Soutenance de thèse
Eulalie Boucher
LERMA
Conception de modèles d'apprentissage profond pour les inversions de surface et atmosphériques à partir du sondeur infrarouge IASI
Résumé
L’observation de la Terre est essentielle pour comprendre et surveiller le comportement complexe de notre planète. Les satellites, équipés d’un certain nombre de capteurs sophistiqués, constituent une plateforme clé à cet égard, offrant une opportunité d’observer la Terre à l’échelle globale et de manière continue. Les tech- niques d’apprentissage automatique (ML) sont utilisées depuis plusieurs décennies, dans la communauté de la télédétection, pour traiter la grande quantité de données générées quotidiennement par les systèmes d’observation de la Terre. La révolution apportée par les nouvelles techniques de Deep Learning (DL) a toute- fois ouvert de nouvelles possibilités pour l’exploitation des observations satellitaires.
Cette thèse vise à montrer que des techniques de traitement d’images telles que les réseaux neuronaux convolutifs (CNN), à condition qu’elles soient bien maîtrisées, ont le potentiel d’améliorer l’estimation des paramètres atmosphériques et de surface de la Terre. En considérant les observations à l’échelle de l’image plutôt qu’à l’échelle du pixel, les dépendances spatiales peuvent être prises en compte. De telles techniques sont utilisées dans cette thèse pour l’estimation des tempéra- tures de surface et atmosphériques, ainsi que pour la détection et la classification des nuages à partir des observations de l’Interféromètre Atmosphérique de Sondage dans l’Infrarouge (IASI). IASI, qui est placé à bord des satellites en orbite polaire Metop, est un sondeur hyperspectral collectant des données sur une large gamme de longueurs d’onde dans l’infrarouge. Chacune est adaptée à l’identification des constituants atmosphériques à différents niveaux de l’atmosphère, ou de paramètres de surface.
En plus d’améliorer la qualité des restitutions, de telles méthodes d’Intelligence Artificielle (IA) sont capables de traiter des images contenant des données manquantes, de mieux estimer les événements extrêmes (souvent négligés par les techniques statistiques traditionnelles) et d’estimer les incertitudes des restitutions. Cette thèse montre pourquoi les méthodes d’IA, et en particulier les CNN avec convolutions partielles, devraient constituer l’approche privilégiée pour l’exploitation des observations provenant de nouvelles missions satellitaires telles que IASI-NG ou MTG-S IRS.
Informations supplémentaires
Lieu
Observatoire de Paris
77, avenue Denfert Rochereau, 75014 Paris
Salle Denisse
Retrouvez cette soutenance sur Youtube
Composition du jury
- Venkatramani BALAJI, Schmidt Sciences, Rapporteur
- Sid Ahmed BOUKABARA, NASA, Rapporteur
- Cathy CLERBAUX, LATMOS/IPSL, Examinatrice
- Raymond ARMANTE, LMD/IPSL, Examinateur
- Isabel TRIGO, Núcleo de Observação da Terra (NOT), Examinatrice
- Jörg SCHULZ, EUMETSAT, Examinateur
- Laure CHAUMAT, Thales Services Numériques, Invitée
- Filipe AIRES, LERMA / IPSL, directeur de thèse