La détection en quasi-temps réel (NRT pour Near Real-Time) de la perte de forêts tropicales est essentielle pour la conservation de la biodiversité et la gestion du carbone. Les systèmes actuels de surveillance par télédétection satellitaire présentent cependant des limites, liées à la sensibilité des données à la saisonnalité et la variabilité environnementale. De plus, les approches optiques souffrent souvent de longs délais de détection en raison d'une couverture nuageuse fréquente, tandis que les méthodes utilisant des données radar à synthèse d'ouverture (SAR pour Synthetic Aperture Radar) sont affectées par la variabilité du speckle et la perte de résolution causée par le filtrage des images, ce qui réduit leur sensibilité aux perturbations à petite échelle.
Cette thèse présente une approche non supervisée de détection bayésienne en ligne de points de changement (BOCD pour Bayesian Online Changepoint Detection) pour la détection NRT de la perte de forêt, évaluée à l’aide de données de référence fiables MapBiomas Alerta, couvrant l’Amazonie brésilienne et le Cerrado. La méthode estime la déforestation de manière récursive en ligne selon le principe du Maximum A Posteriori (MAP). Elle se base sur la distribution a posteriori du nombre d'acquisitions effectuées depuis le plus récent changement, modélisé comme une variable aléatoire associée à l’état caché d’un modèle de Markov. Le traitement récursif et des statistiques a priori conduisent à une gestion efficace de la variabilité du signal et de la saisonnalité. La conjugaison a priori permet la mise à jour de paramètres à coût calculatoire réduit, et un mécanisme d’analyse de survie tient compte du contexte spatio-temporel des perturbations.
Le BOCD est tout d'abord mis en oeuvre avec des séries temporelles SAR Sentinel-1, non filtrées pour préserver les détails spatiaux. Les résultats montrent des taux de détection plus élevés pour les clairières de petite taille que ceux obtenus avec les principaux systèmes opérationnels tels que GLAD-L, RADD et GFW, tout en maintenant de faibles taux de fausses alertes. Pour les grandes clairières, le BOCD surpasse GLAD-L dans le Cerrado et égale RADD en Amazonie, bien que GFW reste supérieur grâce à sa combinaison de produits SAR et optiques.
Le BOCD est ensuite étendu aux acquisitions polarimétriques Sentinel-1 (pol-BOCD), tout en conservant une faible complexité. La combinaison des canaux VV et VH améliore la sensibilité de 10 % sur les parcelles hétérogènes et renforce la robustesse face aux différentes pratiques de déforestation, avec des taux de fausses alertes systématiquement faibles.
Un troisième développement méthodologique est introduit, qui généralise la détection Bayésienne en ligne à plusieurs séries temporelles asynchrones via une approche de fusion basée sur une combinaison statistique pondérée, mise en œuvre avec les données Sentinel-1 et Sentinel-2 (ms-BOCD).
Finalement, le BOCD est appliqué à un cas d’usage particulier : la détection NRT de la perte de forêt par le feu, utilisant des données de terrain collectées lors d’un incendie survenu en septembre 2024 à Paragominas, au Brésil. Les résultats montrent un accord de 88 %, et soulignent la complémentarité entre les données SAR Sentinel-1 et multispectrales Sentinel-2 : les données optiques identifient sans ambiguïté les zones brûlées et le SAR permet des observations continues pendant les périodes nuageuses affectant les données optiques.
Le cadre BOCD proposé améliore la surveillance en NRT des pertes forestières tropicales en augmentant la sensibilité au déboisement de petites parcelles, en réduisant les délais de détection par rapport aux systèmes opérationnels existants et en permettant l’intégration de données multi-sources asynchrones, sans compromettre l’efficacité calculatoire. Ces caractéristiques sont pertinentes pour le développement futur d’un système opérationnel d’alerte précoce, favorisant une surveillance de la déforestation plus rapide et fiable. |
Effective Near Real-Time (NRT) surveillance of tropical forest loss is critical for biodiversity conservation and carbon management, yet current satellite-based monitoring systems face limitations. All Earth observation-based methods are affected by seasonality and environmental variability. Moreover, optical approaches often experience long detection delays due to frequent cloud cover, whereas SAR methods are influenced by speckle variability and resolution loss caused by image filtering, which reduces their sensitivity to small-scale disturbances.
This thesis presents an unsupervised Bayesian Online Changepoint Detection (BOCD) framework for NRT forest loss detection, evaluated against the high-confidence MapBiomas Alerta reference dataset across the Brazilian Amazon and Cerrado. The method estimates deforestation recursively in an online manner using the Maximum A Posteriori (MAP) principle. It tracks the posterior distribution of the number of acquisitions since the last detected change, modeled as a random variable associated with the hidden state of a Markov model. Recursive processing and the use of prior statistics enable efficient handling of signal variability and seasonality. Prior conjugacy is leveraged for efficient parameter updates, and a survival-analysis mechanism is incorporated to account for the spatio-temporal context of disturbances.
First, BOCD applied to unfiltered Sentinel-1 SAR time series preserves spatial detail, enabling the detection of small disturbances. Results show higher detection rates for small-scale clearings compared with leading operational systems such as GLAD-L, RADD, and Global Forest Watch (GFW), while maintaining low false alarm rates. For large clearings, BOCD outperforms GLAD-L in the Cerrado and matches RADD in the Amazon, although GFW remains superior due to its combination of SAR and optical products. Second, BOCD is extended to handle polarimetric Sentinel-1 acquisitions (pol-BOCD), while maintaining low computational cost. Combining VV and VH time series improves sensitivity by 10% in heterogeneous parcels and strengthens robustness across different deforestation practices, with consistently low false alarm rates. Third, the method is generalized to multiple asynchronous time series via a fusion framework based on weighted statistical combination, demonstrated with Sentinel-1 and Sentinel-2 data (ms-BOCD). Fourth, BOCD is applied to a distinct use case—NRT detection of fire-induced forest loss—using field-collected data from a forest fire that occurred in September 2024 in Paragominas, Brazil. The results, showing 88% agreement, highlight the complementarity of Sentinel-1 and Sentinel-2: optical data are essential for unambiguous identification of burned areas, while SAR provides continuous observations during cloudy periods affecting optical data.
The proposed BOCD framework advances NRT monitoring of tropical forest loss by increasing sensitivity to small clearings, improving timeliness compared with existing operational systems, and enabling the integration of multi-source asynchronous data without sacrificing computational efficiency. These features are relevant for the future development of an operational early-warning system, supporting more timely and reliable deforestation monitoring. |