Les traînées de condensation sont des nuages en forme de ligne composées de particules de glace qui sont visibles à l’arrière des avions à réaction lorsqu’ils sont à des altitudes de croisière. Selon la température et l’humidité dans l’air les traînées s’évaporent rapidement (si l’humidité est faible) ou persistent et grossissent (si l’humidité est élevée). Les traînées de condensation persistantes intéressent les scientifiques car elles augmentent la nébulosité de l’atmosphère et peuvent se développer en une vaste couverture nuageuse de cirrus qui ne se distingue pas de la nébulosité naturelle. À l’heure actuelle, on ne sait pas dans quelle mesure cette nébulosité se serait produite sans le passage d’un avion. Les traînées d’avion et les cirrus induits sont responsables d’un forçage radiatif qui reste incertain car d’une part les mécanismes de formation et de dissipation des cirrus induits sont mal compris et d’autre part nous manquons d’observations climatologiques sur les traînées d’avion et leur évolution en cirrus. Cette thèse vise à développer des outils permettant de mieux comprendre le cycle de vie de ces traînées. Pour cela, le/la doctorant(e) s’appuiera principalement sur un large jeu de données provenant des deux caméras hémisphériques plein ciel situées au SIRTA. L’avantage de ce jeu de données est qu’il peut être couplé avec les données d’un récepteur ADS-B (Automatic-Dependent Surveillance – Broadcast) également basé au SIRTA qui permet de connaître la position des avions survolant la zone, et ainsi de projeter leur trajectoire sur les images du ciel. Durant les deux dernières décennies, les approches de type « machine learning » basées sur les techniques de l’intelligence artificielle ont fait d’énormes progrès dans le domaine du traitement des images notamment grâce à l’apparition des réseaux de neurones convolutifs et de l’apprentissage profond. Ce type de méthodes s’applique à des contextes très différents tels que l’imagerie médicale, l’analyse de scènes routières, l’identification d’objets, la détection d’anomalie, de visage, le débruitage…. Plus récemment, ces méthodes ont également fait leur apparition dans le domaine de la télédétection (spatiale et terrestre), ainsi qu’en imagerie satellitaire par exemple pour connaître l’état des cultures (cf. eos.com). Les observations disponibles permettent de connaître la trajectoire des avions et donc de localiser les traînées lors du passage de celui-ci. Il est ainsi possible de labelliser les images correspondantes. En revanche en ce qui concerne les traînées « anciennes », la connaissance de la trajectoire de l’avion n’est plus suffisante pour estimer les caractéristiques de la traînée en termes de localisation, de déformation et de croissance/décroissance de la traînée. Il n’est donc plus possible dans ce cas d’obtenir des images labellisées correctes.

Dans un premier temps, le doctorant s’attachera à développer une méthode robuste permettant de détecter les « jeunes » traînées en présence de situations météorologiques diverses. En effet, la méthode actuelle basée sur des traitements d’images « standards » [Yang et al., 2012] permet la détection des traînées uniquement en période de ciel clair ou très faiblement nuageuse. Il s’agira de développer, à l’aide de méthodes d’apprentissage statistique (machine learning), une méthode permettant de détecter les traînées en présence de nuages qui oblitèrent en partie la traînée et/ou qui diminue significativement le contraste de l’image. Dans cette optique, une base de données de traînées « jeunes » et labellisées sera implémentée. Cette dernière sera utilisée pour l’apprentissage, la validation et le test de l’algorithme développé. Différents types de modèles pourront être mis en œuvre comme par exemple un architecture de type UNET [Ronneberger et al., 2015] en mode supervisé. Une attention particulière sera portée à la construction de la base de données pour l’apprentissage, et une réflexion sera menée afin que celle-ci soit suffisamment représentative de la diversité des cas. Par ailleurs, les techniques standards d’augmentation de données seront utilisées afin d’augmenter encore plus cette diversité. Une comparaison entre les deux caméras pourra également être effectuée dans le but de minimiser les fausses détections liées aux imperfections de la caméra (en particulier les reflets du soleil).

Dans un deuxième temps, il s’agira de développer une méthode permettant le suivi (object tracking) dans le temps des traînées. Ce problème, bien plus complexe, nécessitera l’adaptation de modèles de deep learning comme par exemple le modèle Trajectory GRU [Shi et al., 2017 ; Wei et al., 2021]. Ce suivi permettra d’analyser l’évolution spatio-temporelle des caractéristiques des traînées individuelles, et en particulier leur taux de croissance / décroissance, qui pourra être relié à l’altitude de vol (connu via le signal ADS-B) et aux conditions atmosphériques (température, humidité, …) connues grâce aux réanalyses. Enfin, dans un troisième temps, les images de la caméra hémisphérique seront complétées par des images satellitaires dont le champ de vue est bien plus large. Il s’agira de mettre à profit ces images pour l’étude du suivi des traînées qui se transforment en cirrus induits dont la durée de vie est relativement longue et sortent du champ de vue de la caméra hémisphérique du SIRTA.

Lieu
Sorbonne Université – Campus Pierre et Marie Curie
4, place Jussieu 75005 Paris
Amphi Herpin

Visio
https://rendez-vous.renater.fr/private/Soutenance_de_these_Nicolas_Gourgue_id_fc1c5eb8d4270322761f2c58b58cfd1cff0826ae98e6e38bb05464d26ad83d5f__wqedebeqrdyy_ab7a6e-c1cfa5-65900a

Marie Lothon Rapporteuse
Yacine Oussar Rapporteur
Philippe Keckut Examinateur
Philippe Very Examinateur
Patrick Horain Examinateur
Olivier Boucher co-Directeur de Thèse
Laurent Barthès Invité (co-Directeur de Thèse)