Louise Lizé

Computer Science PhD student — AI,  InSAR geodesy & Volcanology 🌋

Personal information

  • Current location: ISTerre (Grenoble)
  • Office: 242
  • Address: 1381 Rue de la Piscine, 38610 Gières
  • LISTIC Thematic group: AFuTé
  • ISTerre Thematic group: Volcano & Cycle

 

 

Thesis information

 

 

Thesis (EN)

Title: Classification of volcanic mechanisms using neural networks and SAR displacement data

Keywords: Interferometric Synthetic Aperture Radar (InSAR), Machine Learning, Volcanology, Surface Displacement, Feature Extraction

Subject: Satellite based remote sensing offers a unique source of information to monitor the environnement, with fine spatial resolution, wide coverage and frequent revisit. This enables addressing the challenge of natural hazard monitoring and forecasting, which has a significant societal impact. The inverse modeling of surface displacement is one of the major techniques of exploring the subsurface feature of volcanoes. In this Ph.D thesis, we consider the classification of volcanic mechanisms from Interferometry Synthetic Aperture Radar (InSAR) surface displacement estimations. This work is challenging, because surface displacement fields lack distinct features that can reliably distinguish different volcanic mechanisms at depth. We will begin with a blind supervised learning experiment based on synthetic simulations and frugal machine learning models (e.g. random forest) in order to validate the proof-of-concept (Indeed, Cayol et al. 2014 proposed a tedious approach based on a manual decision tree). Afterwards, we can take two approaches: on one hand, increasing the model expressivity, such as transitioning to frugal deep learning models, with the aim of improving classification accuracy; on the other hand, incorporating multimodal input to the model. This includes using directional displacement gradient’s value and sign, as well as horizontal/vertical displacement ratio to complement displacement values, based on expert’s knowledge. Furthermore, inspired by the approach adopted by volcanologists for a similar task – recognizing key physical parameters of fracture displacement (such as faults, magma intrusions, or sheared intrusions), as well as the dip and depth of the fracture and the ratio of host rock stress exerted on the fracture – we aim to train deep learning models to extract physical features. By incorporating physics-informed loss functions, we seek to enhance the universality of solutions proposed by previous deep learning models. Real InSAR displacement measured at the Piton de la Fournaise volcano since 1998 and previously analyzed through Monte Carlo inversions (Dumont et al. 2022) will be used for further validation in real applications

 

 

Thesis (FR)

Titre: Classification des mécanismes volcaniques par réseaux de neurones et données de déplacement SAR

Mots-clés: Interférométrie Radar à Système d’Ouverture (InSAR), Apprentissage automatique, Volcanologie, Déplacement de surface, Extraction de caractéristiques

Sujet: L’observation de la Terre par télédétection satellitaire constitue une source d’information unique pour surveiller l’environnement, grâce à sa fine résolution spatiale, sa large couverture et la fréquence élevée de revisite. Cela permet de relever le défi de la surveillance et de la prévision des aléas naturels, qui ont un impact sociétal majeur. La modélisation inverse des déplacements de surface est l’une des techniques principales pour explorer les structures souterraines des volcans. Dans cette thèse de doctorat, nous nous intéressons à la classification des mécanismes volcaniques à partir d’estimations de déplacements de surface issues de l’interférométrie radar à synthèse d’ouverture (InSAR). Ce travail est difficile, car les champs de déplacement de surface présentent peu de caractéristiques distinctives permettant de différencier de manière fiable les divers mécanismes volcaniques en profondeur. Nous commencerons par une expérience d’apprentissage supervisé « à l’aveugle » basée sur des simulations synthétiques et des modèles d’apprentissage automatique frugaux (par ex. forêts aléatoires), afin de valider la preuve de concept (Cayol et al., 2014 avaient en effet proposé une approche laborieuse fondée sur un arbre de décision manuel). Ensuite, deux pistes pourront être envisagées : d’une part, augmenter l’expressivité des modèles, par exemple en passant à des modèles d’apprentissage profond frugaux, dans le but d’améliorer la précision de classification ; d’autre part, intégrer des données d’entrée multimodales dans le modèle. Cela inclut l’utilisation de la valeur et du signe du gradient directionnel de déplacement, ainsi que du rapport déplacement horizontal/vertical, afin de compléter les valeurs de déplacement, sur la base de l’expertise scientifique. De plus, en nous inspirant de l’approche adoptée par les volcanologues pour une tâche similaire — à savoir la reconnaissance de paramètres physiques clés des déplacements de fractures (failles, intrusions magmatiques ou intrusions cisaillées), ainsi que l’inclinaison et la profondeur de la fracture et le rapport de contrainte de l’encaissant exercée sur la fracture — nous visons à entraîner des modèles d’apprentissage profond à extraire des caractéristiques physiques. En incorporant des fonctions de perte informées par la physique, nous cherchons à améliorer l’universalité des solutions proposées par les modèles d’apprentissage profond existants. Enfin, des déplacements réels mesurés par InSAR au Piton de la Fournaise depuis 1998, déjà analysés par inversions Monte Carlo (Dumont et al., 2022), seront utilisés pour valider ces approches dans des applications concrètes.