Thèse de doctorat en Géographie
Sous la direction de Anne Puissant et de Sandrine Glatron.
Soutenue le 28-09-2016
à Strasbourg , dans le cadre de École doctorale Sciences de la Terre et Environnement (Strasbourg ; 2000-....) , en partenariat avec Laboratoire image, ville et environnement (Strasbourg) (laboratoire) .
Le président du jury était Christiane Weber.
Le jury était composé de David Sheeren.
Les rapporteurs étaient Sébastien J.-P. Gadal, Jean-Christophe Foltête.
Les villes sont confrontées à de nombreuses problématiques environnementales. Leurs gestionnaires ont besoin d'outils et d'une bonne connaissance de leur territoire. Un objectif est de mieux comprendre comment s'articulent les trames grise et verte pour les analyser et les représenter. Il s'agit aussi de proposer une méthodologie pour cartographier la structure urbaine à l'échelle des tissus en tenant compte de ces trames. Les bases de données existantes ne cartographient pas la végétation de manière exhaustive. Ainsi la première étape est d'extraire la végétation arborée et herbacée à partir d'images satellites Pléiades par une analyse orientée-objet et une classification par apprentissage actif. Sur la base de ces classifications et de données multi-sources, la cartographie des tissus se base sur une démarche d'extraction de connaissances à partir d'indicateurs issus de l'urbanisme et de l'écologie du paysage. Cette méthodologie est construite sur Strasbourg puis appliquée à Rennes.
Contribution of very high spatial resolution satellite images combined with multi-sources geographic data to analyse urban spaces
Climate change presents cities with significant environmental challenges. Urban planners need decision-making tools and a better knowledge of their territory. One objective is to better understand the link between the grey and the green infrastructures in order to analyse and represent them. The second objective is to propose a methodology to map the urban structure at urban fabric scale taking into account the grey and green infrastructures. In current databases, vegetation is not mapped in an exhaustive way. Therefore the first step is to extract tree and grass vegetation using Pléiades satellite images using an object-based image analysis and an active learning classification. Based on those classifications and multi-sources data, an approach based on knowledge discovery in databases is proposed. It is focused on set of indicators mostly coming from urbanism and landscape ecology. The methodology is built on Strasbourg and applied on Rennes to validate and check its reproducibility.
Il est disponible au sein de la bibliothèque de l'établissement de soutenance.