Résumé
Les forêts tropicales, qui couvrent 6% de la surface terrestre, sont essentielles pour la biodiversité mondiale et le stockage du carbone. En Guyane française, où les forêts représentent plus de 97 % du territoire, la gestion durable constitue un défi majeur, à la fois pour la conservation et le développement économique. LOffice National des Forêts (ONF) gère 6 millions dhectares et cherche à concilier lexploitation forestière avec la préservation des écosystèmes. La télédétection offre une solution potentielle pour cartographier les espèces darbres à grande échelle, soutenant ainsi une gestion forestière fondée sur des preuves et réduisant lempreinte environnementale des activités dexploitation. Cette thèse examine le défi de la généralisation des modèles didentification des espèces darbres à partir dimages hyperspectrales aériennes dans des environnements tropicaux hyper-divers. Létude est structurée autour de trois questions scientifiques, analysées à travers des acquisitions répétées sur les sites de Paracou et Nouragues en Guyane française. Les données hyperspectrales, acquises en 2016, couvrent la plage spectrale de 400 à 2500 nm. Premièrement, lanalyse quantifie les principales sources de variabilité spectrale : les conditions atmosphériques, la géométrie solaire et les angles de visée, et démontre leur impact significatif sur la stabilité de la réflectance, même après correction atmosphérique. Les résultats indiquent que cette variabilité perturbe les proxys spectraux couramment utilisés pour le suivi de la végétation, remettant en cause leur fiabilité dans des conditions opérationnelles. Deuxièmement, létude évalue la capacité de lapprentissage auto-supervisé (SSL) à produire des représentations spectrales robustes face à la variabilité liée aux conditions dacquisition. Bien que le SSL réduise la variabilité abiotique du signal, il peut accentuer les différences intra-individuelles et spécifiques aux sites, limitant ainsi son efficacité pour la classification inter-sites des espèces. Troisièmement, la recherche évalue les techniques dadaptation de domaine (DA) pour atténuer les décalages spectraux entre les dates et les sites. Les résultats révèlent que les méthodes DA non supervisées napportent que des améliorations modestes, tandis que les approches supervisées, comme lalgorithme Transfert Learning Adaboost (TrAdaBoost), permettent des gains substantiels en classification, même avec des données annotées limitées dans le dataset cible. Cependant, leur succès dépend de la représentativité des échantillons annotés et de la complexité écologique des sites étudiés. En conclusion, ce travail considère la variabilité spectrale comme un concept central pour aborder le défi complexe du transfert dapprentissage entre les sites détude et les dates dacquisition en télédétection des forêts tropicales. Lintégration des méthodes SSL et DA offre une approche structurée pour gérer cette variabilité, permettant le développement de modèles didentification des espèces plus fiables et transférables dans des contextes opérationnels pertinents.