Amélioration des séries temporelles hydrologiques et côtières avec l’IA

Encadrants:

Fernando Niño (IRD)

Objectif

Des décennies d’images de télédétection sont aujourd’hui disponibles à l’échelle globale. Des modèles de fondation (“foundation model”) en Intelligence Artificielle exploitant ces données ont été créés par différentes entités et ils peuvent être utilisés pour réinterpreter les données historiques des satellites altimétriques. En effet, ces mesures radar acquises depuis l’espace permettent de suivre l’évolution de la surface en eau de la Terre. Cependant, jusqu’à très récemment, ces observations étant confinées à une zone très limitée sous l’orbite du satellite altimétrique, laissant des grands étendues spatiales sans mesure. Pour le suivi du niveau de la mer, l’objectif initial de ces missions, cela ne posait pas de problème majeur, mais c’est en revanche très limitatif pour l’étude de l’eau continentale de surface et pour le suivi des régions côtières qui sont loin d’être aussi homogènes que l’océan du large. Depuis 2022, le satellite SWOT permet l’acquisition de mesures altimétriques à large fauchée, comblant la plupart des trous d’observation inaccessibles aux génération précédentes d’instruments altimétrique.

Le but du stage est d’évaluer l’apport de ces modèles de fondation à la densification de données altimétriques historiques, validant leur performance avec les mesures à large fauchée du satellite SWOT. A la clé, il s’agit de mieux interpréter plus de 30 ans de données historiques, à la lumière de l’apport des mesures de télédétection, et de définir la façon optimale de constituer une base d’apprentissage pour traiter les données altimétriques historiques.

Contexte

Le satellite altimétrique SWOT (Surface Water and Ocean Topography) marque une avancée significative dans le suivi des rivières à l’échelle globale. Lancé en 2022, il est le premier satellite capable de mesurer avec précision la hauteur, la largeur et le débit des cours d’eau à travers le monde. Équipé d’un radar interférométrique innovant, SWOT peut observer les rivières d’une largeur supérieure à cinquante mètres, même dans les zones isolées ou difficiles d’accès, fournissant ainsi une vue continue et uniforme du réseau hydrographique mondial. Ces mesures sont essentielles pour comprendre la dynamique fluviale, leur réponse aux précipitations et leur rôle dans le cycle hydrologique mondial.

Contrairement aux satellites altimétriques traditionnels qui mesurent la hauteur de l’eau uniquement à la verticale de l’altimètre (mesures dites Low Resolution Mode, ou LRM), la mission SWOT innove grâce à son radar interferométrique et permet la mesure de la hauteur de l’eau sur une bande de 120 kilomètres de large englobant ainsi des régions entières d’océans, de lacs et de rivières. Au milieu de cette fauchée de 120 km il y a un espace, comblé en partie par les mesures d’un altimètre LRM. Cette double instrumentation permet donc de faire le lien entre les mesures altimétriques LRM et les nouvelles mesures à fauchée. Or, on dispose de plus de 30 ans de données altimétriques historiques qui ne sont pas toujours exploitables pour l’hydrologie et une nouvelle analyse de ces données à la lumière des autres missions d’observation de la Terre et des apports des mesures SWOT devrait pouvoir fournir des données fluviales à des endroits qui en manquent cruellement.

Le stage utilisera des données d’une région très bien instrumentée sur laquelle il y a non seulement plusieurs fauchées SWOT, mais aussi des traces des missions Sentinel-6 et Jason-3.

Méthodes

En partant d’un modèle de fondation, on utilisera les données altimétriques pour ajouter des dimensions aux embeddings de ces modèles. On pourra utiliser des techniques de type GAN-LSTM pour créer des images synthétiques qui seront comparées aux vraies mesures SWOT et ainsi évaluer dans quelle mesure ces extrapolations par IA sont fiables et peuvent être utilisées.

Le candidat devra avoir une bonne expérience en informatique et idéalement une première expérience en utilisation de modèles d’IA, notamment le travail avec des embeddings et les réseaux GAN.

Contact: fernando.nino@ird.fr