Type de document

Thèse de doctorat

Diffusion

Accès libre

Titre

Méthodes d'estimations statistiques et apprentissage pour l'imagerie agricole

Auteur

Dimeglio, Chloé

Directeur de thèse

Besse, Philippe

Loubes, Jean-Michel

Date de soutenance

2013-10-01

Établissement de soutenance

Université de Toulouse

Université Toulouse III - Paul Sabatier

École doctorale

Mathématiques, informatique, télécommunications de Toulouse (MITT)

Structure de recherche

Institut de Mathématiques de Toulouse (IMT), UMR 5219

Discipline

Mathématiques appliquées

Sujet

Mathématiques

Mots-clés en français

Estimation fonctionnelle

Big Data

Théorie du signal

Réduction de dimension

Sondage

Résumé en français

Nous disposons de séries temporelles d'indices associés à chaque pixel d'une image satellite. Notre objectif est de fournir au plus tôt une information fiable sur les estimations de surfaces en culture à partir de l'information attachée à chaque pixel et caractérisée par la courbe qui lui est associée. Il s'agira donc dans un premier temps de caractériser la variabilité spatiale associée à ces pixels et de déterminer une segmentation spatiale qui permette d'homogénéiser les données par classe. Dans un second temps l'extraction de l'information utile tiendra compte de la structure des courbes caractéristiques de la nature des pixels de l'image. L'étape finale consistera à déterminer la méthode adéquate d'estimation pour une prédiction des surfaces en cultures.

Résumé en anglais

We have to provide reliable information on the acreage estimate of crop areas. We have time series of indices contained in satellite images, and thus sets of curves. We propose to segment the space in order to reduce the variability of our initial classes of curves. Then, we reduce the data volume and we find a set of meaningful representative functions that characterizes the common behavior of each crop class. This method is close to the extraction of a "structural mean". We compare each unknown curve to a curve of the representative base and we allocate each curve to the class of the nearest representative curve. At the last step we learn the error of estimates on known data and correct the first estimate by calibration.

Numéro national de thèse

2013TOU30110

Date de publication

2016-09-27T14:22:24