Apprentissage pour l'imagerie satellite

par Julien Bidan

Projet de thèse en Mathématiques appliquées et calcul scientifique

Sous la direction de Nicolas Papadakis et de Emmanuel Cosme.

Thèses en préparation à Bordeaux , dans le cadre de École doctorale de mathématiques et informatique (Talence, Gironde) , en partenariat avec IMB - Institut de Mathématiques de Bordeaux (laboratoire) et de Image Optimisation et Probabilités (equipe de recherche) depuis le 18-09-2020 .


  • Résumé

    L'objectif du projet est de proposer de nouvelles méthodes pour le traitement des images satellite, avec une application phare pour le débruitage des données altimétriques haute-résolution que fournira le prochain satellite SWOT (CNES/NASA, 2021). Une modélisation mathématique précise du bruit affectant les mesures permettra de caractériser les corrélations spatiales des erreurs contenues dans les données. Des a priori physiques sur la nature des champs de hauteur de l'océan à reconstruire seront également prises en compte au sein d'algorithmes automatiques de restauration de données. Le projet cherche ainsi à faire un lien concret entre la théorie mathématique du signal et les applications en physique océanographique, en se servant du potentiel des méthodes d'apprentissage, proposées dans le domaine de l'intelligence artificielle. Il s'agira de traiter efficacement (coût de calcul et de stockage) de grandes masses de données, afin d'améliorer la connaissance des phénomènes caractérisant les petites échelles de la dynamique océanique.

  • Titre traduit

    Learning for satelitte imaging


  • Résumé

    The main objective of this PhD project is to propose efficient automatic tools for processing the raw data provided by the next SWOT (Surface Water and Ocean Topography, NASA/CNES) satellite from 2021. A mathematical modelling study will be necessary to deal with data noise and analyze the different scales of the underlying physical dynamic. In practice, machine learning approaches will be considered as they offer an efficient methodology for tackling the denoising problem. In order to propose flexible architecture, multi-task learning frameworks will be considered. This will namely include applications such as image denoising, image inpainting or the separation of physical scales of the observed dynamic. The fallout of these work will concern different scientific aspects: (i) Better understanding of submesoscale processes in ocean dynamics; (ii) Improvement of numerical weather prediction systems; and (iii) Development of responsible numerical tools, able to compress relevant satellite information and decrease the quantity of data unnecessarily transferred and stored. The thesis will take place in Bordeaux and the PhD candidate will realize long stay in Grenoble to visit parters from the Oceanography team of IGE