Matthieu GALLET soutient sa thèse le Vendredi 20 Septembre 2024 : « Apprentissage automatique pour la caractérisation et l’analyse de la dynamique de la cryosphère par imagerie satellitaire radar »

L’analyse de la cryosphère est essentielle en raison de son importance socio-économique et environnementale. Elle influence les ressources en eau douce, soutient le développement économique des régions dépendantes du tourisme hivernal, et joue un rôle significatif dans le bilan énergétique mondial grâce au phénomène de l’albédo. À l’échelle globale, la compréhension des dynamiques de la cryosphère est cruciale pour aborder les problématiques climatiques actuelles, comme souligné dans les rapports du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC). L’explosion des données satellitaires ces dernières années offre des perspectives de suivi à haute résolution spatiale et temporelle des régions montagneuses, notamment grâce aux données acquises par les radars à synthèse d’ouverture (RSO). Ces radars permettent d’observer les régions enneigées et glacées indépendamment des conditions météorologiques et de l’illumination solaire. Cependant, l’analyse de ces données reste complexe en raison de la présence de bruit multiplicatif (chatoiement) et de distorsions géométriques irréversibles, nécessitant des méthodes d’analyse adaptées. L’utilisation des méthodes d’apprentissage automatique pour l’analyse des données RSO offre des perspectives prometteuses pour la classification des surfaces enneigées et des glaciers, mais requiert des approches adaptées pour surmonter les défis liés à la complexité des données et à la quantité et la qualité des annotations. Cette thèse vise à aborder ces défis en se concentrant sur plusieurs aspects clés. Dans un premier temps, elle identifie comment exploiter les données RSO en bande C et en bande X pour la classification de la neige et des glaciers, en analysant les comportements temporels ainsi que les corrélations entre les caractéristiques statistiques des images et les mesures in situ ou issues de modèles numériques. À partir de cette analyse, elle propose l’élaboration de deux jeux de données annotés pour l’étude de la cryosphère et leur utilisation dans des tâches de classification. Ces jeux de données sont constitués d’images RSO acquises par les satellites Sentinel-1 et PAZ, centrées sur les Alpes françaises et la région du Mont-Blanc, et annotées automatiquement avec un modèle de simulation du manteau neigeux (CROCUS) pour la neige humide, et manuellement pour les types de glaciers. La création de ces jeux de données permet l’analyse de la détection de neige humide par un ensemble de modèles d’apprentissage automatique supervisés, et la compréhension des caractéristiques discriminantes pour cette tâche. Face à la variabilité des résultats et des performances des modèles, cette thèse propose une approche permettant l’agrégation de modèles de classification pour améliorer la robustesse des résultats face aux bruits inhérents au signal radar et aux incertitudes des annotations, en se basant sur la logique floue. Elle propose enfin des solutions algorithmiques permettant une classification efficace et interprétable des données RSO, avec une approche frugale en termes de paramètres et interprétable, alliant estimation d’un ensemble de distributions de probabilité propres aux caractéristiques des images RSO et une architecture neuronale de combinaison de distances statistiques ou divergences paramétrées. En conséquence, ces travaux démontrent la capacité des méthodes d’apprentissage automatique à être adaptées de manière efficace et interprétable à l’analyse des données SAR pour l’étude de la cryosphère, en prenant en compte les spécificités des données et des annotations, et en proposant des solutions algorithmiques pour une classification efficace et interprétable.