Soutenance de thèse de Colin PRIEUR

Apprentissage auto-supervisé et adaptation de domaine pour gérer la variabilité spectrale des acquisitions aéroportées hyperspectrales en forêt tropicale

Self-supervised learning and domain adaptation to deal with the spectral variability of hyperspectral airborne acquisitions over tropical forests

jeudi 13 novembre 2025 à 13h30

Bâtiment 36 - Campus Triolet Université de Montpellier - Place Eugène Bataillon 34095 MONTPELLIER CEDEX 5 - salle Amphithéâtre A36.03

Résumé de la thèse en français : 

Les forêts tropicales, qui couvrent 6% de la surface terrestre, sont essentielles pour la biodiversité mondiale et le stockage du carbone. En Guyane française, où les forêts représentent plus de 97 % du territoire, la gestion durable constitue un défi majeur, à la fois pour la conservation et le développement économique. L’Office National des Forêts (ONF) gère 6 millions d’hectares et cherche à concilier l’exploitation forestière avec la préservation des écosystèmes. La télédétection offre une solution potentielle pour cartographier les espèces d’arbres à grande échelle, soutenant ainsi une gestion forestière fondée sur des preuves et réduisant l’empreinte environnementale des activités d’exploitation.

Cette thèse examine le défi de la généralisation des modèles d’identification des espèces d’arbres à partir d’images hyperspectrales aériennes dans des environnements tropicaux hyper-divers. L’étude est structurée autour de trois questions scientifiques, analysées à travers des acquisitions répétées sur les sites de Paracou et Nouragues en Guyane française. Les données hyperspectrales, acquises en 2016, couvrent la plage spectrale de 400 à 2500 nm.

Premièrement, l’analyse quantifie les principales sources de variabilité spectrale : les conditions atmosphériques, la géométrie solaire et les angles de visée, et démontre leur impact significatif sur la stabilité de la réflectance, même après correction atmosphérique. Les résultats indiquent que cette variabilité perturbe les proxys spectraux couramment utilisés pour le suivi de la végétation, remettant en cause leur fiabilité dans des conditions opérationnelles.

Deuxièmement, l’étude évalue la capacité de l’apprentissage auto-supervisé (SSL) à produire des représentations spectrales robustes face à la variabilité liée aux conditions d’acquisition. Bien que le SSL réduise la variabilité abiotique du signal, il peut accentuer les différences intra-individuelles et spécifiques aux sites, limitant ainsi son efficacité pour la classification inter-sites des espèces.

Troisièmement, la recherche évalue les techniques d’adaptation de domaine (DA) pour atténuer les décalages spectraux entre les dates et les sites. Les résultats révèlent que les méthodes DA non supervisées n’apportent que des améliorations modestes, tandis que les approches supervisées, comme l’algorithme Transfert Learning Adaboost (TrAdaBoost), permettent des gains substantiels en classification, même avec des données annotées limitées dans le dataset cible. Cependant, leur succès dépend de la représentativité des échantillons annotés et de la complexité écologique des sites étudiés.

En conclusion, ce travail considère la variabilité spectrale comme un concept central pour aborder le défi complexe du transfert d’apprentissage entre les sites d’étude et les dates d’acquisition en télédétection des forêts tropicales. L’intégration des méthodes SSL et DA offre une approche structurée pour gérer cette variabilité, permettant le développement de modèles d’identification des espèces plus fiables et transférables dans des contextes opérationnels pertinents.

Résumé de la thèse en anglais: 

Tropical forests, which cover 6% of Earth's land surface, are essential for global biodiversity and carbon storage. In French Guiana, where forests account for over 97% of the territory, sustainable forest management represents a critical challenge for both conservation and economic development. The French National Forest Office (ONF) manages 6 million hectares, seeking to balance timber extraction with ecosystem preservation. Remote sensing provides a potential solution for large-scale tree species mapping, thereby supporting evidence-based forest management and reducing the environmental footprint of logging activities.

This thesis investigates the challenge of generalizing tree species identification models using airborne hyperspectral imagery in hyperdiverse tropical environments. The study is structured around three scientific questions, analyzed through repeated acquisitions over the Paracou and Nouragues sites in French Guiana. The hyperspectral data, acquired in 2016, cover the 400–2500 nm spectral range.

First, the analysis quantifies the primary sources of spectral variability : atmospheric conditions, solar geometry, and viewing angles, and demonstrates their significant impact on reflectance stability, even after atmospheric correction. The results indicate that this variability disrupts spectral proxies commonly used in vegetation monitoring, calling into question their reliability under operational conditions.

Second, the study evaluates the capacity of self-supervised learning (SSL) to generate spectral representations that are robust to acquisition-related variability. While SSL reduces abiotic noise, it may accentuate intra-individual and site-specific differences, thereby limiting its effectiveness for cross-site species classification.

Third, the research assesses domain adaptation (DA) techniques to mitigate spectral shifts between dates and sites. The findings reveal that unsupervised DA methods yield only modest improvements, whereas supervised DA approaches, such as Transfert Learning Adaboost (TrAdaBoost), achieve substantial classification gains even with limited labeled data. However, their success remains contingent on the representativeness of annotated samples and the ecological complexity of the study sites.

In conclusion, this work frames spectral variability as a central concept for addressing the complex challenge of transfer learning between study sites and acquisition dates in tropical forest remote sensing. The integration of SSL and DA methods provides a structured approach to managing this variability, enabling the development of more reliable and transferable species identification models in operationally relevant contexts.