Instructeur(e)s :  Dr. Chayma Chaabani et Pr. Saeid Homayouni (INRS-ÉTÉ)

Description :  L'imagerie par radar à ouverture synthétique (ROS), en anglais « Synthetic Aperture Radar » (SAR), est un outil puissant pour la surveillance continue de la surface de la Terre, fonctionnant jour et nuit, quelles que soient les conditions météorologiques. La technique SAR interférométrique (InSAR), basée sur les principes de l'interférométrie radar, utilise des ondes radar pour mesurer la topographie et la déformation de la surface du sol. Avec cette technique, il s'agit de prendre en compte les différences de phase entre les signaux radar collectés lors de passages multiples au-dessus d'une même zone géographique à des moments différents.

Cet atelier vise à fournir aux participants une compréhension des concepts clés d'InSAR et des applications possibles dans diverses disciplines de la télédétection. Tout au long de l'atelier, les participants exploreront les différents modes d'acquisition utilisés dans les données InSAR, en se concentrant sur l'imagerie du capteur Sentinel-1 disponible gratuitement. Le processus de génération de produits InSAR sera présenté, y compris la cohérence InSAR et l'interférogramme. En outre, les participants seront en mesure de mieux comprendre l'interprétation des produits InSAR dans différentes applications. Les participants apprendront également à utiliser InSAR pour surveiller les risques naturels et exploreront son rôle dans le suivi des changements de la surface du sol et de la topographie.

De plus, l'atelier permettra aux participants de travailler sur une application réelle. Ils utiliseront le jeu de données open-source Sentinel-1 et le logiciel SNAP de l'ESA European Space Agency) pour étudier un cas d'étude de surveillance de la déformation de la surface du sol, en combinant les connaissances théoriques et l'apprentissage pratique. Cette session pratique interactive permettra aux participants d'acquérir de l'expérience en générant des produits InSAR pour réaliser des applications de surveillance de la déformation du sol.

Exigences

• Des connaissances de base sur l’imagerie acquise par un radar à ouverture synthétique (ROS) est requises.
• Les participants auront besoin d'un ordinateur portable et du logiciel libre ESA SNAP (https://step.esa.int/main/download/snap-download/)

La Dre Chayma Chaabani est titulaire d'un diplôme d'ingénieur en informatique de l'École nationale supérieure d'informatique (ENSI), Tunisie, et d'un diplôme de doctorat en technologies de l'information et de la communication (TIC) de l'École supérieure de communication de Tunis (SUPCOM), Tunisie. Depuis juillet 2022, elle est postdoctorante dans le laboratoire de télédétection nordique et environnementale (TENOR) au Centre pour l'eau, la terre et l'environnement de l'Institut national de la recherche scientifique (INRS-ETE) au Québec, Canada. Ses recherches portent principalement sur l'utilisation et l'analyse des techniques SAR et InSAR pour la surveillance des glaces et des mouvements du sol en utilisant des approches d'apprentissage automatique et d'apprentissage profond.

Le Pr. Saeid Homayouni est professeur de télédétection environnementale et de géomatique au Centre pour l'eau, la terre et l'environnement de l'Institut national de la recherche scientifique du Québec (INRS-ETE). Il dirige le Groupe sur l'analyse de l'observation de la Terre par l'intelligence artificielle (GEO-AI) à l'INRS-ETE et codirige le Laboratoire de télédétection nordique et environnementale (TENOR). Compte tenu de son expertise en télédétection environnementale et en géomatique, ses recherches portent principalement sur l'analyse des observations de la Terre (images optiques, hyperspectrales, SAR et UAV) à l'aide de techniques avancées d'apprentissage automatique et d'intelligence artificielle pour des applications urbaines et agro-environnementales telles que la cartographie et la surveillance des terres cultivées, des zones humides, de la glace côtière et marine et des glissements de terrain.

Instructeure :  Sara Banks (Environnement et Changement climatique Canada)

Description :  Ce cours d'une demi-journée est conçu pour aider les étudiants et les professionnels à comprendre certains des concepts les plus complexes de la télédétection SAR. Conçu pour tous, des parfaits débutants aux utilisateurs avancés, AUCUNE connaissance préalable du SAR, de l'algèbre linéaire, de la physique ou de la télédétection n'est requise ! À l'aide d'exemples pratiques et de visualisations simples, ce cours complet répond à des questions telles que : Qu'est-ce que la polarisation et la phase ? Qu'est-ce qu'un nombre complexe ? Quelles sont les caractéristiques de la cible qui affectent l’impulsion incidente des micro-ondes et pourquoi ? Dans un exercice pratique en laboratoire, nous montrons également où et comment télécharger l'imagerie SAR. Nous examinons le contenu d'une image SAR brute, apprenons à l'ouvrir, à la visualiser et à appliquer un prétraitement dans SNAP.

Sara Banks (Environnement et Changement climatique Canada) is a Physical Scientist at Environment and Climate Change Canada, as well as a PhD student in Geography and Environmental Studies at Carleton University.

J'ai grandi dans une petite ville située à environ une heure au sud d'Ottawa où, enfant, je passais mes étés à jouer au Nintendo ou à explorer les forêts et les terres humides de mon quartier. Je pense que c'est ainsi que j'ai commencé à m'intéresser à la géographie. Lorsque je suis entrée à l'université, j'avais l'intention de devenir professeur de géographie, mais après avoir suivi quelques cours, j'ai commencé à m'intéresser à la télédétection et j'ai finalement obtenu une licence, puis une maîtrise en géographie physique à l'université Carleton. C'est au cours de ma maîtrise que j'ai commencé à m'intéresser au radar à ouverture synthétique (ROS), en anglais « Synthetic Aperture Radar » (SAR), que j'ai utilisé à la fois dans le cadre de mon travail en tant qu'étudiante du Programme des adjoints de recherche à Agriculture et Agroalimentaire Canada et dans le cadre de mon projet de mémoire de maîtrise, qui portait sur la cartographie des types de littoral. J'ai continué à travailler avec le SAR après avoir obtenu mon diplôme, en tant que chercheure invitée au Centre aérospatial allemand (DLR), puis en tant que spécialiste des sciences physiques à Environnement et Changement climatique Canada (ECCC). Tout au long de ma carrière, j'ai été passionnée par la promotion de la diversité, de l'équité et de l'inclusion dans la télédétection, en particulier dans la télédétection SAR. C'est pourquoi, en 2020, moi-même, le Dr Laura Dingle Robertson et le Dr Gopika Suresh avons créé le compte X (twitter) @sistersofSAR pour partager les avancées et les recherches exceptionnelles attribuables aux #WomeninSAR. Tout au long de ma carrière, je me suis également passionnée pour l'enseignement du SAR de manière à le rendre facile à comprendre et à le rendre plus accessible à un plus grand nombre de scientifiques et d'autres utilisateurs finaux. C'est pourquoi j'ai donné des cours de RSO au niveau collégial et universitaire, ainsi que dans le cadre du programme ARSET de la NASA.

Instructeur(e)s :  Hana Travers-Smith, Claire Armour et Leanna Stackhouse (Integrated Remote Sensing Studio, Faculty of Forestry, University of British Columbia)

Description :  Cet atelier a pour but d'exploiter la puissance du paquetage lidR (Airborne LiDAR Data Manipulation and Visualization for Forestry Applications) en langage R, pour la gestion forestière. Les participants apprendront à accéder aux informations des fichiers lidar et à les analyser, notamment à sélectionner des régions d'intérêt et à générer des produits standard tels que des modèles numériques de terrain et des modèles de hauteur de la canopée. L'atelier couvrira également des sujets tels que l'utilisation des résultats lidR pour la modélisation des attributs forestiers en utilisant l'approche basée sur la surface, la segmentation des arbres individuels et la création de métriques définies par l'utilisateur. Les participants découvriront comment traiter efficacement des collections de fichiers lidar en utilisant le moteur de traitement LAScatalog. Ne manquez pas cette occasion d'améliorer vos compétences en matière d'analyse avec le lidar !

Hana Travers-Smith
UBC Integrated Remote Sensing Studio Faculty of Forestry

Claire Armour
UBC Integrated Remote Sensing Studio Faculty of Forestry

Leanna Stackhouse
UBC Integrated Remote Sensing Studio Faculty of Forestry

Instructeure :  Dr. Maryam Jameela (York University)

Description :  De nombreux domaines scientifiques ont tenté de comprendre ou d'imiter le comportement du cerveau humain, afin de développer des solutions pour faciliter les applications environnementales, militaires et civiles. L'apprentissage profond est devenu l'un des domaines d'apprentissage automatique qui connaît la croissance la plus rapide. Il tente de classifier, de détecter, de segmenter et de reconnaître des objets et des zones d'intérêt par le biais d'un réseau neuronal semblable à des neurones. Par conséquent, l'apprentissage profond peut donc être utilisé pour diverses applications de navigation autonome et de télédétection et a connu un grand succès au cours de la dernière décennie. Dans le domaine de la télédétection, l'apprentissage profond a été appliqué à de multiples types de données (par exemple, spectrales, hyperspectrales, LiDAR) pour des applications de classification, de détection d'anomalies, de classification de la surface du terrain, de détection d'objets et bien d'autres encore.

L'apprentissage profond tente d'imiter le cerveau humain pour apprendre à comprendre les informations données, appelées pool de formation. Le pool d'apprentissage est une grande quantité de données étiquetées qui permet au modèle d'apprentissage profond d’apprendre des caractéristiques de haut et de bas niveau. Par la suite, le modèle formé est utilisé à l'étape d'inférence pour prédire des ensembles de données inédites. Le modèle d'apprentissage profond est également appelé « backbox », car il fournit une solution de bout en bout pour les tâches qui nécessitent traditionnellement une supervision de l'utilisateur.

Notre atelier présentera les approches d'apprentissage profond par le biais de la théorie et d'exemples. Il comprendra deux sessions : la première portera sur des ensembles de données d'images (2D) et la seconde sur des ensembles de données LiDAR (3D).

La première session donnera un aperçu de l'apprentissage profond, en expliquant les théories et terminologies importantes des réseaux neuronaux convolutifs. Ensuite, nous passerons en revue les derniers réseaux de détection d'objets en 2D, tels que le RCNN orienté, qui sera au centre de la démonstration de cette session pour la détection de pylônes et de travées dans les données de couloirs de services publics. La deuxième session couvrira une leçon sur le traitement des nuages de points LiDAR. Nous examinerons ensuite RandLA et SUNet pour comprendre la démonstration de la compréhension des scènes urbaines et de la segmentation sémantique des couloirs de services publics.

Exigences :

• Des connaissances de base en programmation
• Un ordinateur portable est nécessaire
• Un compte Github est facultatif

Dr. Maryam Jameela (York University) is a Ph.D. from the Department of Earth and Space Sciences and Engineering at Lassonde School of Engineering, York University. She works as a Research Scientist at Teledyne Optech, Canada. Her current research work is a collaboration between the Mobility Innovation Centre (MOVE) at the Lassonde School of Engineering, York University, and Teledyne Optech. The major research focus was developing a noise-filtering deep neural network and deep utility semantic neural network for the large-scale 3D point cloud. She has experience of 06 years in geomatics and deep learning and, overall, 10 years of experience in software development.

Instructeur(e)s :  Mélanie Trudel (Université de Sherbrooke), Gabriela Siles (Université Laval) et Samuel Foucher (Université de Sherbrooke)

Description: L'objectif de cet atelier est de familiariser les participants avec le satellite SWOT (Surface Water and Ocean Topography) qui vient d'être lancé.

La mission SWOT, menée par la National Aeronautics and Space Administration (NASA) et le Centre national d'études spatiales (CNES), en collaboration avec les agences spatiales canadienne (ASC) et britannique (UKSA), comprend un nouveau concept de capteur altimétrique représentant une avancée majeure par rapport aux capteurs existants. Le capteur principal du satellite SWOT (KaRin) est un interféromètre radar en bande Ka (8,6 mm) au voisinage du nadir (0,6° à 3,9°). Cela permet de maximiser le signal au-dessus de l'eau (rétrodiffusion de l'ordre de 20 dB au-dessus de l'eau). Le satellite fournit un inventaire global et des mesures de niveau d'eau pour les lacs, les réservoirs et les zones humides de plus de 250m x 250m, ainsi que pour les rivières larges de plus de 100 m.

Afin d'informer la communauté de la télédétection sur l'utilisation des produits de données SWOT dans leur recherche et leur gestion de l'eau (y compris la neige et la glace), les points suivants seront abordés dans cet atelier :

• Description de la mission du satellite SWOT.
• Description des produits de données SWOT (SLC, PIXC, Raster, LakeSP, RiverSP) et de la manière d'accéder et de lire les produits SWOT.
• llustration de l'utilisation des produits de données SWOT dans la recherche et la surveillance hydrologiques et des ressources en eau.
• Discussion sur les défis liés à l'utilisation des produits SWOT.

Exigences :

• Des connaissances de base en programmation sont souhaitables (en particulier Python)
• Les participants devront apporter leur propre ordinateur portable (avec la dernière version du logiciel QGIS installé).

La Dre. Mélanie Trudel est professeure au Département de génie civil et de construction de l'Université de Sherbrooke depuis 2017. Elle est experte en télédétection radar (SWOT et bande C) et en modélisation hydrodynamique et hydrologique. Membre de l'équipe scientifique SWOT, elle est impliquée dans le programme SWOT depuis 2016, à travers ses collaborations avec les équipes du LEGOS et du CNES (France), ainsi qu'avec l'Agence spatiale canadienne (ASC) et Environnement et Changement climatique Canada (ECCC).

Gabriela Siles La Dre. Gabriela Siles est professeure au Département de géomatique de l'Université Laval (Québec) depuis 2023. Elle est géodésiste et possède une expertise en télédétection radar et optique, notamment en altimétrie pour les milieux d'eau douce. Elle est impliquée dans le projet SWOT depuis 2018 et fait partie de l'équipe scientifique internationale et canadienne de SWOT. Elle travaille en étroite collaboration avec l'équipe de développement de l'algorithme SWOT du CNES et avec le LEGOS (France). Ses activités comprennent le Cal/Val de SWOT et des activités scientifiques de terrain dans le sud du Québec. Elle collabore également avec l'Agence spatiale canadienne (ASC) et Environnement et Changement climatique Canada (ECCC) dans le cadre de la mission SWOT.

Le Dr. Samuel Foucher est professeur au Département de géomatique appliquée de l'Université de Sherbrooke (Québec). Il est titulaire d'un doctorat en télédétection de cette même université. Il a plus de 25 ans d'expérience en recherche et développement dans l'industrie, dans différents domaines d'application. Ses principaux domaines d'expertise sont les plateformes scientifiques pour l'exploitation des données d'observation de la Terre et l'application de l'apprentissage profond aux sciences de l'environnement. Ses recherches portent sur la télédétection, le radar à ouverture synthétique (ROS), en anglais « Synthetic Aperture Radar » (SAR), l'apprentissage profond, le débruitage d'images, le changement climatique, le traitement d'images et la polarimétrie SAR.

Instructeur(e)s : Nick Pontone et Yasaman Amini (Carleton University)

Description :  Découvrez l'analyse environnementale avec notre atelier Google Earth Engine (GEE), où la complexité des données satellitaires devient accessible et attrayante. GEE est une plateforme puissante, gratuite et basée sur le nuage informatique (cloud) qui facilite l'analyse des séries temporelles et des grandes données issues de l'imagerie de télédétection, sans nécessiter de logiciel spécialisé ou de stockage et de traitement des données au niveau local. Elle offre un accès direct à de vastes archives satellitaires, y compris, mais sans s'y limiter, MODIS, Landsat et Sentinel, par le biais d'API Python ou JavaScript.

Cet atelier est conçu pour fournir une exploration des capacités de Google Earth Engine en utilisant l'API Python, permettant l'analyse de grandes zones et de séries temporelles d'images multispectrales et SAR. Il comprendra un mélange d'exercices pratiques, de démonstrations pratiques et de conférences qui couvrent à la fois les aspects techniques et théoriques de la télédétection. Les sujets abordés comprendront l'analyse des étendues d'eau pour la cartographie des inondations, la classification de l'utilisation des sols et l'extraction de données de séries temporelles.

Ce cours est idéal pour les passionnés de SIG, les scientifiques de l'environnement et tous ceux qui s'intéressent à l'observation de la Terre, en leur offrant un chemin direct vers l'utilisation de l'informatique en nuage dans leurs flux de travail. Les participants doivent être prêts à acquérir des compétences de base en matière de codage. Bien qu'une expérience préalable du codage ne soit pas un prérequis pour ce cours, une compréhension de base des langages de script serait bénéfique.

Exigences :

• Apporter son propre ordinateur portable.
• Disposer d'un compte Google (par exemple, un compte Gmail).
• Demander l'accès à la plateforme Google Earth Engine avant l'atelier, en remplissant le formulaire à l'adresse https://signup.earthengine.google.com.

Nick Pontone est doctorant sous la direction de Koreen Millard au Département de géographie et d'études environnementales de l'Université Carleton. Ses recherches portent sur la télédétection des tourbières boréales à l'aide de techniques de mégadonnées (big data), de multicapteurs, d'apprentissage automatique et d'analyse de séries temporelles. Nick utilise GEE depuis plusieurs années et se sert des API JavaScript et Python pour le prétraitement et l'analyse des images.

Yasaman Amini, qui poursuit actuellement son doctorat à l'université de Carleton, au sein du Département de géographie et d'études environnementales, collabore étroitement avec Koreen Millard et Murray Richardson. Ses recherches portent sur l'amélioration des capacités de prévision des incendies de forêt dans les tourbières, à l'aide des technologies de télédétection. Yasaman sait utiliser les GEE pour analyser les données environnementales, ce qui permet de mieux comprendre l'hydrologie et la dynamique de la végétation.