Institut multidisciplinaire d'intelligence artificielle

 
Sophie Giffard-Roisin
Chercheur, IRD, ISTerre, Grenoble
sophie.giffard@univ-grenoble-alpes.fr

Jocelyn Chanussot
Directeur de recherche, INRIA, Grenoble
Jocelyn.chanussot@inria.fr

DESCRIPTION

La télédétection par satellite, qui utilise diverses modalités de détection (optique, radar, hyperspectrale, lidar), offre une source unique d'informations pour surveiller l'environnement, avec une résolution spatiale fine, une large couverture et des revisites fréquentes. Cela permet de relever le défi de la surveillance et de la prévision des risques naturels, qui ont un impact sociétal important. Pour exploiter pleinement le potentiel des données de télédétection, il faut développer des algorithmes avancés d'apprentissage automatique, d'apprentissage profond ou, plus généralement, d'intelligence artificielle. Réunissant une équipe interdisciplinaire d'experts, issus de la science des données, des sciences de l'environnement et de la Terre, ainsi que des sciences sociales, cette chaire se concentrera sur trois sujets importants : la surveillance des forêts, l'estimation de la déformation de la Terre et la modélisation inverse du volcanisme. D'un point de vue méthodologique, des recherches seront menées sur l'analyse de l'apprentissage profond multimodal et des séries temporelles, sur les problèmes inverses d'apprentissage profond et sur les modèles de fondation.

ACTIVITÉS

La chaire est organisée en 3 lots de travail avec un total de 6 tâches principales. 4 doctorants seront recrutés ainsi que quelques post-doctorants et stagiaires.

WP1 : Télédétection, IA et foresterie

• Mortalité des arbres dans les forêts de montagne face à l'augmentation du risque d'incendie
• Implantation socio-spatiale des arbres de Noël du Morvan

WP2 : Multimodalité pour l'estimation de la déformation de la terre

• Estimation multimodale des champs de déplacement de la terre : application à l'étude de l'impact sur l'environnement.
• les tremblements de terre.
• Surveillance des zones à risque critique à proximité des infrastructures

WP3 : Modélisation inverse des phénomènes volcaniques

• Estimation rapide des paramètres des modèles volcaniques
• Classification rapide des mécanismes volcaniques

ÉVÉNEMENTS DE LA PRÉSIDENCE

LISTE SÉLECTIVE DE PUBLICATIONS

• [1] Dutrieux, R., Ose, K., de Boissieu, F., Féret, J.-B., 2024. fordead : a python package for vegetation anomalies detection from SENTINEL-2 images. https://doi.org/10.5281/zenodo.12802456
• [2] Tolan, J., Yang, H.I., Nosarzewski, B., Couairon, G., Vo, H.V., Brandt, J., Spore, J., Majumdar, S., Haziza, D., Vamaraju, J. et Moutakanni, T., 2024. Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on aerial lidar. Remote Sensing of Environment, 300, p.113888
• .[3] Hong, D., Gao, L., Yokoya, N., Yao, J., Chanussot, J., Du, Q., & Zhang, B. (2020). Plus diversifié signifie meilleur : Multimodal deep learning meets remote-sensing imagery classification. IEEE Transactions on Geoscience and Remote Sensing, 59(5), 4340-4354.
• [4] Guo, X., et al. "Skysense : A multi-modal remote sensing foundation model towards universal interpretation for earth observation imagery". Actes de la conférence IEEE/CVF sur la vision informatique et la reconnaissance des formes.
• [5] Lacoste, A., et al. "Geo-bench : Toward foundation models for earth monitoring". Advances in Neural Information Processing Systems 36 (2024).
• [6] Ilg, E., et al. "Flownet 2.0 : Evolution of optical flow estimation with deep networks". Actes de la conférence de l'IEEE sur la vision informatique et la reconnaissance des formes. 2017.
• [7] Teed Z. et Jia Deng. "Raft : Recurrent all-pairs field transforms for optical flow." Computer Vision-ECCV 2020 : 16th European Conference, Glasgow, UK, August 23-28, 2020, Proceedings, Part II 16. Springer International Publishing, 2020.
• [8] Albino, F., Amelung, F. et Gregg, P. (2018). Le rôle de la pression du fluide interstitiel sur la rupture des réservoirs de magma : aperçu des volcans d'arc indonésiens et aléoutiens. Journal of Geophysical Research : Solid Earth, 123(2), 1328-1349.
• [9] Dumont, Q., Cayol, V., & Froger, J. L. (2024). Is stress modeling able to forecast intrusions and slip events at Piton de la Fournaise volcano. Earth and Planetary Science Letters, 626, 118494.
• [10] Anantrasirichai, N., Biggs, J., Albino, F., & Bull, D. (2019a). Une approche d'apprentissage profond pour détecter la déformation des volcans à partir de l'imagerie satellitaire en utilisant des ensembles de données synthétiques. Télédétection de l'environnement, 230, 111179.
• [11]Anantrasirichai, N., Biggs, J., Albino, F., & Bull, D. (2019b). L'application des réseaux neuronaux convolutifs pour détecter la déformation lente et soutenue dans les séries temporelles InSAR. Geophysical Research Letters, 46(21), 11850-11858.
• [12] Biggs, J., Anantrasirichai, N., Albino, F., Lazecky, M. et Maghsoudi, Y. (2022). Large-scale demonstration of machine learning for the detection of volcanic deformation in Sentinel-1 satellite imagery. Bulletin de volcanologie, 84(12), 100.
• [13] Gaddes, M. E., Hooper, A., & Bagnardi, M. (2019). Utilisation de l'apprentissage automatique pour détecter automatiquement les troubles volcaniques dans une série temporelle d'interférogrammes. Journal of Geophysical Research : Solid Earth, 124(11), 12304-12322.
• [14] Gaddes, M., Hooper, A. et Albino, F. (2024). Classification et localisation simultanées des déformations volcaniques dans les interférogrammes SAR à l'aide d'un réseau neuronal convolutif. Earth and Space Science, 11(6), e2024EA003679.
• [15] Lopez-Uroz L., Yan Y., Benoit A., Albino F., Bouygues P., Giffard-Roisin S., Pinel V., Exploring Deep Learning for Volcanic Source Inversion, IEEE Transactions on Geosciences & Remote Sensing, vol.62, doi : 10.1109/TGRS.2024.3494253
• [16] Lahssini K., Teste F., Dayal K. R., Durrieu S., Ienco D. et Monnet J.-M., "Combining LiDAR Metrics and Sentinel-2 Imagery to Estimate Basal Area and Wood Volume in Complex Forest Environment via Neural Networks," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 15, pp. 4337-4348, 2022, doi : 10.1109/JSTARS.2022.3175609
• [17] Dayal K. R., Durrieu S., Lahssini K., Ienco D. et Monnet J.-M., "Enhancing Forest Attribute Prediction by Considering Terrain and Scan Angles From Lidar Point Clouds : A Neural Network Approach," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 16, pp. 3531-3544, 2023, doi:10.1109/JSTARS.2023.3263595
• [18] Montagnon, T., Hollingsworth, J., Pathier, E., Marchandon, M., Dalla Mura, M., Giffard-Roisin, S., & Dalla, Mura. (2024). GeoFlowNet : Fast and Accurate Sub-pixel Displacement Estimation From Optical Satellite Images based on Deep Learning.
• [19] Okada, Y. (1985). Surface deformation due aux failles de cisaillement et de traction dans un demi-espace. Bulletin of the seismological society of America, 75(4), 1135-1154.
• [20] - Cayol V., Carry T., Michon L, Chaput M., Famin V., Bodart O., Froger J.L., Romagnoli C. (2014), Sheared sheet intrusions as mechanism for lateral flank displacement on basaltic volcanoes : Applications to Réunion Island volcanoes, Journal of Geophysical Research, 119, 7607-7635.
• [21] Dumont, Q., Cayol, V., Froger, J. L., & Peltier, A. (2022). 22 years of satellite imagery reveal a major destabilization structure at Piton de la Fournaise. Nature communications, 13(1), 2649.

PRÉSENTATION DE LA PRÉSIDENCE