An online Bayesian changepoint detection framework is proposed to identify structural changes in multiple time series. An existing approach is extended to support asynchronous, multi-source inputs via both deterministic and probabilistic fusion strategies. The resulting framework enables timely, interpretable, and sensor-agnostic detection of forest changes, addressing key limitations of traditional offline and singlesensor methods. Experiments are conducted using both synthetic data and real Sentinel-1 SAR and Sentinel-2 optical data over tropical forests affected by deforestation. Results highlight the benefits of multi-source fusion for accurate and timely disturbance detection.

Accurate signal time-delay estimation is critical in localization, sensor fusion, and communication systems. In multi-sensor contexts, where distributed nodes combine measurements, modeling estimation performance under realistic assumptions is key. A common challenge is global phase misalignment, stemming from hardware imperfections at both transmitter and receiver. While some works assume perfect calibration and others treat phase as completely unknown, we propose a middle-ground model where the phase is partially known, i.e., estimated with uncertainty. This approach is particularly relevant in practical multi-sensor scenarios, where each node may experience different phase conditions. The goal is to quantify how an additional measurement of the unknown phase can enhance time-delay estimation. We derive the corresponding Maximum Likelihood Estimator (MLE) and propose a practical implementation to evaluate its Mean Squared Error. Leveraging existing Cramér-Rao Bound results, we show that the MLE is efficient over a finite SNR range, though not asymptotically consistent or efficient.

Nonlinear regression models play a crucial role in signal processing and multi-sensor applications. Traditionally, performance bounds for these models assume independent Gaussian observations. In practice, the Gaussian assumption fails in multi-sensor systems if some proportion of sensors are corrupted by non-Gaussian noise and outliers. In this context, we extend the Misspecified Cramér-Rao Bound (MCRB) framework to the contaminated Gaussian noise model, where observations are generated from a mixture of nominal Gaussian noise and occasional outliers. Building on previous work with Complex Elliptically Symmetric noise models, we derive analytical MCRB expressions under the mismatched Gaussian assumption and study the asymptotic behavior of the corresponding Misspecified Maximum Likelihood Estimator (MMLE). To demonstrate practical relevance, we apply the theory to joint time-delay and Doppler estimation in GPS signals under contamination. Numerical simulations confirm that the MMLE root mean squared error converges to the theoretical MCRB, which aligns with the classical Gaussian CRB.

The estimation of a mixture of real- and integer-valued parameter vectors appears in different control and signal processing applications. In some particular cases, for instance when dealing with covariance or rotation matrices, the real parameter must be constrained by geometrical properties. This article considers the general estimation problem containing both Lie group and integer parameters, for which the corresponding performance bound is a important missing tool. Leveraging recent results on the Cramér-Rao bound (CRB) for a mixture of real/integer parameters and the CRB for matrix Lie groups, the aim is twofold: i) to derive new performance lower bounds (McAulay-Seidman bound and CRB) on the Lie group-integer space, and ii) to obtain a closed-form CRB expression for multi-antenna Global Navigation Satellite Systems attitude estimation, where observations depend on both an integer carrier phase ambiguity vector and a rotation matrix lying on the Lie group SO(3). The proposed bound is validated through numerical simulations in a realistic scenario to support the discussion.

Dans la nature réside la préservation du monde", écrivait Thoreau dans Walking (Finch & Elder, p. 192), soulignant le rôle fondamental de la nature dans l’équilibre terrestre. Aujourd’hui, le changement climatique bouleverse cet équilibre, menaçant les écosystèmes. Une surveillance précise des gaz à effet de serre dans l’atmosphère, principaux responsables du changement climatique, est devenue indispensable. Dans cette optique, la télédétection spatiale constitue un outil puissant pour mesurer et analyser à l’échelle mondiale la composition de l’atmosphère grâce à l’interaction entre le rayonnement électromagnétique et les molécules atmosphériques. La présence de ces dernières modifie le contenu spectral du rayonnement, ce qui permet d’inférer leurs concentrations à partir de mesures de spectre rayonné. Les spectromètres utilisés sont des instruments à haute résolution, centrés sur les bandes spectrales des gaz d’intérêt. Toutefois, ces instruments présentent des imperfections optiques et électroniques, générant des erreurs qui biaisent l’interprétation des spectres mesurés. Il est donc crucial de modéliser précisément le comportement de l’instrument, en particulier sa fonction de réponse spectrale instrumentale (ISRF). La caractérisation instrumentale débute au sol, via des campagnes sous vide thermique, puis se poursuit en orbite durant la phase de calibration/validation (CALVAL). Des calibrations régulières permettent ensuite de suivre les dérives instrumentales liées à l’environnement spatial (vieillissement, variations thermomécaniques). La thèse s’est focalisée sur l’estimation des ISRFs, tout en prenant en compte d’autres imperfections telles que les erreurs radiométriques et les décalages spectraux, afin d’améliorer la qualité des produits utilisateurs. Dans la littérature, les ISRFs sont souvent modélisées par des fonctions paramétriques (gaussiennes, super-gaussiennes). Toutefois, ces modèles peinent à représenter la diversité des formes observées et n’offrent pas une correction suffisante face aux exigences croissantes des missions spatiales. Par ailleurs, les erreurs instrumentales sont rarement intégrées dans le modèle global ou traitées conjointement. Pour dépasser ces limites, la thèse explore des approches de représentation parcimonieuse permettant d’estimer les ISRFs de manière plus flexible et précise que les approches paramétriques classiques. En complément, une méthode a été développée pour estimer simultanément les ISRFs et les erreurs de mesure, en combinant représentation parcimonieuse et modélisation paramétrique des erreurs. Cette approche conjointe atteint une précision comparable à celle obtenue dans des conditions idéales, c’est-à-dire sans erreurs instrumentales. Le cadre méthodologique proposé ouvre la voie à une généralisation à d’autres problèmes inverses non-linéaires sous contraintes de parcimonie, par exemple en imagerie hyperspectrale. Les perspectives incluent l’exploration de modèles dynamiques, tels que les modèles à espace d’états (State Space Models), pour estimer conjointement les ISRFs selon la longueur d’onde. Des outils comme les filtres de Kalman, les réseaux de neurones récurrents, les transformeurs ou les processus gaussiens sont également envisagés. L’apprentissage automatique pourrait aussi être mobilisé pour estimer les ISRFs, atténuer le bruit ou calibrer les spectres. À plus long terme, il serait pertinent d’intégrer d’autres erreurs, telles que la lumière parasite (assimilable à une fonction de réponse spatiale ou spatio-spectrale), ou d’aller jusqu’à l’estimation des paramètres atmosphériques (comme le CO2) au niveau 2, en tenant compte de l’impact des erreurs instrumentales sur l’inversion. En définitive, cette thèse contribue à la mise au point d’algorithmes robustes pour la calibration en vol des instruments de télédétection, avec un impact potentiel fort sur la précision des mesures atmosphériques, et à terme, sur les applications climatiques et environnementales.

Dans la nature réside la préservation du monde", écrivait Thoreau dans Walking (Finch & Elder, p. 192), soulignant le rôle fondamental de la nature dans l’équilibre terrestre. Aujourd’hui, le changement climatique bouleverse cet équilibre, menaçant les écosystèmes. Une surveillance précise des gaz à effet de serre dans l’atmosphère, principaux responsables du changement climatique, est devenue indispensable. Dans cette optique, la télédétection spatiale constitue un outil puissant pour mesurer et analyser à l’échelle mondiale la composition de l’atmosphère grâce à l’interaction entre le rayonnement électromagnétique et les molécules atmosphériques. La présence de ces dernières modifie le contenu spectral du rayonnement, ce qui permet d’inférer leurs concentrations à partir de mesures de spectre rayonné. Les spectromètres utilisés sont des instruments à haute résolution, centrés sur les bandes spectrales des gaz d’intérêt. Toutefois, ces instruments présentent des imperfections optiques et électroniques, générant des erreurs qui biaisent l’interprétation des spectres mesurés. Il est donc crucial de modéliser précisément le comportement de l’instrument, en particulier sa fonction de réponse spectrale instrumentale (ISRF). La caractérisation instrumentale débute au sol, via des campagnes sous vide thermique, puis se poursuit en orbite durant la phase de calibration/validation (CALVAL). Des calibrations régulières permettent ensuite de suivre les dérives instrumentales liées à l’environnement spatial (vieillissement, variations thermomécaniques). La thèse s’est focalisée sur l’estimation des ISRFs, tout en prenant en compte d’autres imperfections telles que les erreurs radiométriques et les décalages spectraux, afin d’améliorer la qualité des produits utilisateurs. Dans la littérature, les ISRFs sont souvent modélisées par des fonctions paramétriques (gaussiennes, super-gaussiennes). Toutefois, ces modèles peinent à représenter la diversité des formes observées et n’offrent pas une correction suffisante face aux exigences croissantes des missions spatiales. Par ailleurs, les erreurs instrumentales sont rarement intégrées dans le modèle global ou traitées conjointement. Pour dépasser ces limites, la thèse explore des approches de représentation parcimonieuse permettant d’estimer les ISRFs de manière plus flexible et précise que les approches paramétriques classiques. En complément, une méthode a été développée pour estimer simultanément les ISRFs et les erreurs de mesure, en combinant représentation parcimonieuse et modélisation paramétrique des erreurs. Cette approche conjointe atteint une précision comparable à celle obtenue dans des conditions idéales, c’est-à-dire sans erreurs instrumentales. Le cadre méthodologique proposé ouvre la voie à une généralisation à d’autres problèmes inverses non-linéaires sous contraintes de parcimonie, par exemple en imagerie hyperspectrale. Les perspectives incluent l’exploration de modèles dynamiques, tels que les modèles à espace d’états (State Space Models), pour estimer conjointement les ISRFs selon la longueur d’onde. Des outils comme les filtres de Kalman, les réseaux de neurones récurrents, les transformeurs ou les processus gaussiens sont également envisagés. L’apprentissage automatique pourrait aussi être mobilisé pour estimer les ISRFs, atténuer le bruit ou calibrer les spectres. À plus long terme, il serait pertinent d’intégrer d’autres erreurs, telles que la lumière parasite (assimilable à une fonction de réponse spatiale ou spatio-spectrale), ou d’aller jusqu’à l’estimation des paramètres atmosphériques (comme le CO2) au niveau 2, en tenant compte de l’impact des erreurs instrumentales sur l’inversion. En définitive, cette thèse contribue à la mise au point d’algorithmes robustes pour la calibration en vol des instruments de télédétection, avec un impact potentiel fort sur la précision des mesures atmosphériques, et à terme, sur les applications climatiques et environnementales.

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.

In this paper, we propose to study the potential advantages that multiple-input single-output (MISO) architectures could offer compared to the classical single-input single-output (SISO) approach for coherent free space optical (FSO) ground-to-GEO feeder links, highlighting their resilience to atmospheric turbulence and the benefits of spatial diversity. Evaluating system trade-offs under both power-limited and power-augmented scenarios, we demonstrate that MISO designs can achieve higher data rates and enable more robust optical feeder links. Choosing the best MISO configuration depends on system-level priorities, including available transmit power, optical and adaptive optics (AO) complexity, throughput-latency balance, and integration requirements. Our findings demonstrate that simple MISO architectures can effectively balance aperture size, AO requirements, interleaver depth, and transmit power, positioning them as a promising solution for efficient and resilient GEO optical feeder links.

This paper presents some theoretical results and measurements of passive intermodulation (PIM) products made on a waveguide flange contact nonlinearity with 2 and 3 carriers at different power levels. The dependence of the passive intermodulation (PIM) products power on the carrier power is the main difference between active and passive intermodulation (IM) products. For easy computation, memoryless active nonlinearities are generally modelled by polynomials or by analytical mathematical functions (e.g. hyperbolic tangent) [1, 2]. These functions are continuous, have continuous derivatives of all orders and can be approximated by their Taylor series developments, at least in “small signal” conditions where the IM power is much less than the fundamental carrier power, mathematically in a domain around the origin. In these conditions, the power of each active IM products depends on the carrier power elevated to an exponent equal to the order of the IM product, e.g. exponent 3 for order 3, exponent 5 for order 5 [1, 2]. On a dB/dB graph, the slopes of IM levels versus carrier level are equal to their order 3, 5, … This is not the case for passive IM products where the level of IM products depends on the carrier level with a slope that is different from the order, generally a non-integer value between 2 and 3 and about the same for all orders on a dB/dB graph [3 - 8]. A model based on a non-analytical power function has been proposed [9]. It has been used to predict the behavior of the passive IM products such as the level of high order of products, the nearly equal slope for all IM orders, and the decrease of a 2-carrier IM product power when a third carrier is added [9, 10]. The experiment is carried out on a nonlinear graphite material introduced between two waveguide flanges in a PIM test bench in Ku band using two low PIM triplexers. Two carriers with power up to 40 watts per carrier or three carriers with power up to 40 watts per carrier can be transmitted on the test bench. The main theoretical and experimental results are presented in this paper and validate the theoretical results: a slope of 2.4 dB/dB is measured on the third order PIM product and the levels of higher order PIM products are correctly obtained in different configurations of carriers and power by using the non-analytical model based on a power law nonlinearity with an exponent of 2.4 for order 3. Measurement with 3 carriers (with the same or different power) are compared with the theory. A particular combination of 3 carrier powers shows that some third order PIM can be nearly eliminated in concordance with the theory.