DOCTORANT-E EN GÉODÉSIE - MODÉLISATION DE SÉRIES TEMPORELLES PAR APPRENTISSAGE AUTOMATIQUE

Géodata Paris (Ecole nationale des sciences géographiques) est une grande école publique d'ingénieurs, au carrefour des sciences des sciences de la Terre, des datasciences, de l’informatique, de la géographie et de la cartographie. Elle forme des étudiants du post-bac jusqu'au doctorat sur l'ensemble du champ et des disciplines de l'information géographique et forestière, de la géolocalisation et de la donnée géolocalisée. Elle est la direction de l'enseignement supérieur et de la recherche de l'IGN. Elle est également école membre de l'Université Gustave Eiffel. Elle a pour rôle de former en formation initiale les 400 étudiants inscrits dans les différents cycles de l'école: ingénieur, licence professionnelle de géomètre-géomaticien et divers diplômes de niveau bac+5 (masters). Parmi ces élèves, certains sont élèves-fonctionnaires destinés à intégrer l'IGN et la fonction publique d'Etat au sortir de leur formation. Géodata Paris assure également des formations professionnelles, y compris à distance et pour des formations longues et diplômantes. Géodata Paris est également chargée de définir et conduire les recherches finalisées dans les domaines de compétences de l'IGN (100 chercheurs) et de contribuer, sur ces domaines, à l'animation de la recherche au niveau national et international. Géodata Paris apporte son expertise à l'IGN et plus largement aux politiques publiques de son ministère de tutelle (écologie). Elle soutient l'organisation d'événements scientifiques et techniques dans le domaine de compétences de l'IGN. 

 Le centre de compétences géodésie et métrologie dimensionnelle (CC GMD) est chargé du pilotage des activité de géodésie et topométrie de Géodata Paris. Les agents du CC GMD réalisent leurs activités d'enseignement à Géodata Paris située à Champs Sur Marne et effectuent leurs activités de recherche au sein de l’Unité Mixte de Recherche (UMR) IPGP sur le campus des Grand Moulins de l’Université Paris Cité à Paris. L’équipe de recherche « géodésie » mène des recherches sur l’amélioration des référentiels géodésiques (géométrique et gravimétrique), sur la modélisation des déformations du sol et l’interprétation géophysique et climatique des produits de la géodésie. 

Contexte scientifique de la thèse :

La géodésie spatiale exploite des données satellitaires pour décrire la surface terrestre, le champ de pesanteur et l’orientation de la Terre. Cette discipline est essentielle tant pour les géosciences que pour de nombreuses applications civiles. En effet, elle permet la mesure de déformations d’origines variées, allant des déformations aux frontières et à l’intérieur des plaques tectoniques (Kreemer et al., 2014) aux déformations élastiques induites par la redistribution des enveloppes fluides (White et al., 2010) en passant par le rebond post-glaciaire. La géodésie spatiale joue aussi un rôle essentiel dans la réalisation des références (inter-)nationales pour le positionnement précis, dont le repère international de référence terrestre (ITRF) (Altamimi et al., 2023) qui constitue une référence mondiale stable et précise dans laquelle exprimer les coordonnées d’objets à la surface et autour de la Terre.

En pratique, la plupart des produits de géodésie spatiale sont diffusés sous forme de séries temporelles géolocalisées. Or, pour être exploitées dans des applications scientifiques, de telles séries temporelles doivent souvent être modélisées à l'aide de modèles de trajectoire (Bevis and Brown, 2014). Ces modèles de trajectoire sont formés d’une base de fonctions mathématiques paramétriques dont, typiquement, une tendance à long terme, des signaux périodiques, des signaux transitoires et des discontinuités pouvant être dues à des tremblements de terre, des changements instrumentaux ou des problèmes dans les données. Les paramètres de ces fonctions, qui représentent, par exemple, les vitesses tectoniques des stations ou des déplacements cosismiques, sont les quantités d’intérêt pour diverses applications géophysiques.

Depuis plusieurs décennies, nous faisons face à une augmentation importante du nombre de séries temporelles à analyser, et plusieurs services mettent à disposition des bases de données contenant des milliers, voire des millions, de séries à étudier. Le nombre croissant de séries disponibles rend caduque l’approche “manuelle” classique, qui consiste à analyser visuellement chaque série géodésique afin d’en définir un modèle de trajectoire approprié. Pour exploiter pleinement ces données massives, il devient indispensable de développer des méthodes de modélisation automatiques.

Or, malgré plusieurs décennies d’efforts, aucune approche automatique n’a su atteindre un consensus au point d’être largement employée pour la modélisation de séries temporelles géodésiques. Au contraire, les approches automatiques existantes semblent toujours moins performantes qu’un opérateur expérimenté (Gazeaux et al., 2013). En particulier, une difficulté centrale de ces approches réside dans la détection automatique de discontinuités dans les séries temporelles. Cependant, des développements récents en matière d’intelligence artificielle ouvrent de nouvelles voies vers des approches automatiques plus performantes.