stage - prédiction de la vitesse des glaciers par apprentissage profond (f/h)

Les glaciers, par leur réponse aux fluctuations climatiques, constituent d'excellents indicateurs du changement climatique. Ils fournissent des ressources en eau douce aux populations locales et contribuent actuellement à hauteur de 25 à 30 \% à l'élévation du niveau de la mer. Malgré des améliorations substantielles dans la représentation des masses de glace au cours des dernières décennies, la distribution de l'épaisseur des glaciers dans le monde reste encore soumise à de grandes incertitudes [Millan, 2022]. Une variable d'une importance capitale est la vitesse d'écoulement de surface des glaciers, car elle régit le transfert de masse des zones d'accumulation vers les zones d'ablation. Elle constitue également une contrainte essentielle dans les modèles glaciaires pour obtenir des simulations précises de la dynamique de la glace.

Depuis le lancement des programmes de satellites Landsat-8 et Sentinel-1/2 en 2013 et 2015 respectivement, les images satellites offrent la possibilité d'estimer les vitesses de surface des glaciers grâce à un temps de revisite et une couverture élevés. Pour estimer ces vitesses, une technique largement utilisée consiste à calculer ou prédire la similarité entre des zones d'images appariées acquises à différents moments. Dans sa version classique, cette technique vise à maximiser une fonction basée sur la corrélation entre les deux images, et elle a été appliquée pour estimer la vitesse des glaciers à partir d'images optiques et radar à synthèse d'ouverture (SAR). Plus récemment, une famille prometteuse de méthodes basées sur l'apprentissage profond a émergé pour apprendre les déplacements du sol. En particulier, les réseaux de neurones convolutifs (CNN) ont été appliqués avec succès pour estimer les ruptures de séismes et les mouvements de glissements de terrain à partir d'images optiques [Montagnon, 2024].

Étant donné que l'observation par télédétection des glaciers pose plusieurs défis (géométrie complexe du terrain, présence de nuages et de neige, déplacements hétérogènes, etc.), peu d'études se sont concentrées sur l'adaptation des méthodes d'apprentissage profond pour des objets à évolution rapide comme les glaciers.

L'objectif principal de ce stage est de concevoir une architecture d'apprentissage profond de similarité pour le suivi des déplacements glaciaires à partir d'images optiques. Plus précisément, le ou la stagiaire se concentrera sur les tâches suivantes :

• Adapter DeepSim-nets, une récente architecture d' image matching [Chebbi, 2023], pour apprendre la similarité à partir de paires d'images de glaciers ;
• Concevoir une stratégie d'entraînement-validation-test avec une fonction de perte contrastive informée par la physique du glacier ;

Générer des données d'entraînement avec différentes stratégies : (1) générer des vitesses de surface en mettant l'accent sur les zones hétérogènes telles que les crevasses, les cascades de glace et le front des glaciers, qui sont difficiles à prédire ; (2) self-sample training [Shen, 2022] et (3) annotation manuelle de paires de pixels dans des zones d'images en utilisant l'expertise humaine.

Une thèse pourra être envisagée à l'issue du stage en fonction de la qualité de la production attendue (financement ANR).

Ce stage s'adresse à un.e candidat.e inscrit.e en Master 2 dans le domaine de l'informatique et plus particulièrement l'IA et les techniques d'apprentissages profond.

Géodata Paris se situe au cœur d'un campus universitaire verdoyant à 20 minutes de Paris, la Cité Descartes. L'école est localisée au sein d'un bâtiment monumental imaginé par les architectes Chaix et Morel prenant le parti pris d'un système unique de barres reliées par un atrium central.

Composé d'écoles et d'une université reconnue internationalement, le campus oriente ses formations et sa recherche autour de la ville durable.

Disposant d'équipements de pointe en terme d'enseignements et de recherche, le campus propose plusieurs avantages aux personnels de l'école grâce à sa proximité et à son partenariat avec l'Université Gustave Eiffel ainsi que l'Ecole des Ponts ParisTech.

Un espace d'innovation pédagogique La Centrif'

• De nombreux laboratoires de recherche
• Un accès au restaurant d'entreprise et à la cafétéria
• Une mise à disposition de l'ensemble des équipements sportifs du campus (salle de sport et de musculation, cours collectifs, piscine…)
• Une possibilité d'adhérer aux associations des personnels proposant des activités créatives et billetterie
• Un accès au cendre de documentation de l'IGN
• La prise en charge dès votre arrivée d'une formation autour de la Fresque du Climat
• Une prise en charge à hauteur de 50% de la carte de transport