Sequential Learning of SAR Image Time Series for Earth Deformation Monitoring

L'Interférométrie Radar à Synthèse d'Ouverture (IRSO) est une technique d'observation de la Terre quipermet de mesurer les déformations de surface avec une précision allant du centimètre au millimètre paran. Cette méthode repose sur l'analyse des différences de phase entre plusieurs images Radar à Synthèse d'Ouverture (RSO) acquises à des dates différentes. Elle est essentielle pour surveiller divers phénomènes géophysiques, tels que les affaissements de terrain, les déformations urbaines ou encore les mouvements volcaniques.Grâce aux missions satellitaires comme Sentinel-1, il est désormais possible d'obtenir gratuitement unenouvelle image radar tous les 6 ou 12 jours, générant ainsi d'importantes séries temporelles d'observations. Bien que cette richesse temporelle offre un fort potentiel pour le suivi des déformations, elle entraîne également une augmentation considérable du volume de données à traiter. Les approches classiques d'IRSO Multi-Temporel (MT-IRSO) , dites "offline", nécessitent de traiter simultanément l'ensemble des acquisitions, ce qui engendre une complexité computationnelle élevée, une consommation de mémoire importante, et une réactualisation coûteuse lorsqu'une nouvelle image est ajoutée. De plus, toute nouvelle acquisition impose souvent de relancer le traitement complet ou au moins une partie, ce qui limite la réactivité pour le suivi en temps quasi réel.Pour répondre à ces limitations, cette thèse explore des méthodes d'estimation séquentielle de phase MT-IRSO. Ces approches permettent d'avoir progressivement les estimations à mesure que de nouvelles images sont disponibles, sans recalcul complet. S'appuyant sur les approches offline de l'état de l'art, l'objectif est d'obtenir une estimation de phase robuste et précise, tout en réduisant la complexité computationnelle. Dans le cadre de cette thèse, nous proposons trois méthodes d'estimation séquentielle de la phase d'une série temporelle d'images RSO. La première approche est basée sur l'Estimation par Maximum de Vraisemblance et les deux autres approches sont basées sur le principe d'ajustement de matrice de covariance. L'ensemble de ces études sont validées sur des données synthétiques et réelles fournissant des résultats prometteurs.