Thèse de Doctorat - Prédiction de la Vitesse d'Écoulement des Glaciers par Apprentissage Profond H/F - Institut national de l'information géographique et forestière (IGN)

Le laboratoire LASTIG (Laboratoire en Sciences et Technologies de l'Information Géographique pour la ville intelligente et les territoires durables) est une unité mixte de recherche rattachée à l'Université Gustave Eiffel, à l'IGN (Institut national de l'information géographique et forestière) et à l'EIVP (École des Ingénieurs de la Ville de Paris). Il constitue une structure de recherche unique en France et même en Europe, réunissant environ 80 chercheurs couvrant l'ensemble du cycle de vie des données géographiques ou spatiales, depuis leur acquisition jusqu'à leur visualisation, en passant par leur modélisation, intégration et analyse. Parmi eux, environ 30 chercheurs travaillent en analyse d'images, vision par ordinateur, apprentissage automatique et télédétection.

L'objectif principal de ce travail de doctorat est de développer une architecture robuste d'apprentissage profond de la similarité, adaptée au suivi des déplacements des glaciers à partir d'imagerie multimodale. Pour ce faire, la recherche se concentrera sur :

1. La conception d'une architecture de modèle de similarité profonde, avec un accent particulier sur la création d'un module dédié à l'extraction de caractéristiques d'images, générant des plongements spatiotemporels discriminants [11] ;

2. Une stratégie d'entraînement informée par la physique : concevoir un pipeline d'entraînement, de validation et de test avec apprentissage contrastif intégrant des connaissances sur la physique du mouvement de la glace (par exemple, la direction de l'écoulement), afin que le modèle apprenne des écoulements de surface significatifs et physiquement plausibles ;

3. La génération et l'annotation de données : l'obtention d'échantillons de mise en correspondance bien annotés entre deux images pour l'entraînement est une tâche cruciale mais difficile. L'objectif ici sera de produire des données d'entraînement composées de paires annotées de pixels dans des patches d'images standardisés de tailles potentiellement différentes, issues de données multimodales : paires optique/optique, optique/SAR et SAR/SAR. Pour ce faire, plusieurs stratégies de génération de données d'entraînement seront explorées ;

4. L'intégration multimodale : améliorer le modèle en incorporant des sources de données multimodales, s'appuyant à la fois sur des observations empiriques et des principes physiques. De plus, en s'inspirant de récentes techniques d'auto-encodage cross-modal [12], des informations contextuelles invariantes à la modalité seront transmises au réseau afin d'aider à l'identification de caractéristiques correspondantes pouvant être difficiles à détecter sur la seule base des intensités d'image.

Ce travail requiert un intérêt et une curiosité authentiques pour les sciences de la Terre (en particulier la glaciologie et les sciences du climat). De solides compétences en mathématiques statistiques, en apprentissage profond, en vision par ordinateur et en télédétection sont attendues. Une maîtrise d'une ou plusieurs bibliothèques d'apprentissage automatique en Python (PyTorch, TensorFlow, Keras) est requise. Un bon niveau en calcul scientifique avec Python (scipy, scikit-learn, numpy) est également nécessaire.