Doctoral student / Etudiant doctorant, LISTIC, Université Savoie Mont Blanc
PERSONAL INFORMATION
Email : gregoire.vest@univ-smb.fr
Office : A221
Adress : 5 chemin de Bellevue, Annecy-le-Vieux, CS 80439, 74944 ANNECY CEDEX
Research team : AFuTé
THESIS
Subject : Neural networks based volcanic model inversion with SAR displacement measurements
Supervisors : Yajing YAN (LISTIC), Fabien ALBINO (ISTerre)
Doctoral School : Sciences, Ingénierie, Environnement (SIE)
Start of the thesis : Octobre 2025
Abstract (french below) :
The objective of this thesis is to explore new deep learning tools useful for satellite image inversion. Traditional Monte Carlo inversion methods are costly in terms of time and computing resources, and therefore cannot meet operational needs. This is why deep learning is promising in terms of what it can offer in inverse modeling. However, the inherently ill-posed nature of inversions in volcanology and the limited amount of labeled InSAR data make this work difficult. To study these inversions, we start with a spherical displacement source model (Mogi model) with which we can obtain an infinite amount of synthetic data. This allows us to infer real data from a trained deep learning model in a second step. Other physical models are then studied to push the inversion towards more complex fields.
L’objectif de cette thèse est d’explorer les nouveaux outils d’apprentissage profond utiles à l’inversion d’images satellitaires. Les méthodes traditionnelles d’inversion de Monte Carlo sont coûteuses en temps et en ressource informatique, et ne peuvent donc pas répondre aux besoins opérationnels. C’est pourquoi l’apprentissage profond est prometteur sur ce qu’il peut offrir en modélisation inverse. Cependant le caractère intrinsèquement mal posé des inversions en volcanologie et la quantité limitée de données InSAR étiquetées rendent ce travail difficile. Pour étudier ces inversions, on part d’une modélisation de source de déplacement sphérique (modèle de Mogi) avec laquelle on peut obtenir une quantité infinie de données synthétiques. Cela permet dans un deuxième temps d’inférer sur des données réelles à partir d’un modèle d’apprentissage profond entraîné. D’autres modèles physiques sont ensuite étudiés pour pousser l’inversion vers des champs plus complexes.