Offre de Stage (M2/Ingé): Algorithmes d’apprentissage profond non supervisés guidés par des contraintes physiques pour l’estimation de paramètres biophysiques de la végétation

Début du stage : Février ou Mars 2023, pour une durée de 6 mois, rémunération conventionnelle.

Les nouvelles résolutions du capteur Sentinel-2 et les récents progrès réalisés dans le domaine de l’intelligence artificielle offrent d’incroyables opportunités pour le développement de nouveaux algorithmes d’apprentissage automatique pour résoudre les problèmes inverses en observation de la Terre.
Au cours des dix dernières années, les méthodologies d’apprentissage profond ont montré un succès impressionnant dans une grande variété de problèmes inverses. Bien qu’ils soient extrêmement efficaces, leurs gains en performances sont souvent perdus en interprétabilité en raison de leur nature de boîte noire. Par conséquent, le couplage des connaissances physiques avec les techniques d’apprentissage profond suscite un intérêt croissant.
En télédétection, les modèles physiques résolvent des équations mathématiques qui décrivent le comportement physique de la surface de la Terre. L’incorporation de la physique dans un processus d’inversion basé sur les réseaux neuronaux profonds a un potentiel prometteur pour prédire les distributions des paramètres du modèle.
Dans ce cadre, l’objectif principal du stage est l’analyse de méthodologies génériques d’apprentissage profond guidées par des contraintes physiques pour résoudre des problèmes inverses en télédétection. Parmi la grande diversité des problèmes inverses existants en télédétection, le stage s’intéresse à l’inversion des modèles de transfert radiatif (MTR) pour l’estimation de variables biophysiques.

Télécharger l’offre complète ICI