Search

Artificial Intelligence (AI) is currently an inescapable keyword in computer science given its predicted huge contribution to the global economy [1] or to the whole society [2, 3], as argued in many recent white papers or reports. Its techniques are expected to provide efficient ways to deal with heterogeneous and voluminous numerical environments and data, help or even improve decision making, and automate complex functions. The aeronautics, spatial and defense domain (ASD) is impacted by this evolution [4]. AI is a research field with a complex history and numerous areas. It is customary to divide these into two trends: Formal and logical, which rely on models, knowledge representation and solvers; Empirical, which rely on data, statistical estimation and inference. Although this last trend mainly drives what is sometimes referred to as the third wave of AI, with Machine Learning playing the key role of a general design principle, it cannot fully solve all problems: data can be rare and costly in the ASD domain, where the requirements of reliability and predictability are often very high. The present issue of the Aerospace Lab journal contains several examples of AI research, from rather specific studies to more general position papers or surveys, which exemplifies these two traditions and, eventually, their possible combination., AerospaceLab Journal, Issue 15, September 2020; ISSN: 2107-6596

The purpose of this article is to take stock of the progress made in remote sensing thanks to the recent development of deep learning techniques. This assessment is made by means of a systematic presentation of the various activities carried out at ONERA in remote sensing imagery using deep learning methods. It covers a large part of the observation problems: filtering, object detection, land-use classification, change detection, and biomass estimation. In light of these activities, we highlight the practical challenges of deep learning, mainly physical feature definition and training database construction. Some directions for future research are also given, such as the development and use of dedicated remote sensing platforms, hybrid supervised/ unsupervised strategies, and the further exploitation of multimodal/multitemporal data., AerospaceLab Journal, Issue 15, September 2020; ISSN: 2107-6596

International audience; This paper presents a machine learning based method to predict the forest structure parameters from L-band polarimetric and interferometric synthetic aperture radar (PolInSAR) data acquired by the airborne UAVSAR system over the Réserve Faunique des Laurentides in Québec, Canada. The main objective of this paper is to show that relevant parameters of the PolInSAR coherence region can be used to invert forest structure indicators computed from the airborne LIDAR sensor Laser Vegetation and Ice Sensor (LVIS). The method relies on the shape of the observed generalized PolInSAR coherence region that is related to the three-dimensional structure of the scene. In addition to parameters describing the coherence shape, we consider the impact of acquisition parameters such as the interferometric baseline, ground elevation and local surface slope. We use the parameters as input a multilayer perceptron model to infer canopy features as estimated from LIDAR waveform. The output features are canopy height, cover and vertical profile class. Canopy height and canopy cover are estimated with a normalized RMSE of 13%, 15% respectively. The vertical profile was divided into 3 distinct classes with 66% accuracy.; Cet article présente une méthode basée sur l’apprentissage automatique pour prédire les paramètres de structure de la forêt à partir de données PolInSAR en bande L acquises par le système UAVSAR aéroporté sur le Parc des Laurentides au Québec, Canada. L'objectif principal de cet article est de montrer que l'extraction de paramètres pertinents de la région de cohérence PolInSAR nous aide à inverser les indicateurs de structure de forêt calculés à partir du capteur LIDAR aéroporté LVIS. La méthode choisie repose sur le fait que des descripteurs PolInSAR bien choisis sont reliés à la structure tridimensionnelle de la scène, en particulier à la forme de cohérence généralisée. Parallèlement à une description de cette forme de cohérence, nous examinons les impacts de paramètres d'acquisition tels que la ligne de base, l'élévation du terrain ou la pente locale, afin de les éliminer avant d’extraire nos paramètres de forêt. Ensuite, nous utilisons un modèle de perception multicouche pour déduire les entités extraites par LIDAR de notre jeu de données de forme de cohérence. Les entités en sortie sont la hauteur de la canopée, la couverture au sol et le type de profil vertical. En utilisant cette méthode appliquée aux données UAVSAR, nous inversons la hauteur de canopée et la couverture au sol avec une RMSE normalisée de 13 et 15% respectivement. Les formes d'onde LIDAR ont été divisées en trois classes équilibrées sur lesquelles nous avons appliqué un algorithme de forêt aléatoire pour obtenir un score résultant de 66%.

The objective of this thesis is to predict the structural parameters of forests on a large scale using remote sensing images. The approach is to extend the accuracy of LIDAR full waveforms, on a larger area covered by polarimetric and interferometric (PolInSAR) synthetic aperture radar images using machine learning methods. From the analysis of the geometric properties of the PolInSAR coherence shape, we proposed a set of parameters that are likely to have a strong correlation with the LIDAR density profiles on forest lands. These features were used as input data for SVM techniques, neural networks, and random forests, in order to learn a set of forest descriptors deduced from LIDAR: the canopy height, the vertical profile type, and the canopy cover. The application of these techniques to airborne data over boreal forests in Sweden and Canada, and the evaluation of their accuracy, demonstrate the relevance of the method. This approach can be soon be adapted for future satellite missions dedicated to the forest: Biomass, Tandem-L and NiSAR.; Ce travail de thèse a pour objectif la prédiction des paramètres structurels des forêts à grande échelle, grâce aux images de télédétection. La démarche consiste à étendre la précision des données LIDAR spatiales, en les utilisant là où elles sont disponibles, en tant que donnée d'apprentissage pour les images radar à synthèse d'ouverture polarimétriques et interférométrique (PolInSAR). A partir de l'analyse des propriétés géométriques de la forme de cohérence PolInSAR, nous avons proposé un ensemble de paramètres susceptibles d'avoir une corrélation forte avec les profils de densité LIDAR en milieu forestier. Cette description a été utilisée comme données d'entrée de techniques SVM, de réseaux de neurones, et de forêts aléatoires, afin d'apprendre un ensemble de descripteurs de forêts issus du LIDAR : la hauteur totale, le type de profil vertical, et la couverture horizontale. L'application de ces techniques à des données réelles aéroportées de forêts boréales en Suède et au Canada, et l'évaluation de leur précision, démontrent la pertinence de la méthode. Celle-ci préfigure les traitements qui pourront être appliqués à l'échelle planétaires aux futures missions satellites dédiées à la forêt : Biomass, Tandem-L et NiSAR.

The objective of this thesis is to predict the structural parameters of forests on a large scale using remote sensing images. The approach is to extend the accuracy of LIDAR full waveforms, on a larger area covered by polarimetric and interferometric (PolInSAR) synthetic aperture radar images using machine learning methods. From the analysis of the geometric properties of the PolInSAR coherence shape, we proposed a set of parameters that are likely to have a strong correlation with the LIDAR density profiles on forest lands. These features were used as input data for SVM techniques, neural networks, and random forests, in order to learn a set of forest descriptors deduced from LIDAR: the canopy height, the vertical profile type, and the canopy cover. The application of these techniques to airborne data over boreal forests in Sweden and Canada, and the evaluation of their accuracy, demonstrate the relevance of the method. This approach can be soon be adapted for future satellite missions dedicated to the forest: Biomass, Tandem-L and NiSAR., Ce travail de thèse a pour objectif la prédiction des paramètres structurels des forêts à grande échelle, grâce aux images de télédétection. La démarche consiste à étendre la précision des données LIDAR spatiales, en les utilisant là où elles sont disponibles, en tant que donnée d'apprentissage pour les images radar à synthèse d'ouverture polarimétriques et interférométrique (PolInSAR). A partir de l'analyse des propriétés géométriques de la forme de cohérence PolInSAR, nous avons proposé un ensemble de paramètres susceptibles d'avoir une corrélation forte avec les profils de densité LIDAR en milieu forestier. Cette description a été utilisée comme données d'entrée de techniques SVM, de réseaux de neurones, et de forêts aléatoires, afin d'apprendre un ensemble de descripteurs de forêts issus du LIDAR : la hauteur totale, le type de profil vertical, et la couverture horizontale. L'application de ces techniques à des données réelles aéroportées de forêts boréales en Suède et au Canada, et l'évaluation de leur précision, démontrent la pertinence de la méthode. Celle-ci préfigure les traitements qui pourront être appliqués à l'échelle planétaires aux futures missions satellites dédiées à la forêt : Biomass, Tandem-L et NiSAR.

International audience; The coregistration of heterogeneous geospatial images is useful in various remote sensing applications. Since the number of available data increases and the resolution improves, it is interesting to have an approach as automated, fast, robust, and accurate as possible. In this paper, we present a solution based on optical-flow computation. This algorithm called GeFolki allows the registration of images in a nonparametric and dense way. GeFolki is based on a local method of optical flow derived from the Lucas-Kanade algorithm, with a multiscale implementation, and a specific filtering including rank filtering, rolling guidance filtering and local contrast inversion. The efficiency of our coregistration chain is shown on radar, LIDAR, and optical images on Remningstorp forest in Sweden. An analysis of the relevant parameters is investigated for several scenarios. Finally, we demonstrate the accuracy of our coregistration by proposing specific metrics for LIDAR/radar coregistration, and optics/radar coregistration.; En télédétection, le recalage d'images hétérogènes est utile dans de nombreuses applications. Compte tenu de l'accroissement important du nombre d'images disponibles avec une résolution spatiale qui ne cesse de s'améliorer, il est alors intéressant d'avoir une approche aussi automatisée, rapide, robuste et précise que possible. Dans cet article, nous présentons une solution basée sur le calcul de flot optique. Cet algorithme appelé GeFolki permet le recalage d'images d'une manière non-paramétrique et dense. GeFolki est basé sur une méthode locale de calcul de flot optique dérivée de l'algorithme de Lucas-Kanade, avec une mise en œuvre multi-échelle, et appliquant un filtrage spécifique, comprenant le filtre de rang, un lissage des données et une inversion de contraste local. L'efficacité de notre chaîne de recalage a été démontrée pour le recalage d'images radar, lidar et optiques sur la forêt Remningstorp en Suède. Une analyse des paramètres pertinents a été étudiée pour plusieurs scénarios. Enfin, nous avons réalisé une évaluation quantitative des performances de recalage en proposant des mesures spécifiques pour le recalage LIDAR / radar, et celui optique / radar.