Tree species mapping with high resolution satellite image time series : prediction stability, spatial autocorrelation and consistency with in situ observation of phenology | Cartographie des essences forestières à partir de séries temporelles d’images satellitaires à hautes résolutions : stabilité des prédictions, autocorrélation spatiale et cohérence avec la phénologie observée in situ

anglais. Forests have a key role on earth, whether to store carbon and so reducing the global warming or to provide a place for many species. However, the composition of the forest (the location of the tree species or their diversity) has an influence on the ecological services provided. In this context, it seems critical to map tree species that make it up the forest. Remote sensing, especially from satellite images, appears to be the most appropriate way to map large areas. Thanks to the satellite constellations such as Sentinel-2 or Landsat-8 and their free acquisition for the user, the use of time series of satellite images with high spatial, spectral and temporal resolution using automatic learning algorithms is now easy to access. While many works have studied the potential of satellite images to identify tree species, few use time series (several images per year) with high spatial resolution and taking into account the spatial autocorrelation of references, i.e. the spectral similarity of spatially close samples. However, by not taking this phenomenon into account, evaluation biases may occur and thus overestimate the quality of the learning models. It is also a question of better identifying the methodological barriers in order to understand why it can be easy or complicated for an algorithm to identify one species from another. The general objective of the thesis is to study the potential and the obstacles concerning the idenficiation of forest tree species from satellite images time series with high spatial, spectral and temporal resolution. The first objective is to study the temporal stability of predictions from a nine-year archive of the Formosat-2 satellite. More specifically, the work focuses on the implementation of a validation method that is as faithful as possible to the observed quality of the maps. The second objective focuses on the link between in situ phenological events (leaf growth at the beginning of the season, or leaf loss and coloration at the end of the season) and what can be observed by remote sensing. In addition to the ability to detect these events, it will be studied whether what allows the algorithms to identify tree species from each other is related to species-specific behaviors

français. La forêt a un rôle essentiel sur terre, que ce soit pour stocker le carbone et ainsi lutter contre le réchauffement climatique ou encore fournir un habitat à de nombreuses espèces. Or la composition de la forêt (la localisation des essences ou leur diversité) a une influence sur les services écologiques rendus. Dans ce contexte, il est important de cartographier les forêts et les essences qui la composent. La télédétection, en particulier à partir d’images satellitaires, apparat comme le moyen le plus adéquat pour caractériser un vaste territoire. Avec l’arrivée de constellations satellitaires comme Sentinel-2 ou Landsat-8 et leur gratuité d’acquisition pour l’utilisateur, il devient possible d’envisager l’usage de séries temporelles d’images satellites à haute résolution spatiale, spectrale et temporelle à l’aide d’algorithmes d’apprentissage automatique. Si de nombreux travaux ont étudié le potentiel des images satellitaires pour identifier les essences, rares sont ceux qui utilisent des séries temporelles (plusieurs images par an) avec une haute résolution spatiale et en tenant compte de l’autocorrélation spatiale des références, i.e. la ressemblance des échantillons spatialement proches les uns des autres. Or, en ne prenant pas en compte ce phénomène, des biais d’évaluation peuvent survenir et ainsi surestimer la qualité des modèles d’apprentissage. Il s’agit aussi de mieux cerner les verrous méthodologiques afin de comprendre pourquoi il peut être facile ou compliqué pour un algorithme d’identifier une essence d’une autre. L’objectif général de la thèse vise à étudier le potentiel et les verrous concernant la reconnaissance des essences forestières à partir des séries temporelles d’images satellite à haute résolution spatiale, spectrale, et temporelle. Le premier objectif consiste à étudier la stabilité temporelle des prédictions à partir d’une archive de neuf ans du satellite Formosat-2. Plus particulièrement, les travaux portent sur la mise en place d’une méthode de validation qui soit le plus fidèle à la qualité observée des cartographies. Le second objectif s’intéresse au lien entre les évènements phénologiques in situ (pousse des feuilles en début de saison, ou perte et coloration des feuilles en fin de saison) et ce qu’il est observable par télédétection. Outre la capacité de détecter ces évènements, il sera étudié si ce qui permet aux algorithmes de différencier les essences les unes des autres est lié à des comportements spécifiques par espèce.