Matthieu GALLET

Doctorant, LISTIC, USMB

Contact

Courriel : Matthieu.gallet@ univ-smb.fr

Téléphone : +33(0) 4 50 09 42 09

Télécopie : +33(0) 4 50 09 65 59

Bureau : A224

Adresse 1 : LISTIC – Polytech Annecy-Chambery, BP 80439, 74944 Annecy le Vieux Cedex, France

Thèse

Groupe : LISTIC

Thème : AFuTé

Sujet : Machine-learning pour la caractérisation et analyse de la dynamique de la cryosphère par
imagerie satellitaire radar

Résumé : La texture de la couverture de la cryosphère est variable dans le temps au grès des échanges
d’énergie entre le manteau neigeux, le sol sous-jacent et l’atmosphère. Si les précipitations et les
conditions météorologiques et du sol conditionnent les propriétés d’une couche de neige de surface, son
évolution dans le temps, ainsi que celle des différentes couches qui se superposent pour former un
manteau neigeux, dépend des conditions météorologiques.

Ces dernières sont expertisés grâce à la collaboration avec le Centre d’Étude de la Neige de Météo-France.

A petite échelle en vision par satellite (quelques centaines de mètres carrés), on s’intéressera à l’analyse
des variations spatiales de textures (neige dans tous ses états et glace) alors que à grande échelle
(plusieurs centaines de kilomètres carrés), on s’intéressera plutôt à la présence ou l’absence de couverture
neigeuse ou encore à la différentiation entre neige sèche et neige humide.

Jusqu’à présent, les études disponibles sur le sujet sont par site (zones géographiques très limitées) et
n’exploitent que peu les données actuellement disponibles et encore moins le potentiel des méthodes
d’apprentissage profond dans ce type d’application.
L’objectif du projet est de proposer des modèles dits de neurones convolutifs, opérant dans un cadre
d’apprentissage profond et à partir de séries temporelles d’images satellitaires, afin de permettre :

  • L’évaluation de l’étendue des surfaces cryosphériques (on parlera de segmentation sémantique) ;
  • La reconnaissance automatique des textures observables (classification) sur les surfaces de la
    cryosphère, par exemple : le suivi de la neige totale y compris sèche permettant ainsi de différencier
    différents états de la neige ;
  • Les suivis dynamiques :
    • des étendues de surfaces d’intérêt (évolutions des contours de l’élément de cryosphère dans
      l’espace et dans le temps) et
    • des contenus de ces surfaces (rapports d’occupation sur la même surface entre les
      différentes composantes / caractéristiques visibles sur une surface donnée) pour déduire
      l’évolution spatiale des états surfaciques observables.

Mots clés : Cryosphère, Transfert radiatif, Machine-learning, Radar

Encadrant : Abdourrahmane ATTO (LISTIC)

Co-encadrant : Fatima KARBOU (Météo-France), Emmanuel TROUVÉ (LISTIC)

Début de la thèse : Octobre 2021

École doctorale : Sciences Ingénierie Environnement