Reconstruction de données manquantes dans des séries temporelles de mesures de déplacement par télédétection

par Alexandre Hippert-Ferrer

Thèse de doctorat en STIC Traitement de l'Information

Sous la direction de Philippe Bolon et de Yajing Yan.

Le président du jury était Guillaume Ginolhac.

Le jury était composé de Laurent Ferro-Famil, Jean-Philippe Ovarlez, Antoine Rabatel.

Les rapporteurs étaient Laurent Ferro-Famil, Jean-Philippe Ovarlez.


  • Résumé

    Malgré la masse de données (satellitaires et in-situ) disponibles en mesure de déplacement, l’incomplétude de données reste toujours un problème fréquemment rencontré. Ce phénomène est principalement dû au changement des propriétés de surface de l’objet observé et/ou aux limites techniques des méthodes de calcul de déplacement terrestre (e.g. interférométrie différentielle, corrélation croisée). Rendant les données discontinues en espace et en temps, l’incomplétude de données constitue un écueil vers la compréhension complète des phénomènes physiques sous-jacents liés au déplacement de surface. Malgré ce constat, l’analyse de données manquantes ne bénéficie pas d’une attention sérieuse et dédiée à la mesure de déplacement. Des méthodes de reconstruction adaptées aux données sont ainsi nécessaires pour gérer la présence de données manquantes spatio-temporelles au sein de séries temporelles de mesure de déplacement. Dans cette thèse, nous proposons trois approches pour l’analyse et la reconstruction de données manquantes en mesure de déplacement par télédétection. Les deux premières approches sont basées sur la décomposition de la covariance temporelle et spatio-temporelle du signal de déplacement en fonctions empiriques orthogonales (EOFs). Ces études ont débouché sur le développement de deux méthodes, appelées EM-EOF et extendedEM-EOF, nécessitant d’initialiser les valeurs manquantes avant traitement. La troisième étude, plus prospective, est orientée vers l’estimation robuste de la matrice de covariance du signal de déplacement, sans initialisation préalable des valeurs manquantes. Ces trois approches ont en commun de s’appuyer sur un schéma de résolution itératif de type espérance-maximisation (EM) ainsi que sur la sélection d’un nombre réduit de modes décrivant le maximum de variabilité du signal de déplacement. L’ensemble des cas d’études sur données réelles et synthétiques fournissent des résultats prometteurs, renforçant l’intérêt que porte l’étude des données manquantes en mesure de déplacement par télédétection

  • Titre traduit

    Missing data reconstruction in remotely sensed displacement measurement time series


  • Résumé

    Despite the large volume of available data (satellite and in-situ) in displacement measurement, data incompleteness is still a commonly encountered issue. This phenomenon is mainly due to surface property changes of the observed object and/or to technical limitations of the displacement extraction methods (e.g. differential interferometry, offset tracking). By generating time and space discontinuity, data incompleteness can hinder a thorough understanding of underlying physical phenomena that induce surface displacement. However, missing data analysis in displacement measurement has not been paid significant and dedicated attention. In this context, advanced reconstruction methods, adapted to the data specificities, are necessary for handling spatio-temporal gaps in displacement measurement time series. In this thesis, we propose three approaches for analysing and imputing missing data in remotely sensed displacement measurement time series. The two firstapproaches are based on the decomposition of the temporal and spatio-temporal covariance of the displacement signal into Empirical Orthogonal Functions (EOFs). These studies have led to the development of two methods, so-called EM-EOF and extended EM-EOF, both requiring an initialization of the missing values. The third approachintends to explore techniques in robust estimation of the covariance matrix without initialization of the missing values. All approaches rely on an Expectation-Maximization (EM)-type iterative resolution scheme and reckon with the covariance low rank structure, which describe most of the variability of the displacement signal. Both synthetic simulations and real data applications present promising results, bringing to light the interest of the proposed approaches for missing data imputation in remotely sensed displacement measurement time series


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?