Thèse de Doctorat - Cartographie Archéologique Spatio-Temporelle à Grande Échelle par Apprentissage H/F - Institut national de l'information géographique et forestière (IGN)

Le LASTIG, laboratoire de recherche de Géodata Paris, s'intéresse dans le cadre du projet de recherche ANR KAYA, à établir une cartographie archéologique à l'échelle de l'Empire khmer dans toute son emprise passée en Asie du Sud-Est. L'Empire khmer, qui a prospéré du IXe au XIIIe siècle avec Angkor pour capitale, s'est étendu sur l'actuel Cambodge, la Thaïlande, le sud du Laos et du Vietnam. En dehors des grands temples monumentaux, la majorité des traces de cet empire est enfouie sous la végétation ou a disparu. Si des décennies de travaux archéologiques et de télédétection ont permis des avancées significatives avec notamment l'accumulation par l'EFEO de 7 500 km² de données LiDAR aéroportées, celles-ci ne représentent qu'une fraction infime des 528 000 km² de l'emprise totale estimée de l'Empire khmer.

L'enjeu de ce projet est double : d'une part, étendre la couverture cartographique à grande échelle grâce à des méthodes d'apprentissage profond appliquées à l'imagerie satellitaire ; d'autre part, enrichir cette carte d'une dimension temporelle en y intégrant la datation des sites, des artefacts et des inscriptions associés. Ce travail contribuera également à la protection du patrimoine khmer, notamment par la détection de pillages et la reconstruction de la provenance d'artefacts dispersés.

L'objectif principal de ce travail de doctorat est de développer une cartographie archéologique spatio-temporelle à grande échelle, en combinant vision par ordinateur, télédétection et intégration de données patrimoniales hétérogènes. La recherche s'articulera autour de deux axes principaux :

1. Détection automatique de structures archéologiques par télédétection
Le ou la doctorant(e) développera des modèles de vision par ordinateur entraînés sur des images satellitaires multi-sources pour détecter automatiquement des structures archéologiques caractéristiques de la civilisation khmère : rizières anciennes, réseaux hydro-agricoles, temples, et indices d'activité anthropique néfaste telle que les fosses de pillage.
La cartographie débutera dans le périmètre des acquisitions LiDAR existantes, où environ 3 000 km² restent encore non cartographiés, et s'étendra progressivement à l'ensemble de la zone d'intérêt au fur et à mesure de la disponibilité de nouvelles données SAR et de modèles numériques de terrain à haute résolution produits dans le cadre du projet. Une attention particulière sera portée à l'évaluation de la capacité de détection à partir d'imagerie satellitaire de résolution moyenne (ex. Sentinel-2), afin de proposer une approche qui permette le passage à l'échelle à moindre coût.
Les résultats seront validés par des prospections archéologiques de terrain et les archives de fouilles existantes.

2. Cartographie SIG spatio-temporelle
Le ou la doctorant(e) construira une carte enrichie d'une dimension temporelle, intégrant les sites archéologiques détectés à l'étape précédente ainsi que les artefacts (sculptures, inscriptions) et leurs estimations de datation. Il s'agira notamment de :

• Lier automatiquement artefacts et sites géographiques, en s'appuyant sur les provenances reconstruites dans le cadre du projet ANR KAYA ;
• Compiler un jeu de données structuré, en collaboration avec l'EFEO, pour guider et valider l'attribution automatique des artefacts à datation connue ;
• Implémenter une solution SIG possédant une dimension temporelle, permettant de visualiser et d'interroger l'évolution spatiotemporelle des entités politiques khmères, de l'occupation des temples et de leurs établissements associés ;
• Contribuer à la protection du patrimoine, en s'appuyant sur la cartographie archéologique pour analyser les dynamiques du pillage à grande échelle et prioriser les sites à protéger.

Ce travail requiert un intérêt et une curiosité authentiques pour l'archéologie, l'histoire de l'art et le patrimoine culturel, combinés à de solides compétences techniques.

Sont attendus :

• De solides connaissances en apprentissage profond et en vision par ordinateur (détection d'objets, segmentation sémantique, apprentissage auto-supervisé) ;
• Une maîtrise ou un intérêt marqué pour la télédétection et le traitement d'images satellitaires (optique, SAR, LiDAR) ;
• Des compétences en systèmes d'information géographique (SIG) et en analyse spatiale ;
• La maîtrise d'au moins une bibliothèque d'apprentissage profond en Python (PyTorch, TensorFlow, Keras) ;
• Un bon niveau en calcul scientifique Python (numpy, scipy, scikit-learn, GDAL/rasterio) ;
• Un intérêt pour le travail interdisciplinaire à la croisée de l'informatique et des sciences humaines.
• La maîtrise du français et/ou de l'anglais est requise. Une bonne maîtrise de l'anglais est souhaitée.