Estimation et prédiction récursive de la déformation de la Terre à partir de séries temporelles d'images SAR – REPED-SARIX

La stratégie d’acquisition systématique et le libre accès aux images radar à synthèse d’ouverture (SAR) Sentinel-1 ont propulsé l’exploitation des données SAR vers une nouvelle ère, offrant aux scientifiques à la fois des opportunités et des défis pour la surveillance opérationnelle de la déformation de la Terre. Dans ce projet, la coordinatrice réunit pour la première fois les compétences en Interférométrie SAR, en apprentissage statistique et profond et en géophysique afin de former une équipe interdisciplinaire ayant pour objectif de promouvoir le développement méthodologique de la surveillance opérationnelle des déformations de la Terre et de la prévision des risques naturels par séries temporelles d'images SAR. Pour ceci, nous traiterons des problèmes d’estimation et de prédiction en nous appuyant sur des approches d’apprentissage statistique et profond. Dans un premier temps, nous développerons, pour estimer la vitesse et la série temporelle de déplacement, une méthode InSAR multi-temporelle récursive et robuste, permettant une intégration progressive et efficace des nouvelles images SAR et prenant en compte les propriétés non gaussiennes des statistiques des images SAR. De plus, nous proposerons un cadre complet et original de reconstruction des données manquantes dans les séries temporelles de mesures de déplacements par apprentissage statistique et profond. Dans un second temps, nous aborderons, pour la première fois, le problème de l'inversion et de la prédiction des paramètres géophysiques en nous appuyant sur des réseaux de neurones convolutifs et récurrents. Nous proposerons des modèles de réseaux de neurones récursifs, adaptés à la spécificité des données InSAR, dans les cadres d’apprentissage supervisé et semi-supervisé. Les connaissances physiques seront incorporées dans les réseaux de neurones afin de renforcer le processus d'apprentissage et d'améliorer l'interprétabilité et l'explicabilité. Un effort particulier sera fait sur la compréhension du fonctionnement du réseau de neurones afin d'assurer la pertinence puis la possibilité d’exploitation des résultats à des fins opérationnelles. Toutes les méthodes proposées précédemment seront appliquées aux cibles d’intérêt géophysique : des volcans couverts par des images Sentinel-1 tous les 6 ou 12 jours et des glaciers alpins couverts par des images Sentinel-1 tous les 6 jours et par des images de haute résolution PAZ tous les 11 jours. Les résultats attendus, en phase avec la disponibilité régulière des images SAR, consistent en 1) des méthodes InSAR multi-temporelles en accès libre fournissant des séries temporelles de déplacement complètes et fiables 2) des modèles de réseaux de neurones récursifs en accès libre avec des fonctionnalités linéaires et non linéaires, adaptés à la spécificité des données InSAR, fournissant les évolutions temporelles des paramètres géophysiques clés 3) un tutoriel de données illustrant en détail les entrées et les sorties des méthodes développées précédemment, ainsi qu'un accès libre aux données utilisées pour illustration.