre prestanda och att LSTM-modellen är kapabel att modellera komplexa sekventiella interaktioner. Det finns dock en potential att klassificera eller märka regioner efter deras stadslandskap och nättrafiken. / La prévision du trafic sur les réseaux cellulaires est un défi crucial pour les fournisseurs de communication, ce qui est important pour les cas d’utilisation tels que la direction du trafic et la gestion des ressources des stations de base. Les méthodes de prédiction traditionnelles reposent principalement sur des données historiques de séries chronologiques pour prédire la charge de trafic, qui échouent souvent à modéliser le monde réel et à capturer les conditions de l’environnement environnant. Dans ce travail, nous proposons un modèle d’apprentissage profond multimodal pour la prédiction du trafic des réseaux cellulaires 4G/5G en considérant des sources de données externes telles que l’imagerie satellitaire et les données météorologiques. Plus précisément, notre modèle proposé se compose de trois composants (1) composant temporel (modélisation des corrélations entre les valeurs de charge de trafic avec des points de données historiques via LSTM) (2) composant de vision par ordinateur (utilisant des incorporations pour capturer les corrélations entre les régions géographiques qui partagent des modèles de paysage similaires à l’aide de données d’imagerie satellitaire et de modèles CNN de pointe) et (3) composante météorologique (modélisation des corrélations entre les mesures météorologiques et les modèles de trafic). De plus, nous étudions les effets et les limites de l’utilisation de tels ensembles de données contextuelles sur le processus d’apprentissage des séries chronologiques. Nos expériences montrent que de tels modèles hybrides ne conduisent pas toujours à de meilleures performances, et le modèle LSTM est capable de modéliser des interactions séquentielles complexes. Cependant, il est possible de classer ou d’étiqueter les régions en fonction de leur paysage urbain et du trafic du réseau.