Thèse en cours

Détection de nappes d'hydrocarbures offshore à l'aide de la fusion de données hétérogènes par des méthodes d'apprentissage profond.
FR  |  
EN
Accès à la thèse
Triangle exclamation pleinLa soutenance a eu lieu en 2022. Le document qui a justifié du diplôme est en cours de traitement par l'établissement de soutenance.
Auteur / Autrice : Emna Amri
Direction : Philippe BolonAlexandre Benoit
Type : Projet de thèse
Discipline(s) : STIC Traitement de l'Information
Date : Soutenance en 2022
Etablissement(s) : Chambéry
Ecole(s) doctorale(s) : Sciences Ingénierie Environnement
Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance
Jury : Président / Présidente : Alice Caplier
Examinateurs / Examinatrices : Philippe Bolon, Zagrouba Ezzeddine, Sebastien LEFèVRE, Georges Oppenheim, Alexandre Benoit
Rapporteurs / Rapporteuses : Zagrouba Ezzeddine, Sebastien LEFèVRE

Résumé

FR  |  
EN

La surveillance des nappes d'hydrocarbures en mer est un sujet très pertinent pour un large public, notamment les scientifiques, les écologistes et les autorités locales. Une surveillance constante et une réponse rapide à la détection des nappes d'hydrocarbures sont cruciales pour minimiser les impacts environnementaux. Des progrès remarquables ont été réalisés dans la détection des nappes de pétrole au cours de la dernière décennie grâce à la disponibilité croissante de données de télédétection de haute qualité, en particulier les données d'ouverture synthétique (SAR). Cependant, la détection automatique reste un problème malgré le développement de la puissance de calcul et l'adoption de techniques avancées d'apprentissage automatique. Cela est dû à la variabilité du comportement des nappes d'hydrocarbures en fonction de leur origine (naturelle ou anthropique), de facteurs contextuels tels que les conditions météorologiques, et de la présence de sosies comme les algues. Dans cette thèse, nous nous concentrons sur l'étude de la détection de nappes de pétrole en mer dans le cadre d'un projet initié par TotalEnergies en collaboration avec le laboratoire LISTIC. En s'appuyant sur des scénarios de surveillance réels et en tirant parti des données historiques sur plusieurs zones mondiales ainsi que de l'expérience des photo-interprètes, nous visons à fournir un outil de détection automatique pour aider les experts humains. Suites aux progrès des réseaux neuronaux artificiels, notamment les modèles d'apprentissage profond, cette thèse propose une automatisation de la détection des nappes d'hydrocarbures en mer naturelles et anthropiques. Ce travail s'appuie sur des données hétérogènes, donnée SAR et contextuelles telles que la vitesse du vent et la position des infrastructures, considérées comme des données pertinentes pour la détection des hydrocarbures. La première contribution de cette thèse est de comparer deux approches d'apprentissage profond structurellement différentes : la segmentation d'instance par Mask R-CNN et la segmentation sémantique par le FC-DenseNet. Cette comparaison est établie sur des expérimentations s'appuyant sur deux capteurs SAR : EnviSat et Sentinel-1. La deuxième contribution de cette thèse est une analyse de performance basée sur les facteurs contextuels les plus pertinents, tels que la vitesse du vent, la taille de la nappe de pétrole et la position de l'infrastructure. La troisième et principale contribution est une proposition de modèle de fusion d'apprentissage profond multimodal appelé Fuse-FC-DenseNet capable d'améliorer les performances de détection tout en réduisant les fausses détections. Enfin, la dernière contribution consiste à adapter les méthodes d'explicabilité des réseaux pour analyser et comprendre les prédictions obtenues par les modèles d'apprentissage profond et déterminer de manière appropriée les facteurs contribuant à la décision du réseau.