Avis de Soutenance - Ricardo Simao DAL MOLIN JUNIOR

Monsieur Ricardo Simao DAL MOLIN JUNIOR

Soutiendra publiquement sa thèse de doctorat de l’Université Paris-Saclay intitulée

Development of Deep Learning Algorithms 

for Land Cover Classification and Monitoring 

with Multi-Temporal Earth Observation Data

sous la direction de Laetitia THIRION, Professeur, CentraleSupélec,
le co-encadrement de Régis GUINVARC’H, Professeur, CentraleSupélec,

Et de Paola RIZZOLI, Head of the Radar Science Research Group, DLR (Deutsches Zentrum for Luft- und Raumfahrt)

Soutenance prévue le mercredi 15 avril 2026 à 10h00

Lieu : CentraleSupélec, 8 rue Joliot Curie 91190 Gif-sur-Yvette

Salle : Amphithéâtre IV, bât Eiffel

Composition du jury :

• Jérôme CHAVE – Directeur de Recherche CNRS, Centre de Recherche sur la Biodiversité et l’Environnement, Toulouse (Rapporteur)

• Dino IENCO – Directeur de recherche INRAE, UMR Territoire Environnement Télédétection et Information Spatiale, Montpellier (Rapporteur)

• Florence TUPIN – Professeure Télécom Paris, Institut Polytechnique de Paris, Laboratoire de Traitement et de Communication de l’Information (Examinatrice)

• Jean-François NOUVEL – Ingénieur de Recherche, Département Electromagnétisme et Radar, ONERA Salon (Examinateur)

Mots clés :

Classification de la couverture terrestre, Observation de la Terre, Apprentissage profond, SAR

Résumé :

Les progrès récents dans le domaine de la télédétection et la quantité toujours croissante de données d'observation de la Terre (EO) offrent à la communauté scientifique une perspective sans précédent sur la dynamique de l'équilibre écologique mondial. Par conséquent, la disponibilité de données fiables et actualisées décrivant les caractéristiques de la couverture terrestre présentant un intérêt environnemental, et en particulier celles liées aux paramètres forestiers, est essentielle dans le contexte du développement durable et de l'atténuation du changement climatique. Cependant, dans les régions tropicales, qui abritent d'inestimables ressources forestières, la surveillance par données satellitaires optiques est fortement limitée par la couverture nuageuse persistante. Le radar à synthèse d'ouverture (SAR) est un instrument à micro-ondes actif qui offre des capacités d'imagerie par tous les temps, de jour comme de nuit. L'utilisation généralisée du SAR pour la cartographie à grande échelle de la couverture terrestre et de la végétation a été stimulée par la mission Sentinel-1, dont la couverture mondiale et la politique de données ouvertes ont ouvert la voie à une série d'études. Malgré les avantages susmentionnés du SAR, les approches de surveillance existantes dans la littérature ont encore du mal à caractériser efficacement l'état des forêts tropicales en raison d'une combinaison d'exigences techniques dans le traitement des images SAR, du manque de données de référence avec une résolution temporelle appropriée, de la dynamique complexe des environnements forestiers et de la nécessité de modèles de classification robustes. Pour relever ces défis, cette thèse propose un cadre d'apprentissage profond de bout en bout basé sur l'utilisation conjointe des caractéristiques SAR et SAR interférométrique (InSAR) à passages répétés dérivées des séries chronologiques courtes Sentinel-1. La méthodologie proposée consiste à étudier le rôle des modèles saisonniers intra-annuels et les données de référence afin de générer des cartes précises de la couverture terrestre sur une base mensuelle. À cette fin, des modèles de classification basés sur des réseaux neuronaux profonds et des transformateurs de pointe sont proposés pour différents scénarios. Enfin, en réalisant des prévisions précises et en temps opportun, le potentiel du cadre développé pour les applications de surveillance environnementale est démontré, établissant ainsi une base solide pour la génération de produits de couverture terrestre à grande échelle et à long terme.

Keywords:

Land Cover Classification, Earth Observation, Deep Learning, SAR

Abstract:

The recent advances in remote sensing technology and the ever-growing amount of Earth Observation (EO) datasets provide the scientific community with an unprecedented perspective on the dynamics of the global ecological balance. Therefore, the availability of reliable and up-to-date data describing land cover features of environmental interest, and in particular those related to forest parameters, is pivotal in the context of sustainable development and climate change mitigation. However, in tropical regions, host of invaluable forest resources, the monitoring through optical satellite data is severely limited by persistent cloud cover. Synthetic Aperture Radar (SAR) is an active microwave instrument that provides all-weather, day-and-night imaging capabilities. The widespread use of SAR for large-scale land cover and vegetation mapping has been driven by the Sentinel-1 mission, whose global coverage and open-data policy paved the way for a series of studies. Despite the aforementioned advantages of SAR, existing monitoring approaches in the literature still struggle to effectively characterize the state of tropical forests due to a combination of technical requirements in processing SAR images, lack of reference data with appropriate temporal resolution, the complex dynamics of forest environments and the need for robust classification models. To tackle these challenges, this thesis proposes and end-to-end deep learning framework based on the joint use of SAR and repeat-pass interferometric SAR (InSAR) features derived from Sentinel-1 short time series. The proposed methodology includes investigating the role of intra-annual seasonal patterns and the reference data to generate accurate land cover maps on a monthly basis. To this end, classification models based on state-of-the-art deep neural networks and transformers are proposed for different scenarios. Finally, by achieving timely and accurate predictions, the potential of the developed framework for environmental monitoring applications is demonstrated, establishing a solid basis for the generation of large-scale and long-term land cover products.