Méthodes De Machine Learning Pour Le Suivi De L''occupation Du Sol Des Deltas Du Viêt-Nam

T HESE DE DOCTORAT DEL'UNIVERSITE ECOLE DOCTORALE N° 598 Sciences de la Mer et du littoral Spécialité : Géomatique Méthodes de Machine Learning pour le suivi de l’occupation du sol des

T HESE DE DOCTORAT DE

L'UNIVERSITE

ECOLE DOCTORALE N° 598

Sciences de la Mer et du littoral

Spécialité : Géomatique

Méthodes de Machine Learning pour le suivi de l’occupation du sol des deltas du Viêt-Nam

Thèse présentée et soutenue à Brest, le 07 octobre 2021

Unité de recherche : LETG – UMR CNRS 6554

Par

Chi-Nguyen LAM

Rapporteurs avant soutenance :

Dr Thomas CORPETTI, CNRS, LETG-Rennes UMR

6554, Université de Rennes 2

Prof Sébastien GADAL, CNRS ESPACE UMR 7300,

Aix-Marseille Université

Composition du Jury :

Directrice de thèse

Dr HDR Simona NICULESCU, LETG-Brest UMR 6554, UBO

Co-directeur de thèse Prof Bernard POTTIER, Lab-STICC, Département Informatique, UBO

Prof Hiep Xuan HUYNH, Département d’informatique, Université de Can Tho, Vietnam (examinateur)

Dr Dominique LAVENIER, CNRS, INRIA/IRISA, Université de Rennes 1 (examinateur) Prof Vincent RODIN, Lab-STICC, Département Informatique, UBO (examinateur)

3

Table de matière

Introduction générale 9

Contexte général et Problématique 9

Objectifs 10

Structure de la thèse 11

Partie 1 : Le système deltạque vietnamien 12

Chapitre 1 Le système du Delta du Mékong 14

1.1 Type d’occupation du sol du delta du Mékong 15

1.1.1 La guerre du Viêt-Nam 15

1.1.2 Les activités aquacoles et les mangroves dans le delta du Mékong 16

1.1.3 Activités agricoles dans le delta du Mékong 17

1.1.4 Impact des conditions climatiques sur le delta du Mékong 18

1.2 Risque d’inondation dans le delta du Mékong 18

1.2.1 La sécheresse 20

1.2.2 L’intrusion des eaux salines 21

Chapitre 2 Le système du fleuve Rouge 22

2.1 Type d’occupation du sol du delta du fleuve Rouge 23

2.1.1 Les activités aquacoles 23

2.1.2 Les activités agricoles 23

2.1.3 La législation et Gestion spatiale du delta du fleuve Rouge 24

2.2 Impact des conditions climatiques sur le delta du fleuve Rouge 25

2.2.1 Risque d’inondation dans le delta du fleuve rouge 25

2.2.2 Intrusion des eaux salines 25

Chapitre 3 L’occupation du sol dans les deltas du Viêt-Nam 27

3.1 L’étude de changement de l’occupation/couverture du sol 27

3.2 Les données satellitaires et la détection de l’occupation du sol 28

3.3 L’étude du risque d’inondation 28

3.3.1 Étude de l’occupation du sol pour l’évaluation du risque d’inondation 29

3.3.2 Les données satellitaires et l’évaluation du risque d’inondation 30

Chapitre 4 Satellites Landsat et Sentinel 35

4.1 Le satellite Landsat 35

4.2 La constellation Sentinel 36

Partie 2 : Démarches Méthodologiques 39

Chapitre 5 Structuration des données et Prétraitement 40

5.1 Les images SAR : Sentinel-1 40

5.1.1 Les équations de radar 40

5.1.2 Les images SAR 43

5.1.3 Les images Sentinel-1 43

5.2 Les images optiques : Sentinel-2 47

5.3 Les données de série temporelle 48

5.3.1 Les données optiques de série temporelle 48

5.3.2 Les données radars de série temporelle 48

5.3.3 Synergie des données Optiques et RADARS 49

Chapitre 6 Machine Learning (Apprentissage automatique) 51

6.1 Définition Apprentissage Automatique 52

6.2 Définition Apprentissage Profond 53

6.3 La segmentation des images satellites 54

6.3.1 L’algorithme K-means 54

6.3.2 Meanshift 57

6.3.3 Multi-résolution Segmentation (MRS) 60

6.3.4 Superpixel (SLIC) 62

6.4 Les méthodes de classification 64

6.4.1 Support Vector Machine : SVM 65

6.4.2 Random forest 68

6.5 Méthodes de Deep Learning 70

6.5.1 Multilayer Perceptron – MLP 70

6.5.2 Convolutional neural network : CNN 76

6.6 Evaluation de la précision des classifications 78

6.6.1 La matrice de confusion 79

6.6.2 L’estimation des précisions 81

6.6.3 L’estimation des superficies 82

6.6.4 Les exemples 82

Chapitre 7 L’Analyse orientée objet d'images satellite 87

7.1 Émergence de l'approche « orientée objet » 87

7.2 Définition du concept de GEOBIA 87

7.3 Evaluation de GEOBIA 88

7.3.1 Avantages de GEOBIA 88

7.3.2 Inconvénient de GEOBIA 88

7.4 Paradigme de GEOBIA 88

7.4.1 Etape de travail dans le cadre de GEOBIA 89

7.4.2 Méthodes de machine learning 89

7.4.3 Méthodes de deep learning 90

Partie 3 : De l’acquisition des données aux Applications 91

Chapitre 8 Détection des changements de l’occupation du sol dans le delta du fleuve Rouge (Viêt-Nam) 92

8.1 Zone d'étude 92

8.2 Données mises en œuvre 94

8.3 Méthodologie 96

8.3.1 Calcul du NDVI 96

5

8.3.2 Segmentation des images 98

8.3.3 Classification des images 100

8.4 Résultats et discussion 102

8.4.1 Résultat des Random Forest 102

8.5 Conclusions 105

Chapitre 9 Étude et cartographie de l’inondation au niveau du delta du Mékong 106 9.1 Méthodologie 106

9.2 Les données SAR et la détection de l’extension de l’inondation : 107

9.2.1 Le suivi des inondations des rizières : 108

9.3 Zone d’étude 109

9.3.1 La culture du Riz au delta du Mékong 110

9.3.2 Régime hydro-météorologique du Mékong 110

9.4 Données utilisées 111

9.4.1 Les données satellitaires 111

9.4.2 Données environnementales 112

9.5 Méthode d'apprentissage automatique et classification 113

9.5.1 Segmentation d'images et extraction de caractéristiques 113

9.5.2 Construction du modèle du CNN 114

9.5.3 Random Forest (RF) 115

9.5.4 Évaluation de la précision 115

9.6 Résultats 116

9.6.1 Profils de rétrodiffusion de rizières 116

9.7 Validation et comparaison des modèles 120

9.7.1 L'évaluation de la précision du modèle CNN 120

9.7.2 L'évaluation de la précision du classificateur RF 122

9.8 Résultats des modèles : cartographie inondée et inondable 125

9.8.1 Cartographie de l'étendue des inondations 125

9.8.2 Cartographie des zones inondables 128

9.8.3 Discussion 131

Conclusion générale 132

Bibliographie .135

ANNEXE .152

Titre : Méthodes de Machine Learning pour le suivi de l’occupation du sol des deltas du Viêt-Nam Mots clés : méthodes d’apprentissage automatique, delta du Vietnam, suivi de l’occupation du sol,

Résumé : Le développement socio-économique au

Vietnam est associé à l'existence des grands deltas

fluviaux En outre, les facteurs environnementaux tels

que la sécheresse et l’inondation jouent un rôle

important dans le changement de l’occupation du sol

au niveau de ces deltas Ces changements ne sont

pas sans impact sur l’équilibre naturel et économique

du pays Dans cette optique, cette thèse a pour

objectifs de proposer des méthodes de traitement des

données satellites pour une cartographie et suivi

efficaces de l’occupation du sol au niveau des deux

principaux deltas du Viêt-Nam, fleuve rouge et du

Mékong En effet, un travail expérimental a été effectué en vérifiant et évaluant l’apport du traitement d’images multi-capteurs par de nombreuses approches de segmentation d’image et d’apprentissage automatique peu profond et profond Ainsi, un modèle de Convolutional Neural Network (CNN) adapté au contexte de l’étude, a démontré sa robustesse pour la détection et la cartographie de l’occupation du sol afin de caractériser l’aléa de l’inondation et d’analyser les enjeux

Title : Machine Learning methods for monitoring land use in deltas of Vietnam

Keywords : Machine learning, delta of Vietnam, monitoring of Land cover/Land use

Abstract : Socio-economic development in Vietnam

is associated with the existence of large fluvial deltas

Furthermore, environmental factors such as dryness

and flooding have an important role in the change of

land use/land cover within these deltas These

changes have an impact on the natural and economic

balance of the country In this perspective, the

objectives of the present thesis are to suggest

processing methods of satellite data for an efficient

mapping and monitoring of land use in the two main

deltas of Vietnam, the Red River and the Mekong

Delta Indeed, experimental work has been carried out by verifying and evaluating the contribution of multi-sensor image processing through various image segmentation approaches and machine/deep learning algorithms Thus, a Convolutional Neural Network (CNN) model adapted to the context of the study demonstrated its robustness for the detection and mapping of land use in order to characterise the flood hazard and analyse the issues at risk