Environnemental knowledge extraction from topo-bathymetric lidar : machine learning and deep neural networds for point clouds and waveforms (Extraction de connaissances à partir de lidar topo-bathymétrique : apprentissage automatique et réseaux de neurones profonds pour les nuages de points et les formes d’onde) Letard, Mathilde - (2023-12-20) / Université de Rennes Environnemental knowledge extraction from topo-bathymetric lidar : machine learning and deep neural networds for point clouds and waveforms Accéder au document :  https://ged.univ-rennes1.fr/nuxeo/site/esupversion...

Langue : Anglais Directeur(s) de thèse:  Lague, Dimitri; Corpetti, Thomas Discipline : Statistique/modélisation en écologie, géosciences, agronomie et alimentation Laboratoire :  Géosciences Rennes Ecole Doctorale : EGAAL Classification : Sciences de la terre Mots-clés : interface terre/eau, lidar topo-bathymétrique, réseaux de neurones profonds Lidar Réseaux neuronaux (informatique) Nuages de points Ondes

Résumé : Les interfaces terre-eau, fortement vulnérables au changement climatique et à la pression anthropique, requièrent une surveillance accrue. Toutefois, l’observation ininterrompue des zones submergées et émergées demeure un défi en raison de la présence d’eau. La télédétection lidar topobathymétrique constitue une solution adéquate en assurant une représentation continue des zones terre-eau, matérialisée par des nuages de points 3D et des formes d’ondes 1D. Cependant, une pleine exploitation de ces données requiert des outils encore en attente de développement. Cette thèse présente plusieurs méthodes d’extraction de connaissances des données lidar topo-bathymétriques, incluant des approches de classification basées sur des nuages de points bi-spectraux et des formes d’ondes bispectrales. En outre, des réseaux de neurones profonds sont conçus pour la segmentation sémantique, la détection et la classification d’objets, ainsi que l’estimation de paramètres physiques de l’eau à partir des formes d’ondes bathymétriques. L’utilisation de modèles de transfert radiatif guide des approches visant à réduire la nécessité de données labélisées, améliorant ainsi le traitement des formes d’ondes lidar dans les eaux très peu profondes ou turbides. Abstract : Land-water interfaces face escalating threats from climate change and human activities, necessitating systematic observation to comprehend and effectively address these challenges. Nevertheless, constraints associated with the presence of water hinder the uninterrupted observation of submerged and emerged areas. Topo-bathymetric lidar remote sensing emerges as a suitable solution, ensuring a continuous representation of landwater zones through 3D point clouds and 1D waveforms. However, fully harnessing the potential of this data requires tools specifically crafted to address its unique characteristics. This thesis introduces methodologies for extracting environmental knowledge from topobathymetric lidar surveys. Initially, we introduce methods for classifying land and seabed covers using bi-spectral point clouds or waveform features. Subsequently, we employ deep neural networks for semantic segmentation, component detection and classification, and the estimation of water physical parameters based on bathymetric waveforms. Leveraging radiative transfer models, these approaches alleviate the need for manual waveform labeling, thereby enhancing waveform processing in challenging settings like extremely shallow or turbid waters.