I - Contexte de stage

Le projet insaR skEleton mApping for Volcanic fIssure Detection (REAVED) a pour but de détecter et localiser les fissures volcaniques dans des interférogrammes radars satellite à l’aide de l’intelligence artificielle en se basant sur des méthodes de reconnaissance de géométrie à base de modèles de squelettes.

L’interférométrie radar par satellite ou plus communément InSAR fournit des mesures de déplacement précises sur de vastes surfaces terrestres. Les constellations de satellites et les périodes de revisite d’un même lieu en font une source cruciale d’informations pour la surveillance de l’activité volcanique [Biggs, 2014]. La compréhension et la modélisation d’une éruption volcanique constituent une étape primordiale dans la prise de décision face à de tels phénomènes géologiques. L’ouverture d’un dyke (filon volcanique) ou d’une fissure, mais également sa géométrie initiale dépend de plusieurs facteurs, parmi lesquels se trouvent entre-autres les pressions exercées et les propriétés mécaniques du sol.

Les fissures volcaniques n'ont pas une géométrie simple et plane, elles se rétrécissent et s'élargissent, s'évasent, s'étagent et se ramifient. En outre, la largeur et la forme peuvent également changer au cours d'une éruption suivant différentes configurations géologiques [Cole, 2023]. L'identification des fissures volcaniques est par conséquent particulièrement importante pour une modélisation précise des volcans, or, il s’agit actuellement d’une tâche faite manuellement à la suite d’observations in-situ [Cayol, 2020]. Cependant, avec l'augmentation continue de la quantité de données SAR disponibles, il existe un besoin croissant de méthodes avancées permettant d'automatiser efficacement ce processus de détection. La détection de déformation de surface sur des interférogrammes est un sujet fortement étudié dans la littérature [Mian, 2024], ce qui n’est pas le cas de la détection des fissures. Le Piton de la Fournaise sur l’île de La Réunion fait l’objet de nombreuses surveillances et dispose d’une base de données longue de 24 années [Dumont, 2022]. Des premiers résultats préliminaires sur ce volcan obtenus par notre équipe ont permis de démontrer la faisabilité de la détection des fissures sur les interférogrammes. En utilisant des méthodes classiques nous avons réussi à détecter la présence ou non d’une fissure au sein des interférogrammes d’une dizaine de satellites différents [Sermet, 2024]. La seule information de présence ou non d’une fissure reste néanmoins loin d’être suffisante pour une analyse des mécanismes géologiques liés au volcan et des travaux doivent encore être menés afin d’obtenir les localisations précises de ces fissures.

II - Plan de travail

L’objectif de ce projet est la détection et la localisation des fissures volcaniques dans des interférogrammes radars satellite à l’aide de techniques d’intelligence artificielle et la reconnaissance de géométrie de type squelette. Plusieurs types de satellites passent au-dessus de l’enclos du Piton de la Fournaise (cfr. Figure 2), ce qui permet une observation régulière et continue, cependant chaque capteur possède des caractéristiques propres, des temps de revisite imposés, des coûts d’exploitation gratuits ou payants, mais aussi des angles d’observation et des sens de passes différents. L’une des premières hypothèses est que la localisation des fissures suit un schéma logique dépendant du type de source InSAR et de la zone spatiale autour du cône éruptif, tandis que la deuxième hypothèse explore la similitude entre la structure des fissures volcaniques et celle des squelettes, comme dans la reconnaissance d’actions à partir des données squelettiques extraites de photographies.

La reconnaissance d'actions à partir de squelettes est une tâche qui consiste à reconnaître des actions humaines à partir d'une séquence de données de points sur les articulations capturées par des capteurs spécifiques. Dans notre projet, l'approche est inversée : sachant les attributs éruptifs et la donnée InSAR, nous cherchons à reconnaître la fissure et y associer une forme géométrique quel que soit le type de satellite et son champ de vision. La méthodologie sera basée sur 2 actions :

• Action 1 : Nous emploierons un modèle probabiliste de type autoencodeur variationnel afin d’ajouter les attributs du satellite et de l’éruption volcanique en entrée secondaire du modèle. Ainsi ce modèle sera capable de capter les spécificités d’observation InSAR associés à chaque capteur en reproduisant l’image d’origine, tout en localisant la fissure dans l’espace latent [Parente, 2023].
• Action 2 : Nous adapterons ensuite les méthodes de reconnaissance d’actions de squelettes humains avec champ de vision adaptatif [Zhang, 2017] d’une part pour générer des variants aux fissures volcaniques et d'autre part pour s’adapter aux différents capteurs radars.

Un calendrier prévisionnel est structuré comme suit : le premier mois sera dédié à l'appropriation du sujet, des données et de l’état de l’art. Les 2 à 3 mois suivants seront consacrés au développement des modèles d'apprentissage basés sur la reconnaissance de structures de type squelette appliquées aux fissures volcaniques sur les interférogrammes radar. Enfin, les derniers mois seront consacrés à l’analyse des résultats et à la valorisation des travaux.

III - Compétences

La candidate ou le candidat devra disposer de connaissances et de compétences en apprentissage automatique et en programmation IA (Python). Une expérience dans le domaine de la télédétection et la géophysique des volcans serait fortement appréciée, notamment en ce qui concerne l’analyse des données InSAR.

IV - Équipe encadrante

Le maitre de stage sera Christophe LIN-KWONG-CHON 1 (MCF, LISTIC), avec le co-encadrement d’experts en modélisation inverse Yajing YAN 2 (MCF HDR, LISTIC) et en apprentissage automatique Ammar MIAN 3 (MCF, LISTIC). Des appels ponctuels à des experts applicatifs seront envisagées (ISTerre, BRGM, OVPF).

V - Candidater

Envoyer CV et lettre de motivation à : christophe.lin-kwong-chon@univ-smb.fr, yajing.yan@univ-smb.fr, ammar.mian@univ-smb.fr

VI - Bibliographie

• J. Biggs, S. K. Ebmeier, W. P. Aspinall, Z. Lu, M. E. Pritchard, R. S. J. Sparks, and T. A. Mather. "Global link between deformation and volcanic eruption quantified by satellite imagery." Nature Communications, 5(1), April 2014.
• R. P. Cole, J. D. L. White, R. J. M. Baxter, M. H. Bowman, T. Dürig, M. Fleming, B. Pooley, J. Ruz-Ginouves, M. T. Gudmundsson, S. J. Cronin, G. S. Leonard, and G. A. Valentine. "A model volcanic fissure with adjustable geometry and wall temperature." Bulletin of Volcanology, 85(3), Springer Science and Business Media LLC, 2023.
• V. Cayol, F. Dabaghi, Y. Fukushima, M. Tridon, D. Smittarello, O. Bodart, and J.-L. Froger. "DefVolc: Interface and web service for fast computation of volcano displacement." Copernicus GmbH, 2020.
• A. Mian, G. Ginolhac, F. Bouchard, and A. Breloy. "Online change detection in SAR time- series with Kronecker product structured scaled Gaussian models." Signal Processing, Vol. 224, p. 109589, Elsevier BV, 2024.
• Q. Dumont, V. Cayol, J.-L. Froger, and A. Peltier. "22 years of satellite imagery reveal a major destabilization structure at Piton de la Fournaise." Nature Communications, 13(1), May 2022.
• R. Sermet, C. Lin-Kwong-Chon, and Y. Yan. "Automatic Detection of Volcanic Fissures in SAR Interferograms with Machine Learning." MDIS, November 2024.
• J. Parente, L. Gonçalo, T. Martins, J. M. Cunha, J. Bicker, and P. Machado, “Using Autoencoders to Generate Skeleton-based Typography.” in Artificial Intelligence in Music, Sound, Art and Design - 12th International Conference, EvoMUSART 2023, Held as Part of EvoStar 2023, Brno, Czech Republic, April 12-14, 2023, Proceedings, 2023.
• P. Zhang, C. Lan, J. Xing, W. Zeng, J. Xue, and N. Zheng. "View Adaptive Recurrent Neural Networks for High Performance Human Action Recognition from Skeleton Data." 2017 IEEE International Conference on Computer Vision (ICCV), IEEE, 2017