Caractérisation des carbonates par analyses hyperspectrales et chimiques in situ : applications à la sauvegarde et à la valorisation du patrimoine.

Characterization of carbonates by hyperspectral and chemical analysis in situ : applications to the preservation and enhancement of heritage.

• Auteur / Autrice : Morgane Jal
• Direction : Fabrice Monna, Christophe Durlet
• Type : Projet de thèse
• Discipline(s) : Archéologie
• Date : Inscription en doctorat le 23/05/2022
• Etablissement(s) : Dijon, Université Bourgogne Europe
• Ecole(s) doctorale(s) : École doctorale Sociétés, Espaces, Pratiques, Temps (Dijon ; Besançon ; 2017-....)
• Partenaire(s) de recherche : Laboratoire : ARchéologie, TErre, HIstoire, Sociétés

Mots clés

Mots clés libres

Imagerie hyperspectrale

Préservation du patrimoine

Traitement du signal

Grottes ornées

Carbonates

Apprentissage automatique

Hyperspectral imagery

Preservation of heritage

Signal processing

Decorated caves

Carbonates

Machine learning

Résumé

Les surfaces de roches calcaires, formant des parois naturelles (grottes, abris, falaises) ou artificielles (bâtiments, ouvrages, stèles, sculptures), sont souvent recouvertes par de fines couches minérales ou organiques. Qu'elles soient volontaires (pigments, peintures) ou involontaires (suies, minéralisations de carbonates, de sulfates, d'oxalates, poussières éoliennes, encroutements microbiens…), ces pellicules sont couramment étudiées pour des raisons de documentation et de préservation du patrimoine naturel et culturel. Un nouvel outil permettant de visualiser et de caractériser ces diverses couches est développé de manière très significative depuis quelques années : les caméras hyperspectrales, elles offrent de réelles perspectives pour cartographier à distance ces diverses pellicules. Pour autant, le signal hyperspectral collecté est toujours très complexe, influencé par de multiples paramètres, physique et chimique, variable d'un contexte à un autre. Pour un contexte donné, il est toujours nécessaire de calibrer et d'associer les gammes spectrales potentiellement porteuses des informations recherchées grâce à des analyses minéralogiques, biologiques et chimiques. Un autre axe de cette thèse est lié au traitement de la masse élevée de données collectées par les scans hyperspectraux. Grâce à une approche de machine-learning (notamment par réseaux neuronaux), déjà engagée par l'équipe encadrante, la thèse ambitionne aussi de simplifier le traitement des données hyperspectrales, et de le rendre réalisable sur le terrain, dans la foulée de l'acquisition des spectres. Ainsi les travaux de recherches sont effectués dans le cadre d'une convention CIFRE enter l'UMR/CNRS ARTEHIS (Université de Bourgogne), l'UMR/CNRS Biogéosciences (Université de Bourgogne) et la société INGEN : Innovations pour les Géosciences s'inscrivent dans un projet de R&D de l'entreprise. La finalité industrielle étant le développement du traitement du signal, notamment le démélange spectral, afin de l'appliquer à la cartographie des phases minéralogiques et chimiques qui composent un échantillon comme une carotte par exemple.

The surfaces of limestone rocks, forming natural walls (caves, shelters, cliffs) or artificial (buildings, structures, steles, sculptures), are often covered by thin mineral or organic layers. Whether voluntary (pigments, paints) or involuntary (soot, carbonate, sulfate, oxalate mineralization, dust, microbial encrustations...), these films are commonly studied for documentation and preservation of natural and cultural heritage. A new tool allowing visualizing and characterize these various layers has been developed in a very significant way for a few years: hyperspectral cameras, they offer real perspectives for remote mapping of these various films. However, the hyperspectral signal collected is always very complex, influenced by multiple parameters, physical and chemical, variable from one context to another. For a given context, it is always necessary to calibrate and associate the spectral ranges potentially carrying the desired information through mineralogical, biological and chemical analysis. Another axis of this thesis is related to the processing of the high mass of data collected by hyperspectral scans. Thanks to a machine-learning approach (notably by neural networks), already engaged by the supervising team, the thesis also aims to simplify the processing of hyperspectral data, and to make it feasible in the field, in the wake of the acquisition of spectra. Thus, the research work is carried out within the framework of a CIFRE agreement between the UMR/CNRS ARTEHIS (University of Burgundy), the UMR/CNRS Biogéosciences (University of Burgundy) and the company INGEN: Innovations for Geosciences, which is part of the company's R&D project. The industrial purpose is the development of signal processing, including spectral unmixing, in order to apply it to the mapping of mineralogical and chemical phases that make up a sample such as a core, for example.