Retourner à la liste

Apprentissage artificiel et inversion de mesures altimétriques réf: 129T2019SI

Description

Ce début de XXIème siècle voit une augmentation inquiétante des risques liés à la ressource en eau (augmentation de l’aléa climatique, augmentation de l’usage par une population toujours croissante) dans un contexte de diminution dramatique du nombre de mesures hydrologiques in situ publiquement disponibles dans de nombreuses régions du monde. D’un point de vue scientifique, l’apport des eaux continentales aux océans est un compartiment très incertain du cycle global de l’eau. Les lacs naturels, réservoirs artificiels et plaines d’inondation sont une partie intégrante de ce cycle global, mais aussi de celui des gaz à effet de serre comme le carbone et le méthane et leur impact total reste encore mal connu. Il est donc nécessaire de mesurer et de documenter les flux et les variations des stocks d’eau surfacique à l’échelle globale avec un échantillonnage permettant d’accéder aux échelles temporelles de 10 jours (besoin sociétal) à 20 ans et plus (besoin scientifique) et aux objets d’une centaine de mètres de large ou plus.
Depuis de nombreuses années, plusieurs groupes de recherche ont montré que les données satellitaires pouvaient être utilisées pour pallier le manque de mesures in situ, voire pour déterminer de nouveaux paramètres importants pour l’hydrologie. Cependant, l'expérience montre qu'il existe des marges de progrès dans le traitement des mesures des radars altimètres qui sont utilisées pour obtenir des mesures de hauteur d'eau sur les rivières ou les lacs de taille toujours plus réduite.

Les altimètres radar embarqués sur les satellites produisent des mesures (échos radar) qui doivent être traitées pour obtenir la mesure intéressant les hydrologues : la hauteur de la surface libre du plan d'eau par rapport à une surface de référence connue (ellipsoïde ou géoïde).
Nous disposons au laboratoire d'outils pour simuler les échos altimètriques à partir d'une description de la scène observée (modèle direct) ainsi que pour retrouver certaines caractéristiques d'une scène simulée à partir des mesures  altimétriques (modèle inverse). Le développement récent des techniques d'apprentissage artificiel (deep learning notamment) permet d'envisager leur application comme une alternative intéressante à l'inversion complète de chacune des mesures à traiter. L'objectif du stage est de faire un démonstrateur de l'application des techniques d'apprentissage profond à l'altimétrie pour accélérer ces calculs d'inversion et s'adapter à la diversité des conditions géophysiques rencontrées.
Un stage sur le même sujet est en cours en 2018 et la détermination des niveaux d'eau de rivières à partir de mesures altimétriques réelles aussi bien que simulées donne des résultats très encourageants.
L'objectif de ce nouveau stage portera sur l'amélioration de ce premier prototype (extension au traitement de mesures altimétriques SAR produites par les satellites Sentinel3-A et Sentinel3-B) ainsi que sur son extension à la détermination du niveau de la mer en proche côtier.
Le stage ayant une durée d'environ 5 mois, le premier mois sera consacré à l'étude bibliographique sur l'altimétrie nadir, les techniques d'apprentissage artificiel, ainsi que la prise en main du prototype réalisé en 2018. Le travail des deux mois suivants portera sur des cas bien contrôlés (données synthétiques). Au cours des deux derniers mois, la chaîne de traitement sera évaluée sur des données réelles et améliorée en fonction des résultats obtenus.

Profil

BAC + 5 ( Master 2 ou dernière année d'école ingénieur)
Etudiant en dernière année d’Ecoles d’ingénieur ou d’université, ou MASTER universités
Compétences souhaitées : Utilisation/maîtrise d'un ou plusieurs langages de programmation/traitement de données (tels que Matlab, python) seraient appréciées ainsi qu'une première expérience dans la mise en œuvre de réseaux de neurones (Caffe, PyTorch, TensorFlow, etc).

Description de la structure

Non renseigné

Répondre à l'offre Retourner à la liste