Thèse Apprentissage Automatique avec Fusion de Données Lidar et Satellitaires pour le Suivi des Systèmes Plage-Dune du Littoral Aquitain H/F - Université de Bordeaux

Établissement : Université de Bordeaux
École doctorale : Sciences et environnements
Laboratoire de recherche : Environnements et Paléoenvironnements Océaniques et Continentaux
Direction de la thèse : Bruno CASTELLE ORCID 0000000317407395
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-27T23:59:59

Les côtes sableuses représentent environ un tiers des littoraux mondiaux et constituent des systèmes particulièrement sensibles aux changements climatiques ainsi qu'aux pressions anthropiques. Elles assurent des fonctions écosystémiques importantes, notamment la protection contre l'érosion marine et la submersion. Le littoral de Nouvelle-Aquitaine, qui s'étend sur plus de 200 km de côtes sableuses, constitue un terrain d'étude privilégié pour analyser les interactions entre plage, système dunaire et végétation.

Les systèmes plage-dune présentent des micro-structures morphologiques telles que les caoudeyres ou siffle-vents, qui influencent le transport éolien et la mobilité dunaire. Leur détection et leur suivi automatique restent encore limités en raison de la complexité des micro-reliefs, de signatures optiques parfois faibles et de la difficulté à intégrer des données topographiques et spectrales à haute résolution. Les avancées en télédétection et en apprentissage automatique offrent aujourd'hui des perspectives nouvelles pour l'analyse multi-échelles des littoraux sableux.

Cette thèse vise à développer des méthodes d'apprentissage automatique pour la détection, la segmentation, le suivi temporel et l'analyse de l'évolution des systèmes plage-dune du littoral aquitain. L'approche proposée s'appuie sur la fusion de données optiques et LiDAR provenant de missions à haute résolution telles que Pléiades et CO3D, ainsi que sur l'exploitation des séries temporelles Sentinel-2 pour le suivi régional des dynamiques côtières depuis 2015. L'objectif est de comparer des approches fondées sur la géométrie des surfaces à des méthodes d'apprentissage supervisé profond, afin d'évaluer leur robustesse pour la cartographie automatique des formes éoliennes.

Plus spécifiquement, les travaux porteront sur la détection automatique des caoudeyres et siffle-vents en produisant des cartes probabilistes à partir de données multi-capteurs. Une attention particulière sera accordée aux problématiques de transfert d'échelle afin de généraliser les modèles entraînés sur des données submétriques vers des observations satellitaires à résolution plus grossière.

La thèse s'intéresse également à la segmentation sémantique des unités morpho-écologiques plage, dune et végétation pour assurer un suivi spatio-temporel des interfaces côtières. L'utilisation d'architectures d'apprentissage profond adaptées à l'analyse d'images géospatiales permettra de caractériser les zones de transition morphologique et d'identifier les tendances d'évolution ainsi que les ruptures associées aux événements météorologiques extrêmes.
Enfin, le projet explorera les liens entre dynamique morphologique, pratiques de gestion territoriale et forçages météo-marins tels que le vent, la houle et la marée, en mobilisant des analyses statistiques multi-échelles pour mieux comprendre les mécanismes contrôlant l'évolution du système plage-dune.

Formation :
* Ingénieur généraliste en mathématiques appliquées, physique, télécommunications ou tout autre discipline pertinente pour le sujet proposé avec une base solide en mathématique et en programmation
* Master science des données, su possible appliqué à l'environnement.

Compétences techniques :
* Programmation Python (PyTorch, TensorFlow),
* Connaissances en apprentissage profond.

Compétences scientifiques appréciées :
* Statistiques,
* Traitement de séries temporelles,
* Goût pour l'interdisciplinarité.

Qualités attendues :
* Curiosité et autonomie,
* Capacité à travailler à l'interface IA / géosciences,
* Intérêt pour les processus physiques.