Doctoral student / Etudiant doctorant, LISTIC, Université Savoie Mont Blanc
INFORMATIONS PERSONNELLES
Email / Courriel : emma.moliere@univ-smb.fr
Office / Bureau : A210
Adress / Adresse : 5 chemin de Bellevue, Annecy-le-Vieux, CS 80439, 74944 ANNECY CEDEX
Research team / Groupe thématique: AFuTé
INFORMATIONS SUR LA THèSE
Subject / Sujet :
« Detection and prediction of rock-fall events from Ground Based Synthetic Aperture Radar (GB-SAR) image time series »
« Détection et prédiction de chutes de blocs à partir de séries temporelles d’images de radar à synthèse d’ouverture terrestre (GB-SAR) »
Keywords / Mots-clefs : Terrestrial radar interferometry, Change detection, Event forecasting, Rockfall / Interférométrie radar terrestre, Détection de changement, Prévision d’événements, Chutes de blocs
Supervisors / Encadrants : Emmanuel TROUVE, Argheesh BHANOT (LISTIC)
Doctoral School / Ecole doctorale : Sciences, Ingénierie, Environnement (SIE)
Start of the thesis / Début de la thèse : Octobre 2024
Abstract / Résumé :
This PhD thesis aims to develop processing methods for Ground-Based Synthetic Aperture Radar (GB-SAR) images to detect and predict rockfall events. It relies on a unique dataset acquired on the Saint-Eynard cliff as part of the ANR C2R-IA project, led by BRGM. Radar images are acquired every 30 minutes by the GB-SAR system installed since February 2024, allowing the observation of two types of changes: on the one hand, small surface deformations related to rock wall movements, detected through interferometry (phase difference); on the other hand, abrupt changes in the backscattering coefficient (image amplitude) when a rock block detaches. Currently, only relatively basic processing methods are applied using the software provided with the GB-SAR system, and significant expertise is required to identify the relevant phenomena. The objective of this thesis is to propose automatic and robust methods for detecting precursor signals and events in GB-SAR image time series. Measurements and detections from other sensors (camera, lidar, etc.) installed at the site will support the evaluation and validation of the proposed methods.
Cette thèse vise à développer des méthodes de traitement des images radar à synthèse d’ouverture terrestre (GB-SAR) pour détecter et prédire les chutes de blocs rocheux. Elle s’appuie sur la base de données acquises sur la falaise du Saint-Eynard dans le cadre du projet ANR C2R-IA piloté par le BRGM. Les images radar acquises toutes les 30 minutes par le GB-SAR installé depuis février 2024 permettent d’observer deux types d’évolutions : d’une part les petites déformations de surface liées aux mouvements des parois rocheuses par interférométrie (différence de phase) et d’autre part les changements abrupts du coefficient de rétrodiffusion (amplitude de l’image) lorsqu’un bloc s’est détaché. Des traitements relativement basiques sont aujourd’hui appliqués par le logiciel fourni avec le GB-SAR et une expertise importante est nécessaire pour détecter les phénomènes recherchés. L’ambition de cette thèse est de proposer des méthodes automatiques et robustes de détection des signaux précurseurs et des évènements dans les séries temporelles d’images GB-SAR. Les mesures et les détections fournies par les autres instruments (appareil photo, lidar…) installés sur ce site permettront d’évaluer et valider les méthodes proposées.
Bibliography / Bibliographie :
- BRGM et al., Chutes de blocs et Risque Rocheux : utilisation de l’Intelligence Artificielle pour la gestion opérationnelle du risque – C2R-IA, Projet ANR-22-CE56-0005
- Atto A., Trouvé E., Nicolas J.-M., Lê T.-T., Wavelet Operators and Multiplicative Observation Models – Application to SAR Image Time-Series Analysis, IEEE Transactions on Geoscience and Remote Sensing, Vol. 54, No. 11, pp. 6606-6624, 2016. doi: 10.1109/TGRS.2016.2587626
- Prébet R., Yan Y., Jauvin M., Trouvé E., A Data-Adaptive EOF-Based Method for Displacement Signal Retrieval From InSAR Displacement Measurement Time Series for Decorrelating Targets, IEEE Transactions on Geoscience and Remote Sensing, 57 (8), pp.5829 – 5852, 2019, doi: 10.1109/TGRS.2019.2902719
- Surface Displacement Measurement from Remote Sensing Images, John Wiley & Sons, Ltd, collection « Sciences », ISBN:9781789450835, sous la direction d’O. Cavalié et E. Trouvé, 416 pages, 2022, doi: 10.1002/9781119986843
- Chanut, M.-A.; Courteille, H.; Lévy, C.; Atto, A.; Meignan, L.; Trouvé, E.; Gasc-Barbier, M. Managing Rockfall Hazard on Strategic Linear Stakes: How Can Machine Learning Help to Better Predict Periods of Increased Rockfall Activity? Sustainability 2024, 16, 3802. https://doi.org/10.3390/su16093802