Ce travail s'insère dans un projet global de modélisation de scènes urbaines à partir d'images satellitaires très haute résolution. Le projet a été proposé dans le cadre d'une collaboration entre l'IGN et le CNES et l'université de Paris 5. L'objectif final du projet sera de fournir un système automatique permettant de classifier la scène en deux thèmes ; bâti et routes et de reconstruire les bâtiments en 3D. Dans le cadre de cette thèse, on s'intéresse uniquement à la modélisation des bâtiments. <br />On dispose en entrée de couples stéréoscopiques panchromatiques à [50-70 cm] de résolution et de faible rapport Base sur Hauteur B/H [0.05-0.2]. On exclut la multiscopie.<br />Étant donnée la complexité d'une extraction fine et détaillée des toits en contexte satellitaire, on propose de modéliser la scène urbaine par une surface 3D hybride fournissant différents niveaux de description en fonction de la fiabilité des primitives extraites : points 3D, segments 3D et surfaces planes. <br />Une stratégie mixte a été adoptée. Tout d'abord, une stratégie ascendante basée sur les images permet d'extraire les primitives 3D (segments 3D et facettes 3D). Deux stratégies complémentaires d'extractions de primitives seront détaillées. Une description multi-échelles est utilisée pour la segmentation des images. Notre apport consiste essentiellement dans l'appariement global de deux segmentations multi-échelles du couple stéréoscopique.<br /><br />L'ensemble des primitives sera validé par une approche descendante et permettra de contraindre la modélisation de la surface 3D.<br />Le problème de modélisation de surface 3D peut être formulé comme un problème de minimisation d'énergie. Il sera résolu par optimisation à base de flots de graphes, contrainte par les primitives 3D. Le graphe 3D hybride sera construit à partir d'un volume de corrélation sur la scène 3D et des primitives 3D extraites. La surface finale est obtenue par recherche de la coupe de capacité minimale dans ce graphe 3D.<br /> La majeure contribution de notre approche consiste à utiliser des primitives 3D extraites et des données externes telles que le réseau routier ou les plans cadastraux pour contraindre le problème d'optimisation et modéliser de manière explicite les occultations et les discontinuités.<br />Le produit final, sera un Modèle Numérique d'Élévation hybride « raster/vecteur », permettant d'exploiter à chaque endroit de la scène, les primitives du niveau le plus élevé que l'on a pu reconstruire de manière fiable.<br /><br />Mots-clés : images satellitaires haute résolution, stéréoscopie, Modèle Numérique d'Élévation, primitives 3D, mise en correspondance de régions, appariement multi-échelles, optimisation à base de flots de graphes.

Cette thèse aborde le problème de l´introduction d´une connaissance a priori sur la géométrie de l´objet à détecter dans le cadre général de la reconnaissance de formes dans une image. L´application choisie pour illustrer ce problème est la détection de réseaux de linéiques dans des images satellitaires et aériennes. Nous nous placons dans le cadre des contours actifs et nous introduisons une nouvelle classe de contours actifs d´ordre supérieur. Cette classe permet la création de nouveaux modèles rendant possible l´incorporation d´informations géométriques fortes définissant plutôt qu´une forme spécifique, une famille générale de formes. Nous étudions un cas particulier d´énergie quadratique qui favorise des structures à plusieurs bras de largeur à peu près constante et connectés entre eux. L´énergie étudiée ainsi que des termes linéaires de longueur et d´aire sont utilisés comme termes d´a priori pour les modèles d´extraction de linéiques que nous proposons. Plusieurs termes d´attache aux données sont proposés dont un terme quadratique permettant de lier la géométrie du contour et les propriétés de l´image. Un modèle d´extraction permettant de gérer les occultations est également présenté. Pour permettre la minimisation de l´énergie, nous développons un cadre méthodologique utilisant les courbes de niveau. Les forces non locales sont calculées sur le contour extrait avant d´être étendues sur tout le domaine considéré. Finalement, afin de résoudre certaines difficultés rencontrées avec les contours actifs standards ainsi que les nouveaux modèles, nous proposons d´utiliser des modèles de champs de phase pour modéliser les régions. Cette méthodologie offre une alternative avantageuse aux techniques classiques et nous définissons des modèles d´extraction de linéiques similaires aux contours actifs d´ordre supérieur dans ce cadre. La pertinence de tous les modèles proposés est illustrée sur des images satellitaires et aériennes réelles.

La reconnaissance de la couverture des sols à partir de classifications automatiques est l'une des recherches méthodologiques importantes en télédétection. Par ailleurs, l'obtention de résultats fidèles aux attentes des utilisateurs nécessite d'aborder la classification d'un point de vue sémantique. Cette thèse s'inscrit dans ce contexte, et vise l'élaboration de méthodes automatiques capables d'apprendre des classes sémantiques définies par des experts de la production des cartes d'occupation du sol, et d'annoter automatiquement de nouvelles images à l'aide de cette classification. A partir des cartes issues de la classification CORINE Land Cover, et des images satellitaires multispectrales ayant contribué à la constitution de ces cartes, nous montrons tout d'abord que si les approches classiques de la littérature basées sur le pixel ou la région sont suffisantes pour identifier les classes homogènes d'occupation du sol telles que les champs, elles peinent cependant à retrouver les classes de haut-niveau sémantique, dites de mélange, parce qu'étant composées de différents types de couverture des terres. Pour détecter de telles classes complexes, nous représentons les images sous une forme particulière basée sur les régions ou objets. Cette représentation de l'image, dite en mots visuels, permet d'exploiter des outils de l'analyse de textes qui ont montré leur efficacité dans le domaine de la fouille de données textuelles et en classification d'images multimédia. A l'aide d'approches supervisées et non supervisées, nous exploitons d'une part, la notion de compositionnalité sémantique, en mettant en évidence l'importance des relations spatiales entre les mots visuels dans la détermination des classes de haut-niveau sémantique. D'autre part, nous proposons une méthode d'annotation utilisant un modèle d'analyse statistique de textes : l'Allocation Dirichlet Latente. Nous nous basons sur ce modèle de mélange, qui requiert une représentation de l'image dite en sacs-de-mots visuels, pour modéliser judicieusement les classes riches en sémantique. Les évaluations des approches proposées et des études comparatives menées avec les modèles gaussiens et dérivés, ainsi qu'avec le classificateur SVM, sont illustrées sur des images SPOT et QuickBird entre autres.

Les Séries Temporelles d'Images Satellitaires (STIS), visant la même scène en évolution, sont très intéressantes parce qu'elles acquièrent conjointement des informations temporelles et spatiales. L'extraction de ces informations pour aider les experts dans l'interprétation des données satellitaires devient une nécessité impérieuse. Dans ce mémoire, nous exposons comment on peut adapter l'extraction de motifs séquentiels fréquents à ce contexte spatio-temporel dans le but d'identifier des ensembles de pixels connexes qui partagent la même évolution temporelle. La démarche originale est basée sur la conjonction de la contrainte de support avec différentes contraintes de connexité qui peuvent filtrer ou élaguer l'espace de recherche pour obtenir efficacement des motifs séquentiels fréquents groupés (MSFG) avec signification pour l'utilisateur. La méthode d'extraction proposée est non supervisée et basée sur le niveau pixel. Pour vérifier la généricité du concept de MSFG et la capacité de la méthode proposée d'offrir des résultats intéressants à partir des SITS, sont réalisées des expérimentations sur des données réelles optiques et radar.

Cette thèse a été développée au sein du Projet Heliosat de l'Ecole Nationale Supérieure des Mines de Paris, avec pour objectifs : (i) la réalisation d'un système d'estimation du rayonnement solaire au sol à l'aide de données en provenance des satellites géostationnaires ; (ii) la production en routine de cartes du rayonnement solaire sur une maille très fine au sol ; (iii) l'amélioration du système en fonction des résultats et des progrès scientifiques. Nous avons amélioré le modèle original de Cano (1982) et complété sur la base des études théoriques suivantes : (i) la mise au point d'un modèle de calcul du rayonnement solaire journalier en moyenne mensuelle ; (ii) l'utilisation du système pour n'importe quelle localisation géographique située dans le champ de vision du capteur du satellite considéré ; (iii) l'étude des relations existant entre l'indice d'ennuagement et le coefficient de transmission globale de l'atmosphère ; (iv) la détermination des rayonnements solaires diffus et direct basée sur la seule connaissance de données satellitaires. Cette méthode a été testée sur 30 mois de données satellitaires (12 mois de 1983, 11 mois de 1984 et les 7 premiers mois de 1985), les erreurs de reconstitution des rayonnements solaires global et diffus en horaire instantané étant respectivement de 70 Wh/m2 et de 99 Wh/m2. Le rayonnement solaire global journalier mensuel est obtenu à 10 % près de la valeur mesurée au sol. Enfin nous avons mis en place un système opérationnel à base de micro-ordinateur couplé à une station de réception satellitaire et qui utilise la méthode développée pour fournir automatiquement une cartographie du rayonnement solaire au sol, ainsi que de l'albédo planétaire et de l'indice d'ennuagement.

L'étude des surfaces continentales est devenue ces dernières années un enjeu majeur à l'échelle mondiale pour la gestion et le suivi des territoires, notamment en matière de consommation des terres agricoles et d'étalement urbain. Dans ce contexte, les cartes d'occupation du sol caractérisant la couverture biophysique des terres émergées jouent un rôle essentiel pour la cartographie des surfaces continentales. La production de ces cartes sur de grandes étendues s'appuie sur des données satellitaires qui permettent de photographier les surfaces continentales fréquemment et à faible coût. Le lancement de nouvelles constellations satellitaires - Landsat-8 et Sentinel-2 - permet depuis quelques années l'acquisition de séries temporelles à hautes résolutions. Ces dernières sont utilisées dans des processus de classification supervisée afin de produire les cartes d'occupation du sol. L'arrivée de ces nouvelles données ouvre de nouvelles perspectives, mais questionne sur le choix des algorithmes de classification et des données à fournir en entrée du système de classification. Outre les données satellitaires, les algorithmes de classification supervisée utilisent des échantillons d'apprentissage pour définir leur règle de décision. Dans notre cas, ces échantillons sont étiquetés, \ie{} la classe associée à une occupation des sols est connue. Ainsi, la qualité de la carte d'occupation des sols est directement liée à la qualité des étiquettes des échantillons d'apprentissage. Or, la classification sur de grandes étendues nécessite un grand nombre d'échantillons, qui caractérise la diversité des paysages. Cependant, la collecte de données de référence est une tâche longue et fastidieuse. Ainsi, les échantillons d'apprentissage sont bien souvent extraits d'anciennes bases de données pour obtenir un nombre conséquent d'échantillons sur l'ensemble de la surface à cartographier. Cependant, l'utilisation de ces anciennes données pour classer des images satellitaires plus récentes conduit à la présence de nombreuses données mal étiquetées parmi les échantillons d'apprentissage. Malheureusement, l'utilisation de ces échantillons mal étiquetés dans le processus de classification peut engendrer des erreurs de classification, et donc une détérioration de la qualité de la carte produite. L'objectif général de la thèse vise à améliorer la classification des nouvelles séries temporelles d'images satellitaires à hautes résolutions. Le premier objectif consiste à déterminer la stabilité et la robustesse des méthodes de classification sur de grandes étendues. Plus particulièrement, les travaux portent sur l'analyse d'algorithmes de classification et la sensibilité de ces algorithmes vis-à-vis de leurs paramètres et des données en entrée du système de classification. De plus, la robustesse de ces algorithmes à la présence des données imparfaites est étudiée. Le second objectif s'intéresse aux erreurs présentes dans les données d'apprentissage, connues sous le nom de données mal étiquetées. Dans un premier temps, des méthodes de détection de données mal étiquetées sont proposées et étudiées. Dans un second temps, un cadre méthodologique est proposé afin de prendre en compte les données mal étiquetées dans le processus de classification. L'objectif est de réduire l'influence des données mal étiquetées sur les performances de l'algorithme de classification, et donc d'améliorer la carte d'occupation des sols produite. / Land surface monitoring is a key challenge for diverse applications such as environment, forestry, hydrology and geology. Such monitoring is particularly helpful for the management of territories and the prediction of climate trends. For this purpose, mapping approaches that employ satellite-based Earth Observations at different spatial and temporal scales are used to obtain the land surface characteristics. More precisely, supervised classification algorithms that exploit satellite data present many advantages compared to other mapping methods. In addition, the recent launches of new satellite constellations - Landsat-8 and Sentinel-2 - enable the acquisition of satellite image time series at high spatial and spectral resolutions, that are of great interest to describe vegetation land cover. These satellite data open new perspectives, but also interrogate the choice of classification algorithms and the choice of input data. In addition, learning classification algorithms over large areas require a substantial number of instances per land cover class describing landscape variability. Accordingly, training data can be extracted from existing maps or specific existing databases, such as crop parcel farmer's declaration or government databases. When using these databases, the main drawbacks are the lack of accuracy and update problems due to a long production time. Unfortunately, the use of these imperfect training data lead to the presence of mislabeled training instance that may impact the classification performance, and so the quality of the produced land cover map. Taking into account the above challenges, this Ph.D. work aims at improving the classification of new satellite image time series at high resolutions. The work has been divided into two main parts. The first Ph.D. goal consists in studying different classification systems by evaluating two classification algorithms with several input datasets. In addition, the stability and the robustness of the classification methods are discussed. The second goal deals with the errors contained in the training data. Firstly, methods for the detection of mislabeled data are proposed and analyzed. Secondly, a filtering method is proposed to take into account the mislabeled data in the classification framework. The objective is to reduce the influence of mislabeled data on the classification performance, and thus to improve the produced land cover map.

Parmi les aléas naturels, les mouvements de terrain (MT) sont probablement les plus nuisibles à l'environnement naturel et humain, notamment dans les pays méditerranéens, incluant le Liban qui représente un bon cas d'étude de région montagneuse. Ce phénomène n'a pas été étudié à l'échelle régionale bien qu'il affecte de vastes zones dans ce pays, et les cartes d'aléa manquent encore. La recherche présentée ici est consacrée à l'utilisation des techniques de télédétection et des systèmes d'informations géographiques (SIG), pour l'étude des MT au Liban. La première partie passe en revue les connaissances existantes sur le thème des mouvements de terrain (MT), plus spécifiquement dans la région méditerranéenne, et définit les lacunes de recherche. Elle expose les divers types existants de MT, leurs magnitudes, les agents causatifs, et leurs effets. Elle clarifie la terminologie utilisée pour les MT (aléa, susceptibilité, risque, etc.), et compare les méthodes les plus utilisées pour la cartographie de l'aléa/susceptibilité aux MT. Elle présente aussi un état des avantages et problèmes de la télédétection et du SIG dans les études de mouvements de terrain, en insistant sur les voies possibles de recherche. La deuxième partie est consacrée à la description détaillée de la région d'étude qui couvre les versants méditerranéens du nord du Liban central. Les caractéristiques physiques/morphodynamiques et socio-économiques de cette région sont exposées, ainsi que les aléas naturels, les événements de MT, les impacts socio-économiques et les mesures de conservation. Toutes les études sur l'aléa MT au Liban sont revisitées. La région d'étude, s'étendant de la côte méditerranéenne jusqu'à 3000 m d'altitude, couvre à peu près 36 % de la superficie totale du Liban. Elle est représentative de la diversité géo-environnementale de ce pays en termes de géologie, sol, hydrographie, occupation du sol et climat. Elle se caractérise par des activités humaines problématiques (par exemple une expansion urbaine chaotique, la recharge artificielle des eaux souterraines, un surpâturage, des incendies de forêt), accroissant la dégradation de l'environnement et induisant les MT, avec un contrôle gouvernemental minime. La troisième compare l'efficacité de différents capteurs satellitaires à résolutions variées (Landsat TM, IRS, SPOT4) et diverses techniques de traitement d'image (composition colorée, fusion, analyse en composantes principales ACP, vision stéréoscopique) pour la détection visuelle des mouvements de terrain classés en glissements, éboulements de blocs rocheux et de débris, et coulées de boue. Les résultats ont été validés sur le terrain et en analysant des images IKONOS (1 m) acquises en certaines localités menacées par des MT sur de longues périodes. Ensuite, les niveaux de précision de la détection des MT à partir des images satellitaires ont été calculés. Cette étude a montré que l'anaglyphe produit à partir des images panchromatiques stéréo SPOT4 reste l'outil le plus efficace grâce aux caractéristiques 3D jouant un rôle essentiel dans l'interprétation visuelle et montrant un niveau de précision (pourcentage des MT détectés et vérifiés sur le terrain) maximal de 69 %. De plus, l'image de fusion Landsat TM-IRS, calculée par ACP, fournit des résultats de détection des MT meilleurs que les autres techniques, avec un niveau de précision de 62 %. Les erreurs d'interprétation fluctuent non seulement en fonction de la technique de traitement utilisée, mais aussi en fonction des types de MT. Elles sont minimes quand l'anaglyphe (3D) SPOT4 est pris en considération, variant de 31 % (glissements), 36 % (éboulements de blocs rocheux et de débris) à 46 % dans le cas des coulées de boue. La quatrième partie explore les relations entre l'occurrence de MT et les paramètres du terrain. Ces paramètres sont: 1- les facteurs de prédisposition, comme l'altitude, la pente en gradient, l'aspect de pente, la courbure de pente, la lithologie, la proximité aux failles, le type de karst, la distance aux carrières, le type de sol, la distance aux réseaux de drainage, la distance aux sources, l'occupation/utilisation du sol et la proximité aux routes, et 2- les facteurs déclenchants, comme la quantité de pluies, les événements sismiques, les inondations et les incendies de forêt, qui ont été corrélés avec les MT en utilisant les approches SIG. Cette étude montre, en se basant sur les corrélations statistiques bi-variées satellitaires et SIG (corrélation Kendal Tau-b), que la lithologie est ce qui influence le plus l'occurrence des MT, puisqu'elle a la corrélation la plus élevée avec les autres paramètres (7 fois corrélée à un niveau de signification de 1 %, et 3 fois à 5 %). Elle montre aussi que les corrélations statistiques entre ces paramètres et les mouvements de terrain existent suivant l'ordre d'importance décroissant suivant : type de sol/distance aux sources (agissant de manière similaire sur l'occurrence des MT), karst/distance aux carrières/occupation/utilisation du sol, proximité aux failles, gradient de pente/proximité aux routes/inondations, événements sismiques, altitude/aspect de pente/incendies de forêt. Ces corrélations sont vérifiées sur le terrain et expliquées en utilisant des corrélations statistiques uni-variées. Par conséquent, elles peuvent être extrapolées à d'autres pays méditerranéens caractérisés par des conditions géoenvironnementales similaires. La cinquième partie propose une méthode mathématique décisionnelle (méthode analytique bi-univariée d'évaluation ou "Valuing Analytical Bi-Univariate (VABU)") qui considère deux niveaux de pondération pour la cartographie de l'aléa/susceptibilité des MT (échelle 1/50000) dans la région d'étude. La fiabilité de cette méthode est examinée sur le terrain et en la comparant avec d'autres méthodes statistiques - Valuing accumulation Area (VAA) (un seul niveau d'évaluation) and Information Value (InfoVal) (nécessitant des mesures détaillées des MT). Trois cartes de susceptibilité sont dérivées en utilisant les facteurs conditionnant l'occurrence des MT, tandis que les cartes d'aléa sont produites à partir des facteurs déclenchants. Les valeurs de coïncidence de superposition des cartes de susceptibilité sont de 47,5 % (VABU/VAA), 54 % (VABU/InfoVal) et 38% (VAA/InfoVal), respectivement. L'accord entre les cartes d'aléas montre des valeurs proches de celles des cartes de susceptibilité, variant entre 36,5 % (VAA/InfoVal), 39 % (VABU/VAA), et 44 % (VABU/InfoVal). La validation sur le terrain indique que la précision totale des cartes de susceptibilité produites varie entre 52,5% (méthode VAA), 67,5% (méthode InfoVal) et 77,5% (méthode VABU). Cela démontre l'efficacité de notre méthode qui peut être adoptée pour une cartographie prédictive de l'aléa et de la susceptibilité des MT dans d'autres régions au Liban, et peut être aussi aisément extrapolée en utilisant les capacités fonctionnelles du SIG. La sixième partie prédit la distribution géographique et le volume des blocs rocheux (m3) dans la région d'étude en utilisant la modélisation suivant un arbre décisionnel. Une telle cartographie est indisponible au Liban, mais aussi dans d'autres pays qui portent plutôt leur effort sur la recherche des glissements plutôt que les autres types de MT. Plusieurs modèles d'arbres décisionnels ont été développés en utilisant, (1) tous les paramètres de terrain, (2) les paramètres topographiques uniquement, (3) les paramètres géologiques, et en adoptant plusieurs techniques de traitement. Le meilleur arbre de régression combine tous les paramètres et explique 80 % de la variabilité dans les mesures des blocs rocheux sur le terrain. Le modèle construit en utilisant les quatre paramètres géologiques (lithologie, type de sol, proximité aux failles et type de karst) parait aussi intéressant car il classe 68 % des blocs rocheux tout en se référant à un petit nombre de données d'entrée (4 paramètres). La carte produite de 'prédiction quantitative des blocs rocheux' à l'échelle du 1/50 000 apparait extrêmement utile pour la décision, aidant à l'adoption des mesures de conservation afin de réduire l'occurrence de movements nuisibles de blocs rocheux. La septième partie s'intéresse à la surveillance de l'activité des MT à travers l'intégration des données spatiales radar et des techniques GPS (Système de positionnement global). Les données radar ERS sont traitées en utilisant les techniques InSAR et des réflecteurs permanents. Cette analyse montre des difficultés pour la détection des MT. Cependant, elle est jusqu'à présent préliminaire, et un plan de travail futur prendra en considération d'autres traitements pour la détection des déplacements. D'un autre côté, une installation GPS a été effectuée dans la région de Hammana, un village libanais menacé par un grand glissement. Deux campagnes ont été rassemblées, mais les résultats manquent encore puisqu'il n'y a pas des données accumulées suffisantes. Plus d'observations sont nécessaires afin de construire une représentation compréhensive de la direction et de la vitesse du mouvement.

Gestion et protection de l'environnement et de l'atmosphère constituent un programme majeur pour le monde depuis un certain nombre d'années. La télédétection satellitaire peut fournir un outil essentiel dans la recherche de solutions pour le suivi de l'évolution et la protection de l'environnement. Tirant profit de la télédétection, cette thèse vise à l'exploitation des images du satellite Météosat pour la détection des nuages de poussière sur la zone sahélienne du continent africain. Les nuages de poussière sont de fines particules de sable et de poussière mises en suspension dans l'air par des vents de surface et qui peuvent être transportés sur de très longues distances. Nous utilisons ici certaines techniques de traitement d'images. Ainsi, dans une première démarche, une approche est constituée par la détermination des attributs de texture afin de segmenter l'image en trois zones : océan, continent, nuages d'eau. Ensuite, une technique de seuillage multimodal est appliquée afin de déterminer différentes zones sur le continent dont, plus particulièrement celle indiquant la présence des nuages de poussière. Enfin, nous appliquons une méthode de fusion de segmentations basée sur la théorie des ensembles flous. Les résultats obtenus par cette approche paraissent pertinents et présentent une bonne analogie des formes en comparaison avec les images IDDI, résultats d'une autre approche servant ici de référence.

Les Séries Temporelles d'Images Satellitaires (STIS), visant la même scène en évolution, sont très intéressantes parce qu'elles acquièrent conjointement des informations temporelles et spatiales. L'extraction de ces informations pour aider les experts dans l'interprétation des données satellitaires devient une nécessité impérieuse. Dans ce mémoire, nous exposons comment on peut adapter l'extraction de motifs séquentiels fréquents à ce contexte spatio-temporel dans le but d'identifier des ensembles de pixels connexes qui partagent la même évolution temporelle. La démarche originale est basée sur la conjonction de la contrainte de support avec différentes contraintes de connexité qui peuvent filtrer ou élaguer l'espace de recherche pour obtenir efficacement des motifs séquentiels fréquents groupés (MSFG) avec signification pour l'utilisateur. La méthode d'extraction proposée est non supervisée et basée sur le niveau pixel. Pour vérifier la généricité du concept de MSFG et la capacité de la méthode proposée d'offrir des résultats intéressants à partir des SITS, sont réalisées des expérimentations sur des données réelles optiques et radar. / The Satellite Image Time Series (SITS), aiming the same scene in evolution, are of high interest as they capture both spatial and temporal information. The extraction of this infor- mation to help the experts interpreting the satellite data becomes a stringent necessity. In this work, we expound how to adapt frequent sequential patterns extraction to this spatiotemporal context in order to identify sets of connected pixels sharing a same temporal evolution. The original approach is based on the conjunction of support constraint with different constraints based on pixel connectivity that can filter or prune the search space in order to efficiently ob- tain Grouped Frequent Sequential (GFS) patterns that are meaningful to the end user. The proposed extraction method is unsupervised and pixel level based. To verify the generality of GFS-pattern concept and the proposed method capability to offer interesting results from SITS, real data experiments on optical and radar data are presented.

Les moyens mis en œuvre pour surveiller la surface de la Terre, notamment les zones urbaines, en cas de catastrophes naturelles telles que les inondations ou les tremblements de terre, et pour évaluer l’impact de ces événements, jouent un rôle primordial du point de vue sociétal, économique et humain. Dans ce cadre, des méthodes de classification précises et efficaces sont des outils particulièrement importants pour aider à l’évaluation rapide et fiable des changements au sol et des dommages provoqués. Étant données l’énorme quantité et la variété des données Haute Résolution (HR) disponibles grâce aux missions satellitaires de dernière génération et de différents types, telles que Pléiades, COSMO-SkyMed ou RadarSat-2 la principale difficulté est de trouver un classifieur qui puisse prendre en compte des données multi-bande, multi-résolution, multi-date et éventuellement multi-capteur tout en gardant un temps de calcul acceptable. Les approches de classification multi-date/multi-capteur et multi-résolution sont fondées sur une modélisation statistique explicite. En fait, le modèle développé consiste en un classifieur bayésien supervisé qui combine un modèle statistique conditionnel par classe intégrant des informations pixel par pixel à la même résolution et un champ de Markov hiérarchique fusionnant l’information spatio-temporelle et multi-résolution, en se basant sur le critère des Modes Marginales a Posteriori (MPM en anglais), qui vise à affecter à chaque pixel l’étiquette optimale en maximisant récursivement la probabilité marginale a posteriori, étant donné l’ensemble des observations multi-temporelles ou multi-capteur / The capabilities to monitor the Earth's surface, notably in urban and built-up areas, for example in the framework of the protection from environmental disasters such as floods or earthquakes, play important roles in multiple social, economic, and human viewpoints. In this framework, accurate and time-efficient classification methods are important tools required to support the rapid and reliable assessment of ground changes and damages induced by a disaster, in particular when an extensive area has been affected. Given the substantial amount and variety of data available currently from last generation very-high resolution (VHR) satellite missions such as Pléiades, COSMO-SkyMed, or RadarSat-2, the main methodological difficulty is to develop classifiers that are powerful and flexible enough to utilize the benefits of multiband, multiresolution, multi-date, and possibly multi-sensor input imagery. With the proposed approaches, multi-date/multi-sensor and multi-resolution fusion are based on explicit statistical modeling. The method combines a joint statistical model of multi-sensor and multi-temporal images through hierarchical Markov random field (MRF) modeling, leading to statistical supervised classification approaches. We have developed novel hierarchical Markov random field models, based on the marginal posterior modes (MPM) criterion, that support information extraction from multi-temporal and/or multi-sensor information and allow the joint supervised classification of multiple images taken over the same area at different times, from different sensors, and/or at different spatial resolutions. The developed methods have been experimentally validated with complex optical multispectral (Pléiades), X-band SAR (COSMO-Skymed), and C-band SAR (RadarSat-2) imagery taken from the Haiti site