This thesis investigates carrier-phase enhanced time-delay estimation techniques for achieving centimeter-level inter-satellite ranging accuracy required by the NOIRE mission, a distributed radio interferometry system devised to operate in lunar orbit. The research addresses the fundamental challenge of exploiting carrier-phase information to improve ranging precision beyond conventional methods, which are limited to meter-level accuracy. The theoretical framework develops through three complementary analyses. First, the Conditional Signal Model is revisited explicitly accounting for the hardware-induced and propagation-induced phase components. While these terms were previously thought to be individually unidentifiable, this work demonstrates they can be uniquely determined under appropriate signal structure conditions. This enables the treatment of hardware phase to assess the potential of full propagation phase exploitation. Second, perfect hardware phase compensation is analyzed to establish the theoretical performance limit, representing the optimal case approachable only in specific scenarios. This analysis reveals orders of magnitude improvements through quadratic dependence on carrier frequency. It identifies five distinct operational regions of the Maximum Likelihood Estimator, extending the three regions previously reported in literature. The effects of Doppler, carrier frequency, and sampling frequency variations on estimation performance are systematically characterized. Third, the framework addresses realistic scenarios where phase measurements contain quantifiable uncertainty. A statistically optimal phase-aware estimator is developed through rigorous likelihood maximization. Novel results show performance transitions between conventional and optimal bounds based on phase observation quality. These are compared against both conventional methods and a naive engineering implementation that directly applies phase measurements without statistical weighting. The analysis reveals that under phase uncertainty, both phase-aware and naive implementations converge to a plateau at an error level determined by the uncertainty. Each 10 decibel increase in phase uncertainty elevates plateau levels by approximately 10 decibels, demonstrating a 1:1 correspondence between calibration quality and fundamental performance limits. The naive implementation remains at this error level for any SNR value. In contrast, the phase-aware implementation remains attached to the bound longer, even reaching lower error levels for a short SNR interval, before eventually detaching to form a second plateau at very high SNR. Monte Carlo simulations using GPS L1 C/A and Kasami sequences validate theoretical predictions. They establish quantitative relationships between calibration requirements and achievable accuracy. The results demonstrate that carrier-phase exploitation can theoretically achieve NOIRE mission requirements, though practical implementation requires signal-to-noise ratios exceeding 40 dB for the tested configurations. This analysis provides essential information for mission planning and enables exploration of alternative configurations. It establishes fundamental trade-offs between calibration quality, computational complexity, and system performance.

Over the past four decades, forests have experienced major disturbances, highlighting the need for Near Real-Time (NRT) monitoring. Traditional optical-based detection is cloud-sensitive, whereas Synthetic Aperture Radar (SAR)-based frameworks enable all-weather observation. Yet, SAR monitoring has mainly focused on humid tropical forests, with reduced performance in regions showing strong seasonal backscatter variation, such as tropical savannas. Detecting small-scale forest loss also remains difficult due to the spatial resolution loss from speckle filtering. This paper presents an unsupervised SAR-based disturbance detection method with NRT capabilities, using Bayesian inference. Building on an existing methodology, the approach processes singlepolarization Sentinel-1 SAR time series through Bayesian conjugate analysis. Forest disturbance is framed as a changepoint detection problem, where each new observation updates the probability of forest loss using prior information and a data model. The algorithm uses a hidden Markov chain to adapt recursively to seasonal variation and bypasses spatial filtering, preserving native data resolution and enhancing small-scale forest loss detection. Additionally, a methodology accounts for proximity to past disturbances. The method is tested on two 2020 reference datasets from the Brazilian Amazon and Cerrado savanna. The first covers small validation polygons (0.1–1 ha, excluding selective logging), totaling 2,650 ha in the Amazon and 450 ha in the Cerrado. The second includes larger clearings totaling 11,200 ha in the Amazon, and 12,700 ha in the Cerrado. A further comparison is conducted with operational NRT forest loss monitoring approaches. Results show substantial gains in detecting small-scale disturbances with reduced false alarms. In the Amazon, the method achieves an F1-score of 97.3% versus 93.1% for the current leading NRT approach. In the Cerrado, it reaches an F1-score of 97.4%, far exceeding the 33.3% of the optical-based method. For larger clearings, performance matches existing SAR approaches in the Amazon. While combined optical-SAR monitoring increases true positives, it also raises false alarm rates. In the Cerrado, the proposed method clearly outperforms optical monitoring, and in both regions it improves timeliness relative to individual operational approaches.

Order-Based Modal Analysis estimates resonances at frequencies that are integer multiples of a rotating machine’s speed. These resonances are represented as a cloud of frequency-versus-speed intersections revealing the natural modes of the mechanical structure. This paper shows that grouping these intersections can be cast as inference in a coupled affine Gaussian mixture model where each mode is represented by a straight line shared across all harmonic orders, while a uniform component captures outliers. A dedicated expectation maximisation (EM) algorithm is investigated for this model, estimating mixture weights in closed form and the other model parameters through a one-dimensional search. Cramer–Rao lower bounds are derived for the joint estimation of slopes, intercepts and mixing proportions in the proposed statistical model allowing performance of the estimators of the unknown parameters to be studied. Monte-Carlo simulations illustrate how the variances of EM estimates approach those bounds. Applied to data from an industrial turbomachine, the method extracts modal lines whose characteristics agree with historical benchmarks, despite strong deterministic harmonics and regime-dependent drifts.

A non-parametric method is introduced to estimate the measurement model of dynamical systems. The method uses a neural network trained in an unsupervised manner integrated into a particle filter framework. The network learns the measurement likelihood directly from the distribution of particles. The performance of the resulting neural network particle filter is first evaluated on synthetic data with a known measurement model showing a very interesting performance. The particle filter is then applied to sensor calibration with a specific focus on camera distortion estimation. Experimental results show that the method provides a reliable alternative to traditional parametric calibration techniques.

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.