Stage – Estimation de l’humidité et de la rugosité des sols par inversion de modèle de transfert radiatif SAR (Sentinel 1)

L’unité Earth Observation est en charge des activités de traitement d’images d’origine spatiale. Ses domaines d’expertise sont : la géométrie des capteurs et le traitement d’image, la calibration/validation et le contrôle qualité et les services d’observation de la Terre. Nos experts en télédétection, nos scientifiques et nos concepteurs de logiciels spécialisés se concentrent sur les programmes de R&D, les algorithmes de traitement, les systèmes de segment sol et les services environnementaux. Observer la Terre depuis l’espace, surveiller notre environnement et les changements climatiques sont nos défis.

Pour son équipe spécialisée en intelligence artificielle et dans l’optique de faciliter la réalisation de futur étude R&D, Magellium propose le stage suivant intitulé :

Estimation de l’humidité et de la rugosité des sols par inversion de modèle de transfert radiatif SAR (Sentinel 1)

CONTEXTE

L’imagerie satellitaire offre une quantité considérable de données exploitables dans un grand nombre d’applications (cartographie de l’occupation du sol, détection d’objet, détection de changement, modélisation physique, modélisation 3D …).

Ce volume de données se prête bien au développement de modèles de deep learning qui obtiennent souvent des résultats à l’état de l’art. Il reste cependant difficile d’extraire une information physique qualifiée des scènes observées.

Un nouveau groupe de modèles génératifs a récemment été proposé : les Conditional Normalizing Flows (CNF). Il s’agit de modèles probabilistes capables d’apprendre des distributions de probabilité complexes en établissant une transformation inversible entre une distribution de probabilité simple et une distribution cible, conditionnée par des variables d’entrée. Ils permettent d’estimer explicitement la vraisemblance des données et également de générer de nouveaux échantillons. Leur capacité à modéliser des distributions conditionnelles complexes en fait des outils adaptés aux problèmes d’inversion de modèles complexes. Ils permettent ainsi de représenter l’incertitude associée à une prédiction en produisant une distribution complète de solutions possibles plutôt qu’une estimation ponctuelle, offrant une approche flexible et rigoureuse pour résoudre ce genre de problèmes.

Il existe aujourd’hui différentes architectures de Conditional Normalizing Flows, qui se distinguent par la manière dont elles modélisent les distributions de probabilité conditionnelles et par leur capacité à prendre en compte la complexité des données d’entrée. Certains modèles sont conçus pour traiter des données de grande dimension et exploiter des variables conditionnelles hétérogènes, tandis que d’autres privilégient des architectures plus légères, adaptées à des applications spécifiques.

SUJET

L’estimation de la rugosité et de l’humidité des sols constitue un enjeu important pour le suivi des cultures et la gestion des ressources en eau. Plusieurs études ont déjà exploré l’estimation de ces paramètres à partir de données radar à synthèse d’ouverture (SAR), en s’appuyant notamment sur des modèles physiques tels que l’IEM (Integral Equation Model), l’AIEM (Advanced Integral Equation Model) et le modèle de Dubois. Toutefois, l’inversion de ces modèles peut s’avérer complexe et ne permet pas, à elle seule, de fournir directement une estimation des incertitudes associées aux paramètres physiques obtenus.

Ce stage vise à évaluer l’apport des CNF pour la tâche d’estimation de l’humidité et de la rugosité des sols à partir d’images Sentinel 1. D’autres variables physiques pourront être envisagées.

Le candidat pourra s’appuyer sur des outils internes Magellium ou des outils open source, qu’il s’agira d’intégrer ou d’améliorer selon leur capacité à répondre au besoin.

Le déroulement du stage sera le suivant :

• Une phase d’état de l’art portant à la fois sur la modélisation du signal SAR et sur les modèles CNF;
• Une phase de simulation du signal SAR (implémentation du modèle physique direct);
• Une phase de conception d’une bibliothèque pour l’inversion du modèle direct par CNF;
• Une phase d’entraînement et d’évaluation quantitative et qualitative des résultats, avec comparaison avec des méthodes traditionnelles d’inversion et prédiction sur images réelles.

Si le temps le permet, d’autres cas d’étude pourront être testés.

Le développement sera fait en Python et s’appuiera sur PyTorch pour le Deep Learning.

PERSPECTIVE

Dans la continuité de ce stage, un poste en CDI pourra être proposé au candidat.