Lorenzo LOPEZ UROZ

Doctoral student, Polytech Annecy-Chambéry

Email/ E-mail :

lorenzo.lopez-uroz@univ-smb.fr

Website :

https://github.com/lolopezuroz

Office / Bureau :

A117

Address / Adresse :

LISTIC, 5 chemin de bellevue, CS80439, 74 944 Annecy Cedex

Reaserch team/ Group :

AFuTé

Thesis Title/ Titre de la Thèse :

« Neural networks based model inversion and hazard prediction with SAR displacement time series »

« Inversion de modèles physiques et prédiction de risques naturels avec les réseaux de neurones à partir de séries temporelles de déplacements SAR »

Abstract/ Résumé :

The acquisition of Sentinel-1 A/B Synthetic Aperture Radar (SAR) images, covering Europe every 6 days (every 12 days elsewhere) and made available for free by the European Space Agency (ESA), brings the exploitation of SAR satellite data into a new era by enabling the creation of time series of SAR images whose exploitation for the operational monitoring of Earth’s deformation is a source of opportunities and challenges. This PhD topic proposes, for the first time, to address the major issue of inversion and prediction of geophysical parameters using Deep Neural Networks (DNN) exploiting displacement field time series obtained from SAR images. A GAN-type architecture (Generative Adversarial Network) DNN will be first proposed in order to enrich a learning data set with realistic simulations. This will then enable DNN to be trained on the inversion task, relying on LSTM-type network (Long Short-Term Memory) or causal convolution operators. This type of network can model the short- and long-term data dependencies in displacement time series. A particular attention will be paid to the explainability of the proposed network by using techniques such as salience masks but also by ensuring that latent network features are matched with interpretable spatiotemporal data mining models/patterns.

_________________________________________________________________________________________________________________

L’acquisition d’images Radar à Synthèse d’Ouverture (RSO) Sentinel-1 A/B, couvrant l’Europe tous les 6 jours (tous les 12 jours ailleurs) et mises à disposition gratuitement par l’agence spatiale européenne, fait entrer l’exploitation des données satellite RSO dans une nouvelle ère en permettant la constitution de séries temporelles d’images RSO dont l’exploitation à des fins de surveillance opérationnelle de la déformation de la Terre est source d’opportunités et de défis. Ce sujet de thèse propose, pour la première fois, d’aborder la question majeure de l’inversion et de la prédiction de paramètres géophysiques en s’appuyant sur les Réseaux Neuronaux Profonds (RNP) exploitant des séries temporelles de champs de déplacements obtenus à partir d’images RSO. Une architecture RNP de type Generative Adversarial Network (GAN) sera tout d’abord proposée afin d’enrichir les données réelles existantes par des simulations réalistes afin d’enrichir le jeu de données d’apprentissage. Ceci permettra alors d’optimiser un RNP dédié au problème d’inversion. Il sera capable de modéliser les dépendances des données à court et long terme dans les séries temporelles de déplacements et s’appuiera sur des neurones de type Long Short-Term Memory ou convolutifs causaux. Une attention toute particulière sera portée à l’explicabilité du réseau proposé en s’appuyant sur des techniques de type masques de saillance mais également en veillant à ce que des représentations des données intermédiaires, synthétisées au cœur du réseau, soient mis en correspondance avec des modèles/motifs de fouille de données spatiotemporels interprétables.

Keywords / Mots-clefs :

inversion – prediction – neural networks – displacement – SAR

_________________________________________________________________________________________________________________

inversion – prediction – réseaux de neurones – déplacement – SAR

Start of the thesis / Début de la thèse :

01/10/2022

Doctoral school / Ecole doctorale :

Sciences, Engineering, Environment (SIE)