Ingénieur.e de recherche (10 mois) | Intelligence artificielle, Analyse multi-échelle

Mots-clés

Intelligence Artificielle (IA) ; Réseaux de neurones ; modèle inverse ; télédétection ; température de surface ; traitement du signal et d’images ; analyse multi-échelle

Type de recrutement

CDD 10 mois – Contrat à commencer en 2023

Brest (29)

Contexte

Des produits de LST sont d’ores et déjà disponibles. Cependant, ces produits ont :
– soit une haute résolution temporelle au détriment de la résolution spatiale,
– soit une haute résolution spatiale au détriment de la résolution temporelle.

Des capteurs thermiques tels que MODIS ou Sentinel-3 fournissent des données quotidiennes à 1 km de résolution spatiale alors qu’ASTER et LANDSAT 8 et 9 fournissent des données à 90m et 100m de résolution spatiale seulement tous les 16 jours. L’amélioration de la résolution spatiale constitue alors un bénéfice important pour fusionner des données de différents capteurs, générer des séries temporelles de LST, mais aussi améliorer l’analyse fine-échelle, et ce, pour différentes applications : suivi du stress de la végétation, des feux de forêts ou encore des îlots de chaleur urbains entre autres.

De nombreuses études scientifiques existent sur la question et utilisent des méthodes dites de désagrégation ou sharpening qui sont basées sur des relations statistiques entre la LST à basse résolution et des informations à haute résolution (Granero-Belinchon et al. 2019). Néanmoins, ces méthodes nécessitent que les informations à haute résolution aient été acquises sur la zone d’étude peu de temps avant l’image de LST, mais aussi que les relations établies soient invariantes selon l’échelle spatiale, cette hypothèse n’étant pas toujours vérifiée.

À la croisée des études en IA et en télédétection, de nouveaux modèles sont appliqués au traitement des images satellitaires pour la super-résolution, notamment avec des CNNs (Convolutional Neural Networks) ou encore des GANs (General Adversarial Networks) (Brodu et al. 2017, Gargiulo et al. 2019).

Nguyen et al. 2022 ont montré que des améliorations étaient nécessaires pour adapter les modèles utilisant des CNNs pour la super-résolution de la LST afin de s’affranchir des effets d’invariance d’échelle et des artefacts de flou. Une des pistes envisagées pour améliorer la super-résolution de la LST est d’inclure une information physique dans ces modèles.

Objectifs

Les données du capteur MODIS seront considérées, car un état de l’art conséquent existe dessus, que ses données ont déjà été traitées par les personnes impliquées dans ce projet, mais aussi parce que de récentes études sur la super-résolution de la LST utilisent MODIS.

Selon (Brodu et al. 2017) ou (Gargiulo et al. 2019), une première approche consiste à combiner une information haute résolution (tel que le NDVI) avec la LST à basse résolution pour l’apprentissage du modèle, ce que nous appelons l’approche Dual Image Super Resolution (DISR) qui a pour avantage d’utiliser directement une information haute résolution pour améliorer la résolution spatiale de la LST.

Sans information haute résolution, l’approche est appelée Single Image Super Resolution (SISR). Cette approche propose un apprentissage sur des résolutions dégradées. Par exemple, pour améliorer la résolution spatiale de la LST de 1km à 250m, l’apprentissage est effectué de 4km à 1km, ce qui est une stratégie déjà employée quand aucune donnée de validation n’est disponible (ici, la LST à 250m) (Nguyen et al. 2022). L’hypothèse d’invariance d’échelle est donc considérée vérifiée, c’est-à-dire que le modèle d’apprentissage pour passer de 4km à 1km est valable pour passer de 1km à 250m. Néanmoins, cette hypothèse n’est pas forcément exacte et doit ainsi être contournée. Pour ce faire, l’évolution statistique de la LST et d’indices comme le NDVI en fonction de la résolution spatiale et du paysage considéré sera étudiée (de la centaine de mètres à plusieurs kilomètres). Cette étude permettra de déduire des lois physiques qui pourront être incluses dans les modèles pour la super-résolution afin de s’affranchir de l’hypothèse d’invariance d’échelle. Cette étude se fera à partir de données LANDSAT 8 et 9 ou ASTER.

Critères d’élégibilité

Doctorat en Deep Learning/Machine Learning ou Master 2 en traitement du signal avec une forte expérience des réseaux de neurones. Dans l’idéal, une expérience en télédétection est requise avec un fort intérêt démontré pour cette thématique. Compétences attendues en python, pytorch, pytorch lightning ainsi qu’une capacité de travail en équipe. Expérience dans une équipe de recherche multidisciplinaire également appréciée.

Supervision et équipe de recherche autour du projet

La personne recrutée travaillera en collaboration avec Carlos Granero-Belinchon et Lucas Drumetz (IMT Atlantique Brest), Aurélie Michel et Xavier Briottet (ONERA Toulouse), Thomas Corpetti (CNRS, Université de Rennes) et Julien Michel (CNES Toulouse). Par conséquent, l’équipe autour de ce projet regroupe des physiciens et chercheur-es de différents laboratoires en intelligence artificielle, en traitement du signal et en télédétection pour une approche multidisciplinaire. La personne sera basée à l’IMT dans l’équipe de recherche OSE (https://cia-oceanix.github.io/), qui poursuit des travaux de recherche sur l’étude de l’environnement à partir de l’intelligence artificielle et du traitement d’images.

Conditions d’emploi

1 an de contrat temps plein à commencer en 2023. Le salaire brut dépendra de l’expérience de la
personne candidate, jusqu’à environ 35 000 €/an. La personne recrutée bénéficiera de la couverture
santé en France, de 45 jours de congés, et de la possibilité d’avoir jusqu’à 90 jours de télétravail. La
personne sera basée sur le campus de l’IMT Atlantique à Brest au sein d’un environnement dynamique
et stimulant, à 5mn de la plage.
Dans le cadre de la chaire ANR OCEANIX, la personne aura accès aux serveurs informatiques
Datarmor et les serveurs de l’OSE à l’IMT Atlantique.
Des activités d’enseignement à l’IMT Atlantique seront proposées principalement en traitement du
signal, vision ordinateur et intelligence artificielle. Ces activités donneront lieu à une rémunération
supplémentaire, mais ne seront pas obligatoires.

Contact

Questions, CV et lettre de recommandation à envoyer à : carlos.granero-belinchon@imt-atlantique.fr.

Sources

• N. Brodu, « Super-Resolving Multiresolution Images With Band-Independent Geometry of Multispectral Pixels, » in IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 8, pp. 4610-4617, Aug. 2017, doi: 10.1109/TGRS.2017.2694881.
• Gargiulo, M.; Mazza, A.; Gaetano, R.; Ruello, G.; Scarpa, G. Fast Super-Resolution of 20 m Sentinel-2 Bands Using Convolutional Neural Networks. Remote Sens. 2019, 11, 2635. https://doi.org/10.3390/rs11222635.
• Carlos Granero-Belinchon, Aurelie Michel, Jean-Pierre Lagouarde, José Antonio Sobrino, Xavier Briottet. Multi-Resolution Study of Thermal Unmixing Techniques over Madrid Urban Area: Case Study of TRISHNA Mission. Remote Sensing, MDPI, 2019, 11 (10), pp.1251. ⟨10.3390/rs11101251⟩.
• Binh Minh Nguyen, Ganglin Tian, Minh-Triet Vo, Aurélie Michel, Thomas Corpetti, et al. Convolutional Neural Network Modelling for MODIS Land Surface Temperature SuperResolution. 30th European Signal Processing Conference (EUSIPCO), 2022, https://hal.archives-ouvertes.fr/hal-03580148v2.

CES associés