Thèse Apprentissage Profond Auto-Supervisé pour la Reconstruction 3D de la Végétation en Imagerie Radar Application à la Caractérisation des Forêts avec le Satellite Européen Biomass H/F - Institut Polytechnique de Paris Télécom Paris

Établissement : Institut Polytechnique de Paris Télécom Paris
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : Laboratoire de Traitement et Communication de l'Information
Direction de la thèse : Florence TUPIN ORCID 0000000231108183
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-30T23:59:59

L'Agence Spatiale Euroéenne (ESA) a lancé en avril dernier un satellite dédié à l'étude des forêts. C'est le premier satellite imageur radar à utiliser la bande de fréquences P, permettant une bonne pénétration de l'onde radar dans la végétation. Grâce à l'analyse des échos radar reçus sous différentes polarisations et le long d'orbites légèrement décalées, il est possible de séparer la réponse du sol de celle de la canopée. Ces mesures permettent ainsi d'estimer la biomasse des forêts tropicales, un élément essentiel pour l'étude du cycle du carbone sur Terre.
La phase d'étalonnage et de validation du satellite se termine et les données commencent à être accessibles pour une exploitation scientifique. Les premières images acquises par le satellite confirment la grande richesse de ces données pour l'étude de la végétation. Les traitements disponibles pour l'estimation des réponses du sol et de la canopée nécessitent néanmoins une opération de moyennage spatial qui dégrade fortement la résolution spatiale des images, ce qui limite leur performance.
L'objectif de cette thèse est de développer des approches d'apprentissage statistique afin de préserver la résolution spatiale et de réaliser une meilleure séparation de la réponse du sol et de la réponse de la végétation.
Pistes de recherche:
Un premier axe de travail explorera des stratégies de débruitage auto-supervisées permettant d'appliquer des méthodes d'analyse polarimétrique ou tomographique sans dégradation notable de la résolution spatiale. Ces stratégies pourront s'inspirer des travaux récents réalisés à Télécom Paris en apprentissage auto-supervisé pour la restauration des images radar [1,2].
La reconstruction du profil tomographique de la végétation (réponse radar en fonction de la hauteur) nécessite de résoudre un problème inverse. Nous avons proposé une approche supervisée [3] dont l'extension auto-supervisée basée sur l'equivariant imaging [4,5] semble particulièrement prometteuse dans le contexte du satellite Biomass.
Le satellite Biomass va opérer selon deux phases : une première pendant laquelle des données riches seront acquises (piles tomographiques de 7 images, permettant une reconstruction fine de la réponse volumique dans la forêt), puis une seconde limitée à des acquisitions polarimétriques et interférométriques (PolInSAR). L'analyse des données de cette seconde phase pourra être préparée en développant des techniques de reconstruction PolInSAR (auto)-supervisées par l'information tomographique.
Les algorithmes développés au cours de la thèse seront mis à disposition de la communauté scientifique afin de faciliter l'exploitation des images du satellite Biomass.

The thesis will be conducted within the IMAGES team of the Image, Data, and Signal Department at Télécom Paris (Palaiseau campus) inside LTCI lab. The team develops mathematical models and AI methods for image analysis, particularly in satellite and medical imaging.

(cf. sujet détaillé en pdf)

(cf. sujet détaillé en pdf)

Master 2 ou école d'ingénieur avec spécialisation en traitement d'images et science des données et de bonnes compétences en informatique et mathématiques appliquées. Expérience en programmation d'algorithmes d'apprentissage profond.