{"id":4800,"date":"2019-12-16T14:03:22","date_gmt":"2019-12-16T13:03:22","guid":{"rendered":"http:\/\/wp.unil.ch\/geoblog\/?p=4800"},"modified":"2019-12-16T14:03:22","modified_gmt":"2019-12-16T13:03:22","slug":"multiple-point-geostatistical-approaches-to-spectrally-enhance-satellite-imagery","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2019\/12\/multiple-point-geostatistical-approaches-to-spectrally-enhance-satellite-imagery\/","title":{"rendered":"Multiple point geostatistical approaches to spectrally enhance satellite imagery"},"content":{"rendered":"<p><em>Th\u00e8se soutenue par Mathieu Gravey le 8 janvier 2020, Institut des dynamiques de la surface terrestre (IDYST)<\/em><\/p>\n<p>Les images satellites de la surface de la terrestre sont de plus en plus riches. \u00c0 travers les avanc\u00e9es technologiques, depuis l\u2019imagerie argentique en noir et blanc jusqu\u2019aux derni\u00e8res avanc\u00e9es en imagerie num\u00e9rique multispectrale, de nombreux types d\u2019images diff\u00e9rentes ont \u00e9t\u00e9 acquis. Les images actuelles permettent une classification de haute fid\u00e9lit\u00e9, la d\u00e9tection de changements, etc. L&rsquo;utilisation d&rsquo;images de diff\u00e9rentes g\u00e9n\u00e9rations est un r\u00e9el d\u00e9fi pour les \u00e9tudes qui consid\u00e8rent les \u00e9volutions sur le long terme. La solution habituelle consiste \u00e0 r\u00e9duire leur qualit\u00e9 \u00e0 un d\u00e9nominateur commun.<!--more--><\/p>\n<p>Dans cette th\u00e8se, je cherche \u00e0 l\u2019inverse \u00e0 enrichir les images satellites pauvres pour rendre leur r\u00e9solution spectrale similaire aux images plus r\u00e9centes. Pour ce faire je propose d\u2019utiliser la g\u00e9ostatistique et en particulier les statistiques multipoints (MPS), qui ont \u00e9t\u00e9 d\u00e9velopp\u00e9es \u00e0 l&rsquo;origine pour simuler des processus souterrains \u00e0 l&rsquo;aide d&rsquo;images analogues (images d\u2019entrainement).<\/p>\n<p>Afin d\u2019acc\u00e9l\u00e9rer et simplifier l\u2019utilisation des MPS, une nouvelle m\u00e9thode a \u00e9t\u00e9 d\u00e9velopp\u00e9e. <em>Quantile Sampling<\/em> (QS) est une solution robuste, simple et efficace pour r\u00e9aliser des simulations MPS. QS a \u00e9t\u00e9 d\u00e9velopp\u00e9 avec comme contrainte principale de g\u00e9rer les variables continues de mani\u00e8re extr\u00eamement efficace. <\/p>\n<p>L\u2019enrichissement spectral peut \u00eatre effectu\u00e9 \u00e0 l\u2019aide d\u2019algorithmes standards \u00e0 condition que la transformation puisse \u00eatre r\u00e9versible (ex. gris = moyenne des couleurs &gt; couleurs). Toutefois, dans le contexte de l\u2019extrapolation spectrale (couleur &gt; proche infrarouge) une nouvelle approche NDS (<em>Narrow Distribution Selection<\/em>) a d\u00fb \u00eatre sp\u00e9cialement d\u00e9velopp\u00e9e. S&rsquo;appuyant sur les bases de QS, NDS fournit des simulations de haute qualit\u00e9. Enfin, une nouvelle m\u00e9thode de calibration est pr\u00e9sent\u00e9e. Si QS simplifie le param\u00e9trage et r\u00e9duit significativement la sensibilit\u00e9 des param\u00e8tres, une calibration est toujours n\u00e9cessaire. La m\u00e9thode pr\u00e9sent\u00e9e, qui repose sur l&rsquo;analyse compl\u00e8te de l&rsquo;image d\u2019entrainement, se veut \u00eatre simple, automatique et \u00e9volutive.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Th\u00e8se soutenue par Mathieu Gravey le 8 janvier 2020, Institut des dynamiques de la surface terrestre (IDYST) Les images satellites de la surface de la terrestre sont de plus en plus riches. \u00c0 travers les avanc\u00e9es technologiques, depuis l\u2019imagerie argentique en noir et blanc jusqu\u2019aux derni\u00e8res avanc\u00e9es en imagerie num\u00e9rique multispectrale, de nombreux types d\u2019images [&hellip;]<\/p>\n","protected":false},"author":47,"featured_media":3358,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[49465],"tags":[],"class_list":{"0":"post-4800","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-theses-soutenues"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/4800","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=4800"}],"version-history":[{"count":0,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/4800\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/3358"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=4800"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=4800"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=4800"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}