The world’s forests have undergone substantial changes in the last decades. In the tropics, 17% of moist forests disappeared between 1990 and 2019, through deforestation and forest degradation [7]. These changes contribute greatly to biodiversity loss through habitat destruction, soil erosion, terrestrial water cycle disturbances, and anthropogenic CO2 emissions. Continuous monitoring of global deforestation is a fundamental tool to support preservation actions and to stop further destruction of vegetation. Several forest disturbance detection systems have already been developed, mainly based on space-borne optical remote sensing [4] which is severely limited by cloud coverage in the tropics. Contrarily to optical imagery, SAR products have the great potential of being insensitive to the presence of clouds. In recent years, several SAR-based systems have been developed and are now operational in different dense forest areas across the tropics [2], [3], [5], [6]. Despite the extensive coverage and temporal density of acquisitions, C-band SAR data like Sentinel-1 are not ideal for deforestation monitoring since the returned backscatter can be altered by variations in soil moisture and others. In this work, we investigate a new method to monitor forest loss in a near real-time manner exploiting the principle of Bayesian inference. In particular, forest loss is treated as a change-point detection problem within a univariate time series (i.e. Sentinel-1 single polarization), in which each new observation contributes to the probability of having or not deforestation in a Bayesian-like manner [1]. Detection delay and false alarm reduction have been investigated through the extension of the algorithm to the multivariate case of dual-polarization Sentinel-1 acquisitions. Given the synchronous nature of VV, VH acquisitions, such a modification allows an increase in the equivalent number of looks on a pixel on the ground, hence augmenting the level of confidence of an issued alert. A validation campaign has been conducted to assess the performance of the method. The test sites are located in French Guiana and Brazil where deforestation takes place constantly and near real-time monitoring is fundamental for law enforcement practices. Additionally, a comparison with a well-known deforestation monitoring technique, namely Maximum Likelihood Ratio Test, has been performed to further evaluate the proposed method. Conclusively, the potential of extending the current method to asynchronous data sources such as Sentinel-2 optical data is addressed.

La détection en quasi-temps réel (NRT pour Near Real-Time) de la perte de forêts tropicales est essentielle pour la conservation de la biodiversité et la gestion du carbone. Les systèmes actuels de surveillance par télédétection satellitaire présentent cependant des limites, liées à la sensibilité des données à la saisonnalité et la variabilité environnementale. De plus, les approches optiques souffrent souvent de longs délais de détection en raison d’une couverture nuageuse fréquente, tandis que les méthodes utilisant des données radar à synthèse d’ouverture (SAR pour Synthetic Aperture Radar) sont affectées par la variabilité du speckle et la perte de résolution causée par le filtrage des images, ce qui réduit leur sensibilité aux perturbations à petite échelle. Cette thèse présente une approche non supervisée de détection bayésienne en ligne de points de changement (BOCD pour Bayesian Online Changepoint Detection) pour la détection NRT de la perte de forêt, évaluée à l’aide de données de référence fiables MapBiomas Alerta, couvrant l’Amazonie brésilienne et le Cerrado. La méthode estime la déforestation de manière récursive en ligne selon le principe du Maximum A Posteriori (MAP). Elle se base sur la distribution a posteriori du nombre d’acquisitions effectuées depuis le plus récent changement, modélisé comme une variable aléatoire associée à l’état caché d’un modèle de Markov. Le traitement récursif et des statistiques a priori conduisent à une gestion efficace de la variabilité du signal et de la saisonnalité. La conjugaison a priori permet la mise à jour de paramètres à coût calculatoire réduit, et un mécanisme d’analyse de survie tient compte du contexte spatiotemporel des perturbations. Le BOCD est tout d’abord mis en oeuvre avec des séries temporelles SAR Sentinel-1, non filtrées pour préserver les détails spatiaux. Les résultats montrent des taux de détection plus élevés pour les clairières de petite taille que ceux obtenus avec les principaux systèmes opérationnels tels que GLAD-L, RADD et GFW, tout en maintenant de faibles taux de fausses alertes. Pour les grandes clairières, le BOCD surpasse GLAD-L dans le Cerrado et égale RADD en Amazonie, bien que GFW reste supérieur grâce à sa combinaison de produits SAR et optiques. Le BOCD est ensuite étendu aux acquisitions polarimétriques Sentinel-1 (pol-BOCD), tout en conservant une faible complexité. La combinaison des canaux VV et VH améliore la sensibilité de 10 % sur les parcelles hétérogènes et renforce la robustesse face aux différentes pratiques de déforestation, avec des taux de fausses alertes systématiquement faibles. Un troisième développement méthodologique est introduit, qui généralise la détection Bayésienne en ligne à plusieurs séries temporelles asynchrones via une approche de fusion basée sur une combinaison statistique pondérée, mise en oeuvre avec les données Sentinel-1 et Sentinel-2 (ms-BOCD). Finalement, le BOCD est appliqué à un cas d’usage particulier : la détection NRT de la perte de forêt par le feu, utilisant des données de terrain collectées lors d’un incendie survenu en septembre 2024 à Paragominas, au Brésil. Les résultats montrent un accord de 88 %, et soulignent la complémentarité entre les données SAR Sentinel-1 et multispectrales Sentinel-2 : les données optiques identifient sans ambiguïté les zones brûlées et le SAR permet des observations continues pendant les périodes nuageuses affectant les données optiques. Le cadre BOCD proposé améliore la surveillance en NRT des pertes forestières tropicales en augmentant la sensibilité au déboisement de petites parcelles, en réduisant les délais de détection par rapport aux systèmes opérationnels existants et en permettant l’intégration de données multi-sources asynchrones, sans compromettre l’efficacité calculatoire. Ces caractéristiques sont pertinentes pour le développement futur d’un système opérationnel d’alerte précoce, favorisant une surveillance de la déforestation plus rapide et fiable.