Annonce de soutenance de thèse de Marta Bottani, le mardi 4 novembre à 10h30 dans la salle des conférences du CESBIO

[English below]

Bonjour à toutes et à tous,

C’est avec grand plaisir que je vous invite à ma soutenance de thèse intitulée « Suivi multi-sources de la perte forestière utilisant des séries temporelles de données SAR et multispectrales ». La présentation se fera en anglais.

Celle-ci se déroulera le mardi 4 novembre à 10h30 dans la salle des conférences du CESBIO (Rond-Point du Professeur Francis Cambou, 31400, Toulouse).
La soutenance sera également retransmise en visioconférence

Résumé :
La détection en quasi temps réel (NRT, Near Real-Time) de la déforestation tropicale est essentielle pour la conservation de la biodiversité et la gestion du carbone, mais les approches actuelles de télédétection restent limitées par la saisonnalité, la variabilité environnementale et la couverture nuageuse. Cette thèse développe une méthode non supervisée de détection bayésienne en ligne de points de changement (BOCD, Bayesian Online Changepoint Detection) pour identifier la déforestation à partir de séries temporelles SAR Sentinel-1, évaluée avec les données de référence en Amazonie brésilienne et dans le Cerrado. L’algorithme repose sur le principe du Maximum A Posteriori (MAP) et sur un modèle de Markov caché décrivant la distribution a posteriori du nombre d’acquisitions effectuées depuis le plus récent changement, et permettant un suivi récursif et robuste face à la variabilité du signal et à la saisonnalité. Deux développements méthodologiques additionnels sont proposés : le pol-BOCD, qui combine les canaux polarimétriques VV et VH de Sentinel-1 pour améliorer la détection sur les parcelles où la déforestation est hétérogène, et le ms-BOCD, une généralisation de la méthode bayésienne permettant la fusion multi-source de séries temporelles asynchrones et inégalement échantillonnées (Sentinel-1 et Sentinel-2) au moyen d’un pondérage dynamique basé sur la puissance statistique de chaque source. Enfin, l’approche est appliquée à la détection NRT de la perte de forêt par le feu à Paragominas (Brésil, 2024), illustrant la complémentarité entre les données multispectrales et radar.

Le jury sera composé de :
– Florence TUPIN, Rapporteuse, Telecom Paris
– Lorenzo BRUZZONE, Rapporteur, University of Trento
– Inge JONCKHEERE, Examinatrice, ESA
– Thierry KOLECK, Examinateur, CNES
– Jean-Yves TOURNERET, Examinateur, ENSEEIHT
– Laurent FERRO-FAMIL, Directeur de thèse, ISAE-SUPAERO
– Thuy LE TOAN, Invitée, GlobEO
– Céline TISON, Invitée, CNES

——-

Hello everyone,

I am very pleased to invite you to my PhD defense entitled  » Multi-source monitoring of forest loss using SAR and multispectral time series ». The presentation will be in English.

The defense will take place on Tuesday November 4th at 10:30am in the CESBIO conference room (Rond-Point du Professeur Francis Cambou, 31400, Toulouse).

Abstract:
Near real-time (NRT) detection of tropical deforestation is essential for biodiversity conservation and carbon management, but current remote sensing approaches remain limited by seasonality, environmental variability, and cloud cover. This thesis developed an unsupervised Bayesian online changepoint detection method (BOCD) to identify deforestation from Sentinel-1 SAR time series, evaluated using reference data from the Brazilian Amazon and the Cerrado. The algorithm is based on the Maximum A Posteriori (MAP) principle and a hidden Markov model describing the posterior distribution of the number of acquisitions since the last detected change, and enabling recursive and robust monitoring despite signal variability and seasonality. Two additional methodological developments are proposed: pol-BOCD, which combines the VV and VH polarimetric channels of Sentinel-1 to improve detection on plots with heterogeneous deforestation, and ms-BOCD, a generalization of the Bayesian framework that allows multi-source fusion of asynchronous and unevenly sampled time series (Sentinel-1 and Sentinel-2) using dynamic weighting based on the statistical power of each source. Finally, the approach is applied to NRT detection of fire-induced forest loss in Paragominas (Brazil, 2024), illustrating the complementarity between multispectral and radar data.