Apprentissage profond faiblement supervisé pour la détection des chenaux de la banquise dans des images OLCI à partir de données hétérogènes

Dans cette thèse, l'objectif est de développer des méthodes semi-supervisées ou faiblement supervisées pour propager l'information 1D obtenue à travers les capteurs altimétriques à des capteurs images 2D dans le cadre de la cartographie des chenaux de banquise. Les chenaux de banquise, qui sont les fractures entre les blocs de glace, sont les principaux lieux de transmission de la chaleur et de l'humidité de l'océan vers l'atmosphère. Pour évaluer cette transmission de chaleur et pouvoir modéliser l'évolution de la banquise dont l'étendue diminue depuis les années 1990, il est important de caractériser finement la distribution des chenaux. Une telle caractérisation est possible à partir d'une carte altimétrique 2D précise. Les capteurs altimètres permettent d'obtenir une classification floes/chenaux et une mesure d'élévation précise, mais ne font que ces mesures que le long de leur trajectoire. D'un autre côté, les capteurs images permettent une différentiation floes/chenaux mais cette discrimination par des méthodes des seuls adaptatifs est encore très bruités [Muchow2021] car l'apparence de la banquise varie beaucoup en fonction des conditions extérieures. De plus, l'élévation n'est pas directement mesurable à partir de ces capteurs mais devrait pouvoir être propagée localement à partir de caractéristiques statistiques 2D telles que la texture. En utilisant les capteurs OLCI (un imageur multispectral) et SRAL (un altimètre SAR), tous deux à bord du satellite Sentinel-3, une méthode de classification de vignette floes/chenaux déjà été proposée [Chen2024]. Une base de données de classification de vignette OLCI a été construite dans l'équipe pour entrainer une méthode de classification de super pixels de banquise obtenus par SAM [Orgambide2025]. Ces deux méthodes sont prometteuses mais ne résolvent pas une tâche de segmentation sémantique et n'offrent pas une classification au pixel. Afin d'obtenir une carte fiable des chenaux, plusieurs questions de recherche doivent être abordées : • Comment utiliser au mieux les étiquettes imprécises issues des capteurs altimètres et une faible quantité de vignettes labelisées manuellement pour entrainer une méthode de segmentation sémantique par apprentissage profond pour la détection des chenaux ? • La résolution du capteur OLCI est de 300m, ce qui ne permet pas la détection des chenaux fins, qui entrainent pourtant des échanges thermiques importants [Marcq2012]. Le capteur MSI de Sentinel-2 a une revisite moins fréquente, mais une résolution de 10m. Est-il possible d'étendre les capacités de détection des chenaux du capteur OLCI au capteur MSI ? • Finalement, l'altimètre SRAL permet de mesurer le franc-bord de la banquise, qui permet aussi une mesure de son épaisseur. Cependant, cette information est plus incertaine. La méthodologie développée dans le cas de la détection des chenaux à partir d'étiquette issue de l'altimètre SRAL peut-elle être étendue à des mesures de franc-bord ? Ainsi, sur le plan méthodologique, cette thèse s'inscrit dans le thème de l'apprentissage frugal, thème qu'on retrouve dans de très nombreux problèmes scientifiques et industriels. L'objectif est d'utiliser l'apprentissage profond pour construire des représentations latentes des données images qui puissent permettre de résoudre des tâches variées et qui ne sont pas forcément définie au moment de l'apprentissage de cette représentation. L'impact de l'ajout de contrainte de stabilité sur cette représentation, par la redondance temporelle, ou de contrainte de forme, la nature linéique des chenaux, sera aussi évalué. Sur le plan applicatif, cette thèse s'inscrit dans l'étude de la banquise et plus globalement du climat arctique, dont la compréhension est principalement un enjeu environnemental, mais aussi économique, voire militaire. École doctorale : Sciences et Technologies de l'Information et de la Communication Direction : Adrien CHAN-HON-TONG Financement : Financement d'autres établissements publics à caractère industriel et commercial (ADEME, ADIT , ANDRA, Bpifrance, BRGM., CIRAD, CNES, Universcience, CSTB., IFPEN, IFREMER, INERIS, IRSN)