Classification de cultures en présence de décalage temporel par fusion Sentinel-1 / Sentinel-2

De septembre 2025 à août 2026, j'ai occupé un poste d'Attaché Temporaire d'Enseignement et de Recherche à l'Université du Littoral Côte d'Opale, sous la responsabilité de Pr. Émilie Poisson Caillault et de Pr. Gilles Roussel. Mes missions de recherche étaient menées au LISIC, sur le site de Saint-Omer.

Ces activités prolongent mes travaux de thèse selon deux axes : l'extension de l'approche de reconnaissance pondérée, en explorant de nouvelles fonctions de pondération, potentiellement non linéaires, des bandes spectrales les plus discriminantes ; et la classification de cultures en présence de décalage temporel, présentée ici.

La cartographie précise des types de cultures à partir d'images satellitaires est une tâche essentielle de la surveillance agricole à grande échelle. Les modèles de classification souffrent toutefois d'un décalage temporel : les signatures spectrales d'une même culture varient considérablement d'une année à l'autre sous l'effet de facteurs environnementaux et phénologiques.

Ces travaux explorent des réseaux de neurones convolutifs à double branche pour la fusion multimodale de patchs multispectraux (Sentinel-2) et radar à synthèse d'ouverture (Sentinel-1), avec un mécanisme de fusion adaptative des caractéristiques, entraînés sur les années 2020 à 2023 et évalués sur l'année 2024.

• Stratégie de repondération spatiale fondée sur des prototypes spectraux, appliquée comme étape de prétraitement pour améliorer la robustesse face aux spectres mixtes et aux observations bruitées.
• Avec cette repondération, un réseau de 275 000 paramètres atteint 72,63 % d'exactitude, contre 55,0 % sans repondération et 62,6 % pour un ResNet18 de plus de 11,5 millions de paramètres.
• Mise en évidence d'une limite ouverte : sur une année jamais vue, le macro-F1 reste de 0,5720, ce qui motive l'étude de l'adaptation de domaine et de la détection hors distribution.