Apprentissage profond pour la mesure des déformations de surface par interférométrie radar (insar) - application à la surveillance des instabilités gravitaires en haute montagne // deep learning for the measurement of surface deformations by radar interfe

Topic description

Cette thèse a pour objectif d'exploiter le potentiel de l'interférométrie radar à synthèse d'ouverture (InSAR) satellitaire et des méthodes d'apprentissage profond pour détecter, mesurer et surveiller les mouvements gravitaires lents en haute montagne. Les satellites Sentinel-1 acquièrent tous les 6 jours des images radar complexes dont la différence de phase permet de mesurer des mouvements de la surface du sol avec une précision centimétrique voire millimétrique en exploitant des séries temporelles d'interférogrammes. La masse de données générées et les artéfacts qui affectent ces images nécessitent le développement de méthodes automatiques pour extraire les motifs de franges révélatrices d'un mouvement du sol et les transformer en mesures de vitesse caractérisant la dynamique du phénomène observé. Les méthodes d'apprentissage profond dédiées aux images naturelles, médicales ou de télédétection (optique, amplitude radar) se heurtent à la spécificité des données InSAR (phase repliée, perte de cohérence, franges atmosphériques...) et au manque de données labélisées pour entrainer les modèles. Pour répondre à ces difficultés, des travaux précédents ont initié une base de données à partir d'interférogrammes Sentinel-1 sur les alpes françaises qui a permis de tester des modèles convolutifs (CNN). Cette thèse permettra d'étendre et généraliser ces travaux avec comme objectifs : i/ la prise en compte les séries temporelles d'interférogrammes en construisant des modèles capables d'analyser les informations issues de matrices de cohérence ; ii/ l'utilisation de modèles de type « transformer » pour tenir compte des relations spatiales au sein des interférogrammes et intégrer des informations topographiques issues de modèles numériques de terrain ; iii/ le développement de réseaux qui effectuent à la fois une segmentation sémantique pour détecter la zone en mouvement et une régression pour estimer la vitesse de cette zone. Les modèles développés seront testés sur des mouvements gravitaires connus et surveillés par des chercheurs des laboratoires EDYTEM et ISTerre, en particulier l'inventaire des glaciers rocheux qui pourra s'enrichir des mesures de vitesses obtenues par ces travaux.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The aim of this thesis is to exploit the potential of satellite synthetic aperture radar interferometry (InSAR) and deep learning methods to detect, measure and monitor slow gravitational movements in high mountains. Every six days, Sentinel-1 satellites acquire complex radar images whose phase difference can be used to measure ground surface movements with centimeter or even millimeter precision by exploiting time series of interferograms. The volume of data generated and the artefacts affecting these images necessitate the development of automated methods to extract fringe patterns indicative of ground movement and convert them into velocity measurements characterizing the dynamics of the observed phenomenon. Deep learning methods dedicated to natural, medical or remote sensing images (optical, radar amplitude) are hampered by the specificity of InSAR data (wrapped phase, loss of coherence, atmospheric fringes, etc.) and the lack of labelled data to train the models. To address these challenges, previous work established a database using Sentinel-1 interferograms on the French Alps, which enabled the testing of convolutional neural networks (CNNs). This thesis will extend and generalize this work with the following objectives: i/ taking time series of interferograms into account by constructing models that are capable of analyzing information from coherence matrices; ii/ focusing on ‘transformer' type models to take spatial relationships within interferograms into account and to integrate topographical information from digital terrain models; iii/ developing networks that perform both semantic segmentation to detect the moving area and regression to estimate the speed of that area. The models developed will be tested on known gravitational movements monitored by researchers from the EDYTEM and ISTerre laboratories, in particular the inventory of rock glaciers, which will be enriched by the velocity measurements obtained from this work.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral