THÈSE DE DOCTORAT - PRÉDICTION DE LA VITESSE D'ÉCOULEMENT DES GLACIERS PAR APPRENTISSAGE PROFOND

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 LASTIG, laboratoire de recherche de Géodata Paris, s'intéresse, via son projet ANR GlacioSim à la réponse des glaciers aux fluctuations climatiques en fait d'excellents indicateurs du changement climatique. Les glaciers fournissent aux populations locales des ressources en eau douce et contribuent actuellement à hauteur de 25 à 30 % à l'élévation du niveau des mers. Malgré des améliorations substantielles dans la représentation des masses de glace au cours des dernières décennies, la distribution de l'épaisseur des glaciers du monde est encore sujette à de grandes incertitudes [1]. Une variable d'importance primordiale est la vitesse d'écoulement en surface des glaciers, car elle régit le transfert de masse de la zone d'accumulation vers la zone d'ablation. Elle constitue également une contrainte essentielle dans les modèles glaciologiques 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 une fréquence de revisite et une couverture satellitaires élevées. Pour estimer la vitesse de surface, une technique largement utilisée consiste à calculer ou à prédire la similarité entre des patches de paires d'images acquises à différents instants. Dans sa version classique, cette technique, appelée suivi de décalage (offset tracking), vise à maximiser une fonction basée sur la corrélation entre les deux images. Elle a été appliquée avec succès pour estimer la vitesse des glaciers à partir d'images optiques [2] et d'images radar à ouverture synthétique (SAR) [3]. Récemment, une famille prometteuse de méthodes basées sur l'apprentissage profond a émergé pour apprendre des cartes de vitesse ou de similarité à partir de paires d'images de télédétection. Par exemple, [4] a conçu un réseau de mise en correspondance profond basé sur une architecture siamoise pour apprendre la similarité entre des patches d'images SAR du glacier Taky en Alaska. Les réseaux de neurones convolutifs (CNN) ont également été appliqués avec succès pour estimer les ruptures sismiques et les mouvements de glissements de terrain à partir d'images optiques [5]. D'autres méthodes appliquent des réseaux de neurones récurrents (RNN) basés sur l'attention pour prédire des cartes de vitesse de flux optique à partir d'images satellites [6, 7].
Malgré ces efforts, l'estimation et l'apprentissage précis des cartes de similarité à partir d'images de télédétection, à partir desquelles sont estimées les vitesses de surface des glaciers, restent une tâche difficile. Premièrement, parce que les glaciers présentent une forte variabilité spatio-temporelle en raison de zones à évolution rapide telles que les séracs, les crevasses ou la fonte en surface [8]. En conséquence, les mesures basées sur des images satellites répétées perdent souvent la trace des motifs de surface au fil du temps, un phénomène appelé décorrélation. La résolution spatiale et la ligne de base temporelle constituent également des facteurs limitants importants pour le suivi des vitesses de surface. Deuxièmement, les images satellites, par leur mode et leur géométrie d'acquisition, contiennent différentes sources d'erreurs et d'artefacts, en particulier dans les zones de forte topographie ou de fort changement vertical [9]. Ces cartes peuvent également être contaminées par des mouvements indésirables, tels que des déplacements d'ombres ou des mécanismes de rétrogression. De plus, le manque de données de vérité terrain constitue une limitation importante pour la capacité des modèles d'apprentissage profond à apprendre des cartes de vitesse fiables dans de nombreux cas d'écoulements glaciaires (glaciers de montagne, calottes glaciaires, etc.). Enfin, l'intégration de connaissances physiques pour prédire l'évolution de systèmes dynamiques [10] tels que les glaciers, ainsi que l'apprentissage de cartes de similarité à partir d'images multimodales (mêmes modalités ou modalités différentes provenant de capteurs différents), constituent des défis de recherche émergents.