Apprentissage et modélisation de la dynamique spectrale de séries temporelles d'images satellitaires – LEMONADE

Le projet LEMONADE vise à explorer de nouvelles méthodes pour traiter conjointement les séries temporelles d’images de télédétection optique, via une modélisation espace-état et l’apprentissage de systèmes dynamiques. Les images de télédétection satellitaire avec une revisite temporelle importante sont maintenant abondantes et ont de nombreuses applications scientifiques, et les avancées en apprentissage automatique permettent de passer des analyses basées modèles à des analyses basées données. Des verrous méthodologiques importants seront levés, tels que l’apprentissage et la propagation d’incertitude, l’intégration de contraintes ou de forçages physiques dans les algorithmes, les données d’entraînement irrégulières, l’apprentissage de dynamiques latentes… Une première tâche s'intéressera à l'apprentissage de dynamiques spectrales déterministes et stochastiques (permettant la propagation d'incertitudes), informées par la physique ou bien des données auxiliaires. Une deuxième tâche étendra les algorithmes de la tâche 1 à la prise en compte d'aspects spatiaux: dynamiques spatio-temporelles, suivi du support changeant des matériaux, et prise en compte d'effets de mélange. Ces développements seront déclinés en plusieurs variantes selon l’application thématique visée, par exemple suivi dynamique de la végétation marine, détection d'anomalie et de changement pour le suivi de catastrophes naturelles, suivi dynamique de la couverture neigeuse. Le projet permettra de mettre en place un nouveau cadre de traitement des séries temporelles d'images multivariées, qui sera utile aussi bien pour la communauté en traitement de signal/image que par des scientifiques de diverses spécialités utilisant ces données de télédétection.