No description available.

No description available.

SAAB has developed an autonomous underwater vehicle that can mimic a conventional submarine for military fleets to exercise anti-submarine warfare. The AUV actively emits amplified versions of received sonar pulses to create the illusion of being a larger object. To prevent acoustic feedback, the AUV must distinguish between the sound to be actively responded to and its emitted signal. This master thesis has examined techniques aimed at preventing the AUV from responding to previously emitted signals to avoid acoustical feedback, without relying on prior knowledge of either the received signal or the signal emitted by the AUV. The two primary types of algorithms explored for this problem include blind source separation and adaptive filtering. The adaptive filters based on Leaky Least Mean Square and Kalman have shown promising results in attenuating the active response from the received signal. The adaptive filters utilize the fact that a certain hydrophone primarily receives the active response. This hydrophone serves as an estimate of the active response since the signal it captures is considered unknown and is to be removed. The techniques based on blind source separation have utilized the recordings of three hydrophones placed at various locations of the AUV to separate and estimate the received signal from the one emitted by the AUV. The results have demonstrated that neither of the reviewed methods is suitable for implementation on the AUV. The hydrophones are situated at a considerable distance from each other, resulting in distinct time delays between the reception of the two signals. This is usually referred to as a convolutive mixture. This is commonly solved using the frequency domain to transform the convolutive mixture to an instantaneous mixture. However, the fact that the signals share the same frequency spectrum and are adjacent in time has proven highly challenging.

Grasländer sind wichtige Elemente der zentraleuropäischen Landschaft und stellen essenzielle Ökosystemdienstleistungen bereit. Dürren, welche durch den globalen Klimawandel zunehmen, haben negative Auswirkungen auf die Vitalität und Produktivität von Grasland. Satellitenmissionen wie Sentinel-2 und Landsat liefern große, bisher ungenutzte Möglichkeiten für das Grasland Monitoring. Ansätze auf Basis quantitativer Parameter, z.B. Prozentanteile von photosynthetisch aktiver Vegetation (PV), nicht photosynthetisch aktiver Vegetation (NPV) und Boden sind bisher für die Anwendung in zentraleuropäischen Grasländern nicht erforscht. Das Ziel der Arbeit war es, das Verständnis von Dürreeinflüssen auf zentraleuropäische Grasländer durch die Entwicklung eines fernerkundungsbasierten Monitoring Frameworks zu verbessern. Der erste Teil dieses Frameworks umfasste die Ableitung konsistenter Zeitreihen von PV-, NPV-, und Bodenanteilen. Der zweite Teil umfasste die Quantifizierung von Dürreeffekten anhand dieser Zeitreihen. Die Ergebnisse zeigten einen großflächigen, massiven und langanhaltenden Rückgang von Graslandvitalität in extremen Dürrejahren (z.B. 2003, 2018-2020). Robuste statistische Zusammenhänge bestätigten die starke Kopplung von Graslandvitalität und Dürre, insbesondere bei gleichzeitigen Hitzewellen. Zudem beeinflussten Bodeneigenschaften sowie klimatische und hydrologische Bedingungen die Dürresensitivität. Die Ergebnisse unterstreichen den Wert von generalisierten Entmischungsansätzen basierend auf Sentinel-2/Landsat Zeitreihen für großflächiges, quantitatives Monitoring von Grasland. Die Ergebnisse deuten darauf hin, dass durch den Klimawandel verstärkte Dürreereignisse in Zukunft erheblichen Einfluss auf die Vitalität von Grasländern in Zentraleuropa haben werden. Die hier gewonnenen Informationen liefern wichtige Beiträge zur Verbesserung von Dürremonitoring und können die Maßnahmenentwicklung zur Verringerung von Dürreschäden im Grasland unterstützen. / Grasslands are vital landscape elements in Central Europe providing essential ecosystem services. Drought events, which are increasing with global climate change, negatively affect grassland vitality and productivity. Satellite remote sensing missions such as Sentinel-2/Landsat offer untapped potential for monitoring grassland vitality. However, workflows for grassland monitoring based on fractional cover of photosynthetic vegetation (PV), non-photosynthetic vegetation (NPV), and soil, remain largely unexplored. The goal of this thesis was to advance the understanding of drought impacts on Central European grasslands by developing a framework for monitoring grassland vitality. The framework included the retrieval of consistent PV, NPV, and soil fractional cover time series from Landsat/Sentinel-2, which was achieved by implementing and generalizing an unmixing workflow. Second, drought impacts were quantified and evaluated based on fractional cover time series. Results showed large-scale, severe, and long-lasting negative impacts on grassland vitality in extreme drought years (e.g., in 2003, and 2018-2020). Robust statistical links confirmed the overall consistent coupling of grassland vitality to drought, specifically to compounding droughts and heatwaves. Spatiotemporal patterns of grassland drought sensitivity revealed that underlying factors such as soil features, and climatic and hydrological conditions modulate drought impacts on local to regional scales. Findings of this thesis emphasize the value of generalized unmixing workflows based on Sentinel-2/Landsat time series for quantitative grassland monitoring across large areas. Furthermore, results suggest that droughts amplified by climate change will pose substantial challenges for grassland vitality across Central European grasslands in the future. The findings provide a steppingstone towards improved drought monitoring and can thus inform adaptation efforts to alleviate drought impacts on grasslands.

Le démélange spectral est l’un des problèmes centraux pour l’exploitation des images hyperspectrales. En raison de la faible résolution spatiale des imageurs hyperspectraux en télédetection, la surface représentée par un pixel peut contenir plusieurs matériaux. Dans ce contexte, le démélange consiste à estimer les spectres purs (les end members) ainsi que leurs fractions (les abondances) pour chaque pixel de l’image. Le but de cette thèse estde proposer de nouveaux algorithmes de démélange qui visent à améliorer l’estimation des spectres purs et des abondances. En particulier, les algorithmes de démélange proposés s’inscrivent dans le cadre du démélange non-supervisé et non-linéaire. Dans un premier temps, on propose un algorithme de démelange non-supervisé dans lequel une régularisation favorisant la parcimonie des groupes est utilisée pour identifier les spectres purs parmi les observations. Une extension de ce premier algorithme permet de prendre en compte la présence du bruit parmi les observations choisies comme étant les plus pures. Dans un second temps, les connaissances a priori des ressemblances entre les spectres à l’échelle localeet non-locale ainsi que leurs positions dans l’image sont exploitées pour construire un graphe adapté à l’image. Ce graphe est ensuite incorporé dans le problème de démélange non supervisé par le biais d’une régularisation basée sur le Laplacian du graphe. Enfin, deux algorithmes de démélange non-linéaires sont proposés dans le cas supervisé. Les modèles de mélanges non-linéaires correspondants incorporent des fonctions à valeurs vectorielles appartenant à un espace de Hilbert à noyaux reproduisants. L’intérêt de ces fonctions par rapport aux fonctions à valeurs scalaires est qu’elles permettent d’incorporer un a priori sur la ressemblance entre les différentes fonctions. En particulier, un a priori spectral, dans un premier temps, et un a priori spatial, dans un second temps, sont incorporés pour améliorer la caractérisation du mélange non-linéaire. La validation expérimentale des modèles et des algorithmes proposés sur des données synthétiques et réelles montre une amélioration des performances par rapport aux méthodes de l’état de l’art. Cette amélioration se traduit par une meilleure erreur de reconstruction des données / Spectral unmixing has been an active field of research since the earliest days of hyperspectralremote sensing. It is concerned with the case where various materials are found inthe spatial extent of a pixel, resulting in a spectrum that is a mixture of the signatures ofthose materials. Unmixing then reduces to estimating the pure spectral signatures and theircorresponding proportions in every pixel. In the hyperspectral unmixing jargon, the puresignatures are known as the endmembers and their proportions as the abundances. Thisthesis focuses on spectral unmixing of remotely sensed hyperspectral data. In particular,it is aimed at improving the accuracy of the extraction of compositional information fromhyperspectral data. This is done through the development of new unmixing techniques intwo main contexts, namely in the unsupervised and nonlinear case. In particular, we proposea new technique for blind unmixing, we incorporate spatial information in (linear and nonlinear)unmixing, and we finally propose a new nonlinear mixing model. More precisely, first,an unsupervised unmixing approach based on collaborative sparse regularization is proposedwhere the library of endmembers candidates is built from the observations themselves. Thisapproach is then extended in order to take into account the presence of noise among theendmembers candidates. Second, within the unsupervised unmixing framework, two graphbasedregularizations are used in order to incorporate prior local and nonlocal contextualinformation. Next, within a supervised nonlinear unmixing framework, a new nonlinearmixing model based on vector-valued functions in reproducing kernel Hilbert space (RKHS)is proposed. The aforementioned model allows to consider different nonlinear functions atdifferent bands, regularize the discrepancies between these functions, and account for neighboringnonlinear contributions. Finally, the vector-valued kernel framework is used in orderto promote spatial smoothness of the nonlinear part in a kernel-based nonlinear mixingmodel. Simulations on synthetic and real data show the effectiveness of all the proposedtechniques

Une image hyperspectrale est un cube de données 3D dont chaque pixel fournit des informations spectrales locales sur un grand nombre de bandes contiguës sur une scène d'intérêt. Les images observées peuvent subir une dégradation due à l'instrument de mesure, avec pour conséquence l'apparition d'un flou sur les images qui se modélise par une opération de convolution. La déconvolution d'image hyperspectrale (HID) consiste à enlever le flou pour améliorer au mieux la résolution spatiale des images. Un critère de HID du type Tikhonov avec contrainte de non-négativité est proposé dans la thèse de Simon Henrot. Cette méthode considère les termes de régularisations spatiale et spectrale dont la force est contrôlée par deux paramètres de régularisation. La première partie de cette thèse propose le critère de courbure maximale MCC et le critère de distance minimum MDC pour estimer automatiquement ces paramètres de régularisation en formulant le problème de déconvolution comme un problème d'optimisation multi-objectif. La seconde partie de cette thèse propose l'algorithme de LMS avec un bloc lisant régularisé (SBR-LMS) pour la déconvolution en ligne des images hyperspectrales fournies par les systèmes de whiskbroom et pushbroom. L'algorithme proposé prend en compte la non-causalité du noyau de convolution et inclut des termes de régularisation non quadratiques tout en maintenant une complexité linéaire compatible avec le traitement en temps réel dans les applications industrielles. La troisième partie de cette thèse propose des méthodes de séparation-déconvolution conjointes basés sur le critère de Tikhonov en contextes hors-ligne ou en-ligne. L'ajout d'une contrainte de non-négativité permet d’améliorer leurs performances / A hyperspectral image is a 3D data cube in which every pixel provides local spectral information about a scene of interest across a large number of contiguous bands. The observed images may suffer from degradation due to the measuring device, resulting in a convolution or blurring of the images. Hyperspectral image deconvolution (HID) consists in removing the blurring to improve the spatial resolution of images at best. A Tikhonov-like HID criterion with non-negativity constraint is considered here. This method considers separable spatial and spectral regularization terms whose strength are controlled by two regularization parameters. First part of this thesis proposes the maximum curvature criterion MCC and the minimum distance criterion MDC to automatically estimate these regularization parameters by formulating the deconvolution problem as a multi-objective optimization problem. The second part of this thesis proposes the sliding block regularized (SBR-LMS) algorithm for the online deconvolution of hypserspectral images as provided by whiskbroom and pushbroom scanning systems. The proposed algorithm accounts for the convolution kernel non-causality and including non-quadratic regularization terms while maintaining a linear complexity compatible with real-time processing in industrial applications. The third part of this thesis proposes joint unmixing-deconvolution methods based on the Tikhonov criterion in both offline and online contexts. The non-negativity constraint is added to improve their performances

La finesse de la résolution spectrale et spatiale des images hyperspectrales en font des données de très grande dimension. C'est également le cas d'autres types de données, où leur taille tend à augmenter pour de plus en plus d'applications. La complexité des données provenant de l'hétérogénéité spectrale et spatiale, de la non gaussianité du bruit et des processus physiques sous-jacents, renforcent la richesse des informations présentes sur une image hyperspectrale. Exploiter ces informations demande alors des outils statistiques adaptés aux grandes données mais aussi à leur nature non gaussienne. Des méthodes reposant sur la théorie des matrices aléatoires, théorie adaptée aux données de grande dimension, et reposant sur la robustesse, adaptée aux données non gaussiennes, sont ainsi proposées dans cette thèse, pour des applications à l'imagerie hyperspectrale. Cette thèse propose d'améliorer deux aspects du traitement des images hyperspectrales : l'estimation du nombre d'endmembers ou de l'ordre du modèle et le problème du démélange spectral. En ce qui concerne l'estimation du nombre d'endmembers, trois nouveaux algorithmes adaptés au modèle choisi sont proposés, le dernier présentant de meilleures performances que les deux autres, en raison de sa plus grande robustesse.Une application au domaine de la finance est également proposée. Pour le démélange spectral, trois méthodes sont proposées, qui tiennent comptent des diff érentes particularités possibles des images hyperspectrales. Cette thèse a permis de montrer que la théorie des matrices aléatoires présente un grand intérêt pour le traitement des images hyperspectrales. Les méthodes développées peuvent également s'appliquer à d'autres domaines nécessitant le traitement de données de grandes dimensions. / Hyperspectral imaging generates large data due to the spectral and spatial high resolution, as it is the case for more and more other kinds of applications. For hyperspectral imaging, the data complexity comes from the spectral and spatial heterogeneity, the non-gaussianity of the noise and other physical processes. Nevertheless, this complexity enhances the wealth of collected informations, that need to be processed with adapted methods. Random matrix theory and robust processes are here suggested for hyperspectral imaging application: the random matrix theory is adapted to large data and the robustness enables to better take into account the non-gaussianity of the data. This thesis aims to enhance the model order selection on a hyperspectral image and the unmixing problem. As the model order selection is concerned, three new algorithms are developped, and the last one, more robust, gives better performances. One financial application is also presented. As for the unmixing problem, three methods that take into account the peculierities of hyperspectral imaging are suggested. The random matrix theory is of great interest for hyperspectral image processing, as demonstrated in this thesis. Differents methods developped here can be applied to other field of signal processing requiring the processing of large data.

Au cours de cette thèse, nous nous sommes intéressés à deux principales problématiques de la télédétection spatiale de milieux urbains qui sont : le "démélange spectral " et la "fusion". Dans la première partie de la thèse, nous avons étudié le démélange spectral d'images hyperspectrales de scènes de milieux urbains. Les méthodes développées ont pour objectif d'extraire, d'une manière non-supervisée, les spectres des matériaux présents dans la scène imagée. Le plus souvent, les méthodes de démélange spectral (méthodes dites de séparation aveugle de sources) sont basées sur le modèle de mélange linéaire. Cependant, lorsque nous sommes en présence de paysage non-plat, comme c'est le cas en milieu urbain, le modèle de mélange linéaire n'est plus valide et doit être remplacé par un modèle de mélange non-linéaire. Ce modèle non-linéaire peut être réduit à un modèle de mélange linéaire-quadratique/bilinéaire. Les méthodes de démélange spectral proposées sont basées sur la factorisation matricielle avec contrainte de non-négativité, et elles sont conçues pour le cas particulier de scènes urbaines. Les méthodes proposées donnent généralement de meilleures performances que les méthodes testées de la littérature. La seconde partie de cette thèse à été consacrée à la mise en place de méthodes qui permettent la fusion des images multispectrale et hyperspectrale, afin d'améliorer la résolution spatiale de l'image hyperspectrale. Cette fusion consiste à combiner la résolution spatiale élevée des images multispectrales et la haute résolution spectrale des images hyperspectrales. Les méthodes mises en place sont des méthodes conçues pour le cas particulier de fusion de données de télédétection de milieux urbains. Ces méthodes sont basées sur des techniques de démélange spectral linéaire-quadratique et utilisent la factorisation en matrices non-négatives. Les résultats obtenus montrent que les méthodes développées donnent globalement des performances satisfaisantes pour la fusion des données hyperspectrale et multispectrale. Ils prouvent également que ces méthodes surpassent significativement les approches testées de la littérature. / In this thesis, we focused on two main problems of the spatial remote sensing of urban environments which are: "spectral unmixing" and "fusion". In the first part of the thesis, we are interested in the spectral unmixing of hyperspectral images of urban scenes. The developed methods are designed to unsupervisely extract the spectra of materials contained in an imaged scene. Most often, spectral unmixing methods (methods known as blind source separation) are based on the linear mixing model. However, when facing non-flat landscape, as in the case of urban areas, the linear mixing model is not valid any more, and must be replaced by a nonlinear mixing model. This nonlinear model can be reduced to a linear-quadratic/bilinear mixing model. The proposed spectral unmixing methods are based on matrix factorization with non-negativity constraint, and are designed for urban scenes. The proposed methods generally give better performance than the tested literature methods. The second part of this thesis is devoted to the implementation of methods that allow the fusion of multispectral and hyperspectral images, in order to improve the spatial resolution of the hyperspectral image. This fusion consists in combining the high spatial resolution of multispectral images and high spectral resolution of hyperspectral images. The implemented methods are designed for urban remote sensing data. These methods are based on linear-quadratic spectral unmixing techniques and use the non-negative matrix factorization. The obtained results show that the developed methods give good performance for hyperspectral and multispectral data fusion. They also show that these methods significantly outperform the tested literature approaches.

We propose a hypothesis and a numerical model for the formation of branching plagioclase textures visible at both macroscopic (∼cm to ∼m) and microscopic scale within melagabbro of the Isle of Rum, Scotland, based on macroscopic, microscopic observations and relevant geological history. The plagioclase crystals are typically linked as twins and form meshes of planar stellate structures (m-scale) with a large range in geometrical organization from patchy to radiating. Evidence of macroscopic crystal aggregation and alignment is attributed to interfacial free energy minimization at the microscopic scale during growth. Accordingly, a binary immiscible Lattice Boltzmann model was developed to simulate diffusion of simplified plagioclase in the melt phase. Isothermal phase transitions modelled via first order chemical reactions are subsequently coupled with stochastic dynamics at the crystal growth front to simulate energy minimization processes including twinning during crystallization in an igneous environment. The solid phase and the liquid phase are coupled with a temporal flexibility that sets the overall ratio between the rate of diffusion and chemical enrichment in the liquid state and the rate of crystallization. The parameter space of the model is explored extensively, followed by a reasonable transcription of physical parameters and an estimation of other parameters to construct realistic simulation scenarios yielding synthetic plagioclase stellates. The results are presented, analyzed and discussed. They appear to be in reasonable qualitative agreement with observations, and several aspects of the natural stellates such as the stellate spacing and long continuous stretches of plagioclase with epitaxial junctions seem to be in reasonable quantitative agreement with observations.

We propose a hypothesis and a numerical model for the formation of branching plagioclase textures visible at both macroscopic (∼cm to ∼m) and microscopic scale within melagabbro of the Isle of Rum, Scotland, based on macroscopic, microscopic observations and relevant geological history. The plagioclase crystals are typically linked as twins and form meshes of planar stellate structures (m-scale) with a large range in geometrical organization from patchy to radiating. Evidence of macroscopic crystal aggregation and alignment is attributed to interfacial free energy minimization at the microscopic scale during growth. Accordingly, a binary immiscible Lattice Boltzmann model was developed to simulate diffusion of simplified plagioclase in the melt phase. Isothermal phase transitions modelled via first order chemical reactions are subsequently coupled with stochastic dynamics at the crystal growth front to simulate energy minimization processes including twinning during crystallization in an igneous environment. The solid phase and the liquid phase are coupled with a temporal flexibility that sets the overall ratio between the rate of diffusion and chemical enrichment in the liquid state and the rate of crystallization. The parameter space of the model is explored extensively, followed by a reasonable transcription of physical parameters and an estimation of other parameters to construct realistic simulation scenarios yielding synthetic plagioclase stellates. The results are presented, analyzed and discussed. They appear to be in reasonable qualitative agreement with observations, and several aspects of the natural stellates such as the stellate spacing and long continuous stretches of plagioclase with epitaxial junctions seem to be in reasonable quantitative agreement with observations.