Apprentissage de dynamiques dans les séries temporelles d’images satellites multispectrales

Learning the dynamics of multispectral satellite image time series

• Auteur / Autrice : Anthony Frion
• Direction : Abdeldjalil Aissa-El-Bey
• Type : Thèse de doctorat
• Discipline(s) : Signal, image et vision
• Date : Soutenance le 03/12/2024
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Equipe Communication System Design - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance
• Jury : Président / Présidente : Ronan Fablet
• Jury : Examinateurs / Examinatrices : Abdeldjalil Aissa-El-Bey, Florence Tupin, Julien Le Sommer, Ricardo Augusto Borsoi, Étienne Mémin, Charlotte Pelletier, Lucas Drumetz
• Jury : Rapporteur / Rapporteuse : Florence Tupin, Julien Le Sommer

Mots clés

Mots clés contrôlés

Incertitude

Assimilation de données (géophysique)

Apprentissage supervisé (intelligence artificielle)

Imagerie satellitaire

Mots clés libres

Télédétection

Systèmes dynamiques

Opérateur de Koopman

Assimilation de données

Quantification d’incertitudes

Remote sensing

Dynamical systems

Koopman operator

Data assimilation

Uncertainty quantification

Résumé

Via les missions d’observation relevant, par exemple, du programme Copernicus de l’Union européenne, de très grandes quantités d’images satellites multispectrales de la surface de la Terre sont aujourd’hui disponibles. Ces données permettent, entre autres, de surveiller l’état d’environnements tels que les forêts, glaciers et océans ou de faciliter l’organisation des secours lors de catastrophes naturelles telles que les inondations et incendies. Ainsi, les méthodes de traitement des données issues de satellites, souvent basées sur des réseaux de neurones artificiels, sont d’un grand intérêt pour ces applications. Cependant, entraîner ces modèles avec un paradigme d’apprentissage supervisé requiert l’annotation de grandes quantités de données pour chacune des applications considérées, et la prise en compte de séries temporelles d’images (plutôt que d’images seules) reste difficile. Dans cette thèse, nous proposons d’adopter une approche auto-supervisée, dans le but d’apprendre un modèle dynamique d’évolution à partir de données non annotées, disponibles publiquement et massivement. Nous proposons différentes méthodes pour utiliser un tel modèle dynamique pour résoudre différentes tâches pratiques, notamment en l’intégrant dans un coût variationnel d’assimilation de données. Bien que nous nous concentrions sur des séries temporelles d’images de forêts prises par les satellites Sentinel-2, nous avons pour ambition de développer des méthodes applicables à divers types de séries temporelles, y compris en dehors du champ de l’imagerie satellitaire.

Thanks to the Earth observation missions such as the Copernicus programm of the European Union, vast amounts of satellite images from the surface of the Earth are now available. These data enable, among other applications, to monitor the state of environments such as forests, glaciers and oceans or to facilitate the coordination of rescues in case of natural disasters such as floods and forest fires. Thus, the methods for processing satellite images, often based on artificial neural networks, are of great interest for these applications. However, training these models with a supervised learning approach requires annotating large quantities of data for each of the applications considered, and processing time series of images (rather than isolated images) is still a difficulty. In this thesis, we propose to adopt a self-supervised approach, aiming at learning a dynamical model of evolution from unlabelled data, which are publicly and massively available. We introduce several methods for using such a dynamical model to solve various practical tasks, notably by integrating it in a variational data assimilation cost. Although we focus on time series of forest images taken by the Sentinel-2 satellites, we ambition to develop methods that are applicable to various types of time series, including outside the field of satellite imagery.