Détection de changements SAR : Modèle adaptable

Page 1 sur 14
DETECTION DES CHANGEMENTS BASEE SUR UN
MODELE ADAPTABLE DE SERIES TEMPORELLES
D'IMAGES SATELLITAIRES SAR
ESSOME DIM Justin1, BIDONG ESSOSSO Charles Hippolyte2, MBAMBA David3
Laboratoire d’Electronique Electrotechnique Automatisme et Télécommunications, Ecole Nationale Supérieure
Polytechnique de Douala
RESUME :
La détection des changements dans les séries temporelles d’images satellitaires SAR
repose sur des modèles adaptables permettant d’analyser les variations spatio-temporelles.
Cette approche est essentielle pour le suivi de l’évolution des surfaces terrestres, la gestion des
risques naturels et l’observation des dynamiques environnementales.
Un modèle adaptable de séries temporelles SAR utilise des techniques avancées de
traitement d’image et d’apprentissage automatique pour identifier les modifications
significatives dans les données radar. Ces méthodes incluent des tests statistiques sur les
matrices de covariance et des stratégies d’apprentissage supervisé et non supervisé2. Elles
permettent de détecter des changements multi dates, d’analyser les tendances et de prédire
l’évolution des phénomènes observés.
Les applications de cette technologie sont variées : cartographie des terres, suivi des
glaciers, surveillance des inondations et des activités volcaniques. Grâce à ces avancées, les
chercheurs et les décideurs disposent d’outils performants pour mieux comprendre et anticiper
les transformations du paysage terrestre.
MOTS CLES :
Détection des changements, Séries temporelles, Images satellitaires, SAR (Synthetic
Aperture Radar), Modèle adaptable

Page 2 sur 14
I. Introducon
Cette étude vise à contribuer à l'avancement des
méthodes de détection des changements en utilisant
les images SAR, tout en fournissant des outils
pratiques pour diverses applications dans le domaine
de l'environnement et du développement durable.
La détection des changements est une discipline
essentielle qui permet d'identifier et d'analyser les
modifications survenues dans un environnement
donné au fil du temps. Dans un monde en constante
évolution, où les impacts des activités humaines et
des phénomènes naturels sont de plus en plus
visibles, la capacité à surveiller ces changements
devient cruciale pour la gestion des ressources, la
planification urbaine, la réponse aux catastrophes et
la conservation de l'environnement. Par exemple, la
déforestation, l'urbanisation rapide, les inondations
et les glissements de terrain sont tous des événements
qui nécessitent une surveillance continue pour
minimiser leurs impacts négatifs.
Les applications de la détection des changements
s'étendent à divers domaines tels que l'agriculture, où
elle peut aider à surveiller la santé des cultures et
optimiser les rendements ; l'urbanisme, pour suivre
l'expansion des infrastructures ; et la gestion des
catastrophes, pour évaluer les dommages après un
événement extrême. En raison de l'importante
croissante de ces défis, le développement de
méthodes fiables et efficaces pour détecter les
changements est devenu une priorité.
Les images obtenues par radar à synthèse d'ouverture
(SAR) constituent une source de données précieuse
pour la détection des changements. Contrairement
aux images optiques, les images SAR peuvent être
acquises indépendamment des conditions d'éclairage
et météorologiques, ce qui les rend particulièrement
adaptées à la surveillance continue. Elles fournissent
des informations sur la surface terrestre en utilisant
des ondes radio qui interagissent avec les objets en
fonction de leur texture, de leur humidité et de leur
géométrie.
Les images SAR sont capables de fournir une
résolution spatiale élevée, permettant ainsi de
détecter des changements à petite échelle. De plus,
grâce à leur capacité à pénétrer les nuages et à
fonctionner dans l'obscurité, elles offrent un
avantage significatif pour le suivi des changements
dans des régions où les conditions climatiques
peuvent entraver l'utilisation d'autres types
d'imagerie.
L'objectif principal de cette étude est de
développer un modèle adaptable pour la détection
des changements basé sur l'analyse de séries
temporelles d'images SAR. Ce modèle vise à
améliorer la précision et la fiabilité des résultats tout
en s'adaptant aux variations saisonnières et aux
changements environnementaux.
Les questions de recherche qui guideront cette étude
comprennent :
- Comment le modèle peut-il s'adapter
aux variations saisonnières et aux

Page 3 sur 14
fluctuations environnementales ? Cette
question vise à explorer les mécanismes
d'adaptation du modèle face aux différents types
de changements qui peuvent survenir dans le
temps.
- Quelle est l'efficacité du modèle par rapport
aux méthodes traditionnelles de détection des
changements ? Ici, nous chercherons à comparer
les performances du modèle proposé avec celles
des techniques existantes pour identifier les
améliorations potentielles.
- Quels types spécifiques de changements
peuvent être détectés avec précision à l'aide du
modèle ? Cette question se concentrera sur les
capacités du modèle à identifier différents types
de changements, qu'ils soient naturels ou
anthropiques.
II. État de l'art
Dans cette section nous allons voir que bien que les
techniques traditionnelles aient posé les bases de la
détection des changements, l'utilisation croissante de
modèles adaptables en séries temporelles offre une
voie prometteuse pour surmonter leurs limitations et
répondre aux défis posés par l'évolution rapide de
notre environnement.II.1. Techniques tradionnelles
de détecon des changements
II.1.1. Méthodes basées sur
la diérence d'images
Les méthodes basées sur la différence d'images sont
parmi les techniques les plus simples et les plus
Couramment utilisées pour la détection des
changements. Ces méthodes consistent à comparer
deux images acquises à des moments différents,
généralement en soustrayant l'intensité des pixels
d'une image de celle de l'autre. Les résultats peuvent
être visualisés sous forme de cartes de changement,
où les zones présentant des différences significatives
sont mises en évidence.
Cependant, cette approche présente certaines
limitations. Les variations dues aux conditions
d'éclairage, aux atmosphères et aux effets de bruit
peuvent fausser les résultats. De plus, la méthode ne
tient pas compte des variations naturelles qui
peuvent se produire dans le temps, ce qui peut
conduire à des faux positifs.
II.1.2. Approches stasques
Les approches statistiques pour la détection des
changements reposent sur l'analyse des distributions
statistiques des pixels dans les images. Ces méthodes
incluent des tests d'hypothèse, tels que le test de
Student ou des tests non paramétriques, pour
déterminer si les différences observées entre les
images sont significatives. Des techniques telles que
l'analyse de variance (ANOVA) et les modèles
linéaires généralisés peuvent également être
appliquées pour évaluer les changements au fil du
temps.
Ces approches offrent une robustesse accrue par
rapport aux méthodes basées sur la différence
d'images, mais elles nécessitent souvent des

Page 4 sur 14
hypothèses strictes sur la distribution des données et
peuvent être sensibles aux ou
II.2. Utilisation des images SAR
pour la détection des
changements
II.2.1. Avantages et limitations des
données SAR
Les images SAR offrent plusieurs avantages par
rapport aux images optiques traditionnelles. Leur
capacité à acquérir des données indépendamment des
conditions d'éclairage et météorologiques en fait un
outil précieux pour la surveillance continue. De plus,
les images SAR peuvent fournir une résolution
spatiale élevée, permettant une détection précise des
changements à petite échelle.
Cependant, les données SAR présente également
certaines limitations. L'interprétation des images
SAR peut être complexe en raison de la nature du
signal radar, qui dépend de divers facteurs tels que la
texture de la surface et l'humidité du sol. De plus, le
phénomène de "speckle" (bruit) dans les images SAR
peut compliquer l'analyse et nécessiter des
techniques de filtrage avancées.
II.2.2. Exemples d'applications dans
divers domaines
Les images SAR sont utilisées dans divers domaines
pour la détection des changements :
➢ Agriculture : Surveillance de la santé des
cultures, évaluation de l'humidité du sol et suivi
des pratiques agricoles.
➢ Urbanisme : Détection de l'expansion urbaine,
suivi des constructions et gestion des
infrastructures.
➢ Gestion des catastrophes : Évaluation des
dommages causés par les inondations, les
tremblements de terre et autres événements
extrêmes, permettant une réponse rapide et
efficace.
Ces applications illustrent le potentiel des images
SAR pour fournir des informations critiques dans la
gestion durable des ressources.
II.3. Modèles adaptables en
séries temporelles
II.3.1. Concepts de modèles
adaptables
Les modèles adaptables en séries temporelles sont
conçus pour s'ajuster aux variations dynamiques des
données au fil du temps. Ces modèles intègrent
souvent des mécanismes d'apprentissage
automatique pour identifier et s'adapter aux
tendances et aux anomalies dans les données. L'idée
est de permettre une détection proactive des
changements en tenant compte non seulement des
variations passées, mais aussi des facteurs
contextuels qui peuvent influencer ces changements.

Page 5 sur 14
Les modèles adaptables peuvent inclure des
techniques telles que les réseaux neuronaux
récurrents (RNN), les modèles ARIMA
(AutoRegressive Integrated Moving Average) et
d'autres algorithmes d'apprentissage supervisé ou
non supervisé.
modèles ARIMA (AutoRegressive Integrated Moving Average)
II.3.2. Revue des approches
existantes
Plusieurs études ont exploré l'utilisation de modèles
adaptables pour la détection des changements à partir
de séries temporelles d'images SAR. Par exemple,
certaines recherches ont proposé l'utilisation de
réseaux neuronaux convolutifs (CNN) pour extraire
des caractéristiques pertinentes à partir d'ensembles
d'images SAR, tandis que d'autres ont utilisé des
techniques d'apprentissage par renforcement pour
optimiser la détection en temps réel.
D'autres approches incluent l'intégration de données
multisources (par exemple, combiner les données
SAR avec d'autres types d'imagerie) pour améliorer
la précision des résultats. Ces méthodes montrent un
potentiel prometteur pour améliorer la détection des
changements en tenant compte de la complexité et de
la variabilité inhérentes aux environnements
surveillés.
III. Méthodologie
III.1. Acquisition et
prétraitement des données SAR
III.1.1. Sources de données
(satellites, périodes de capture)
Pour la détection des changements basée sur des
images satellitaires SAR, plusieurs satellites peuvent
être utilisés en fonction des besoins spécifiques de
l'étude. Les principaux satellites incluent :
➢ Sentinel-1 : Ce satellite de l'Agence spatiale
européenne (ESA) fournit des données SAR à
haute résolution et est particulièrement adapté
pour le suivi des changements
environnementaux. Les périodes de capture
peuvent être programmées pour obtenir des
images à intervalles réguliers, par exemple toutes
les 6 jours.
➢ ALOS-2 (Advanced Land Observing Satellite)
: Ce satellite japonais propose également des
images SAR de haute résolution,
particulièrement utiles pour l'analyse des terrains
et des infrastructures.