Spaceborne remote sensing has enabled near-global mapping of the Earth’s topography. However, satellite-derived digital elevation models (DEMs) are unsuited for modeling fine- scale Earth surface processes due to their limited spatial resolution. To this day, fine- resolution DEMs remain sparsely distributed across the planet owing to the technical chal- lenges and substantial costs for producing densely sampled data sets. Over the last decade, multispectral satellite imagery (MSI) has become widely available, providing abundant fine- resolution data for monitoring the Earth’s surface. Although rendering no elevation infor- mation, MSI has the potential to provide indirect fine-scale information about topography. Statistical downscaling enables prediction of attributes at scales finer than that of the input data. Multiple-point statistics (MPS) simulation is a powerful alternative for stochastic downscaling due to its ability to replicate complex spatial patterns and assess the uncer- tainty of the predictions. Conceptually, MPS simulation methods could be employed for downscaling of coarse-resolution DEMs by extracting spatial information from available fine-resolution DEMs and MSI of better-measured data sets. The application of MPS sim- ulation for downscaling of DEMs is compelling, but there are many issues to be addressed. Trends in elevation pose a challenge for stochastic downscaling of mountainous terrain. MPS simulation algorithms are also notably difficult to parameterize, often requiring man- ual parameter calibration. As a result, the integration of disparate data sources, such as DEMs and MSI, into the downscaling becomes a daunting task.
Addressing these challenges requires the development of an automated data integra- tion approach. In this thesis, a MPS-driven data integration framework for stochastic downscaling of coarse-resolution DEMs is developed. The approach is composed of algo- rithms designed for three primary tasks: the statistical downscaling of data sets with trends, the automation of the downscaling process, and the integration of secondary data into the downscaling. The first contribution of this thesis is a novel MPS-driven downscaling al- gorithm with inbuilt capabilities for handling data sets with trends. Terrain elevation is modeled as a spatial signal expressed as the sum of a deterministic trend and a stochastic residual component. The approach enables accurate downscaling of coarse-resolution DEMs of either flat or steep terrain. The second contribution addresses the parametrization of the MPS-driven downscaling algorithm. An automation routine is used to infer optimal algo- rithm parameters by framing the parameter calibration task as an optimization problem. The framework provides an efficient alternative for automatic generation of statistically ac- curate fine-resolution DEMs. The third contribution builds upon the two aforementioned developments by integrating finer-resolution MSI-sourced data as secondary information into the downscaling process. Elevation and MSI data with varying spatial resolutions are integrated based on a probabilistic framework. The approach enables to enhance the struc- tural accuracy of the fine-resolution simulated DEMs and to reduce the inherent uncertainty associated with the downscaling.
Developments in this thesis provide an efficient, low-cost alternative for fine-scale prob- abilistic topographic mapping based on the integration of available finer-resolution terrain and imagery data. Future research should focus on evaluating potential applications of the downscaled DEMs for the study of Earth surface processes, the planning and design of infrastructures, and the risk assessment of natural hazards.
--
La télédétection spatiale a permis une cartographie quasi globale de la topographie terrestre. Cependant, les modèles numériques d’élévation (MNE) dérivés des satellites ne sont pas adaptés à la modélisation des processus de surface à petite échelle en raison de leur faible résolution spatiale.
A ce jour, les MNE à haute résolution sont répartis de manière lacunaire sur la planète en raison des défis techniques et des coûts substantiels d’acquisition d’un ensemble de données à cette haute résolution. Au cours de la dernière décennie, l’imagerie satellitaire multispectrale (ISM) est devenue massivement disponible, fournissant d’abondantes données d’observation de la surface terrestre à haute résolution. Bien qu’il ne donne aucune information sur l’élévation, l’ISM a le potentiel de fournir des informations indirectes sur la topographie à haute résolution. L’interpolation statistique permet de prédire les attributs à des échelles plus fines. Les simulations statistiques multipoints (MPS) sont une alternative crédible pour l’amélioration stochastique de la résolution, en raison de sa capacité à reproduire des modèles spatiaux complexes et à évaluer l’incertitude des prévisions. Sur le plan conceptuel, les MNE basses résolution peuvent ˆetre amélioré en ajoutant à l’aide de MPS les informations présentes dans des MNE et ISM a haute résolution. L’application de MPS pour le downscaling stochastique des MNE est crédible, mais de nombreux problèmes doivent ˆetre résolus. Les trends de l’altitude posent un défi pour le downscaling stochastique du terrain montagneux. Les algorithmes de simulation MPS sont également particulièrement difficiles à paramétrer, nécessitant souvent un
étalonnage manuel. Par conséquent, l’intégration de données disparates, telles que MNE et ISM, devient une tâche ardue.
Relever ces défis nécessite le développement d’une approche automatisée d’intégration des données. Dans cette thèse, un framework d’intégration de données basée sur les MPS est développé pour le downscaling stochastique des MNE basse résolution. L’approche est composée d’algorithmes con¸cus pour trois tâches principales: le downscaling statistique des ensembles de données avec trends, l’automatisation du processus de downscaling et l’intégration des données secondaires dans le processus. La première contribution de cette thèse est un nouvel algorithme MPS de downscaling avec la capacité de gérer des données avec des trends. L’élévation du terrain est modélisée comme un signal spatialisé exprimé comme la somme d’un trend déterministe et d’une composante résiduelle stochas tique. L’approche permet le downscaling des MNE de terrain plat aussi bien qu’escarpé. La deuxième contribution traite de l’automatisation de la paramétrisation de l’algorithme, en l’expriment comme un problème d’optimisation. Le framework fournit une alternative efficace pour la génération automatique de MNE à haute résolution statistiquement correcte. La troisième contribution s’appuie sur les deux développements susmentionnés en intégrant des données ISM à haute résolution en tant qu’informations secondaires dans le processus de downscaling. Les données d’élévation et radiométriques avec différentes résolutions spatiales sont intégrées en utilisant une approche probabiliste. L’approche permet d’améliorer la précision structurelle des MNE simulés et de réduire l’incertitude inhérente au downscaling.
Les développements de cette thèse fournissent une alternative efficace et bon marché à l’acquisition de donnée topographique à haute résolution basée sur l’intégration de données de terrain et d’imagerie multispectraux à plus haute résolution. Les recherches futures devraient se concentrer sur l’évaluation des applications potentielles des MNE à haute résolution pour l’étude des processus de surface terrestre, la planification et la conception des infrastructures, et l’évaluation des risques naturels.