Thèse Apprentissage Profond pour la Mesure des Déformations de Surface par Interférométrie Radar Insar - Application à la Surveillance des Instabilités Gravitaires en Haute Montagne H/F - Doctorat.Gouv.Fr

Établissement : Université de Savoie Mont-Blanc École doctorale : Sciences Ingénierie Environnement Laboratoire de recherche : Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance Direction de la thèse : Emmanuel TROUVE ORCID 0000000321403303 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 Cette thèse a pour objectif d'exploiter le potentiel de l'interférométrie radar à synthèse d'ouverture (InSAR) satellitaire et des méthodes d'apprentissage profond pour détecter, mesurer et surveiller les mouvements gravitaires lents en haute montagne. Les satellites Sentinel-1 acquièrent tous les 6 jours des images radar complexes dont la différence de phase permet de mesurer des mouvements de la surface du sol avec une précision centimétrique voire millimétrique en exploitant des séries temporelles d'interférogrammes. La masse de données générées et les artéfacts qui affectent ces images nécessitent le développement de méthodes automatiques pour extraire les motifs de franges révélatrices d'un mouvement du sol et les transformer en mesures de vitesse caractérisant la dynamique du phénomène observé. Les méthodes d'apprentissage profond dédiées aux images naturelles, médicales ou de télédétection (optique, amplitude radar) se heurtent à la spécificité des données InSAR (phase repliée, perte de cohérence, franges atmosphériques...) et au manque de données labélisées pour entrainer les modèles. Pour répondre à ces difficultés, des travaux précédents ont initié une base de données à partir d'interférogrammes Sentinel-1 sur les alpes françaises qui a permis de tester des modèles convolutifs (CNN). Cette thèse permettra d'étendre et généraliser ces travaux avec comme objectifs : i/ la prise en compte les séries temporelles d'interférogrammes en construisant des modèles capables d'analyser les informations issues de matrices de cohérence ; ii/ l'utilisation de modèles de type « transformer » pour tenir compte des relations spatiales au sein des interférogrammes et intégrer des informations topographiques issues de modèles numériques de terrain ; iii/ le développement de réseaux qui effectuent à la fois une segmentation sémantique pour détecter la zone en mouvement et une régression pour estimer la vitesse de cette zone. Les modèles développés seront testés sur des mouvements gravitaires connus et surveillés par des chercheurs des laboratoires EDYTEM et ISTerre, en particulier l'inventaire des glaciers rocheux qui pourra s'enrichir des mesures de vitesses obtenues par ces travaux. L'utilisation de l'imagerie radar satellitaire s'est largement répandue à travers le programme européen Copernicus qui fournit des images gratuites et régulières grâce aux acquisitions systématiques des satellites Sentinel-1A et 1B lancés en 2014 et 2015 et renouvelés en 2024 et 2025 (Sentinel-1C et 1D) pour assurer la continuité des observations. Avec une résolution de l'ordre de 10 mètres et des acquisitions tous les 6 ou 12 jours, ces données permettent de créer des Séries Temporelles d'Images Satellites (STIS) dont le contenu est extrêmement riche au niveau spatial et au niveau temporel pour le suivi de phénomènes tels que les glissements de terrain [Nati-2022], l'activité volcanique [Bigg-2026] ou les mouvements d'origine sismique [Funn-2019]. Ces images radar à synthèse d'ouverture (SAR) sont acquises indépendamment des conditions météorologiques et de l'éclairement du soleil, avantage précieux aux latitudes élevées et dans les zones de montagne où la couverture nuageuse perturbe régulièrement les images optiques. De plus, les capteurs SAR fournissent des images complexes et la différence de phase entre deux acquisitions permet de détecter des mouvements de surface à l'échelle de la longueur d'onde, soit quelques centimètres en bande C. Cette méthode appelée interférométrie SAR (InSAR) [Mass-1998] est très utilisée dans le domaine de la géophysique et de plus en plus pour la surveillance des risques naturels gravitaires.
L'InSAR s'appuie sur des chaînes de traitement relativement lourdes. Des logiciels tels que SNAP distribué par l'agence spatiale européenne (ESA) permettent d'effectuer de façon quasi-automatique les premières étapes (génération d'interférogrammes, orthorectification...) et produire une masse de données colossales en formant des couples à différents pas de temps qui couvrent des massifs montagneux entiers, voire des régions entières. L'extraction de l'information recherchée nécessite ensuite de développer ou d'adapter certains traitements au contexte applicatif : information a priori, données complémentaires et mesures in-situ disponibles, nature et précision de l'information recherchée... Ces étapes font de plus en plus appel à des méthodes d'apprentissage automatique pour détecter la présence de mouvements noyés dans différentes sources de perturbation : perte de cohérence temporelle due aux changements de surface, erreurs de modèle numérique de terrain (MNT) et distorsions géométriques particulièrement forte en montagne, et enfin les effets atmosphériques qui se confondent avec le signal de déformation.
Afin d'exploiter le potentiel des méthodes d'apprentissage profond, des travaux ont démarré au LISTIC en 2021 dans le cadre de la thèse d'Antoine Bralet. Ils ont permis de développer une première base de données (ISSLIDE) publiée sur IEEE-dataport qui contient principalement des mouvements de glaciers rocheux de l'ordre du mètre par an [Tama-2026]. Les tests effectués avec des réseaux de neurones sur étagère [Bral-2024] et les résultats obtenus avec l'approche ECSPLAIN développée durant la thèse [Bral-2025] ont montré tout le potentiel des méthodes d'IA pour extraire des motifs de franges liés aux mouvements gravitaires. Ces travaux prometteurs et les évolutions rapides des méthodes d'apprentissage profond ouvrent la voie à de nouveaux développements méthodologiques afin d'améliorer la détection des instabilités gravitaires et d'estimer leur vitesse pour mesurer et surveiller la dynamique des phénomènes observés. Les travaux proposés dans cette thèse se concentreront sur les objectifs de recherche suivants. Le premier objectif est la prise en compte de la dimension temporelle dans le processus de détection et de mesure du déplacement. Il s'agit de développer des modèles exploitant la relative continuité du mouvement et la redondance de l'information dans les séries temporelles d'interférogrammes formés sur une durée allant de quelques semaines à toute la période « sans neige ». Le second objectif est l'intégration de modèles de type « transformer » [Doso-2021] pour tenir compte des relations spatiales au sein des interférogrammes et intégrer des informations de contexte, notamment issues de modèles numériques de terrain. Ces réseaux étant plus lourds et plus gourmands en données labélisées, l'intégration de nouvelles bases de données InSAR dédiées à l'apprentissage [Reye-2026] ou la simulation de déformation dans des interférogrammes réels pourront s'avérer nécessaire. Le dernier objectif à atteindre est l'estimation de la vitesse des mouvements détectés par des méthodes de régression par apprentissage. Le développement de réseaux multitâches devrait permettre d'effectuer à la fois une segmentation sémantique pour localiser les zones en mouvement et une régression pour déterminer la vitesse moyenne et les éventuelles accélérations ou décélérations de ces zones.
Les modèles développés seront testés sur des mouvements gravitaires connus et surveillés par des chercheurs des laboratoires EDYTEM et ISTerre. Nous nous appuierons en particulier sur des vérités terrain issues de l'inventaire des glaciers rocheux construit depuis plusieurs années par Xavier Bodin et l'équipe Morphodynamique d'EDYTEM. Les résultats obtenus par les méthodes développées pourront contribuer à l'actualisation de cet inventaire en fournissant notamment des mesures de vitesses permettant de classer ces glaciers rocheux en fonction de leur dynamique. Développements méthodologiques :

Les premières étapes du traitement des données InSAR sont aujourd'hui relativement automatisées et peuvent être effectuées par des logiciels libres tels que Sentinel Application Platform (SNAP) distribué par l'Agence Spatiale Européenne (ESA). La personne recrutée pourra s'appuyer sur ces outils pour générer des séries temporelles d'interférogrammes sur deux régions. La première couvrira les Alpes occidentales où un nombre important de site en mouvement sont répertoriés et certains suivis par différents instruments pouvant fournir des vérités terrains. Une seconde région sera choisie dans les Hautes Montagnes d'Asie et permettra de tester la transferabilité des méthodes développées sur des massifs ayant des caractéristiques topographiques et météorologiques très différentes.

La thèse portera principalement sur les problématiques méthodologiques liées à la prise en compte de l'information temporelle par des réseaux de type transformer [Doso-2021]. Trois voies méthodologiques seront explorées pour exploiter les séries temporelles d'interférogrammes InSAR, en faisant varier le niveau de traitement et la nature des représentations utilisées. La première voie consistera à traiter directement les interférogrammes - en phase repliée (modulo 2) ou déroulée selon les contraintes liées aux phénomènes observés - comme des séquences d'images, alimentant un modèle transformer conçu pour analyser conjointement les dimensions spatiale et temporelle. Afin de rendre ce traitement faisable calculatoirement, les interférogrammes seront découpés en patches géoréférencés, dont chacun constituera un token d'entrée à la manière d'un ViT (Vision Transformer). Ces tokens seront augmentés d'embeddings positionnels codant la date d'acquisition et les informations géomorphologiques (localisation, altitude, orientation, pente...), permettant au mécanisme d'auto-attention d'identifier les motifs de déformation en intégrant leur évolution temporelle. Cette méthode teste l'hypothèse qu'un modèle purement data-driven, sans biais physique explicite, peut extraire les signatures caractéristiques des mouvements gravitaires lents directement à partir de l'information de phase brute et de cohérence complétée d'éléments de contexte, à condition de disposer de séries temporelles suffisamment denses et variées.

Une seconde voie s'appuiera sur une représentation fondée sur les matrices de cohérence complexe estimées à partir des piles d'images Single Look Complex (SLC) co-registrées, telles qu'elles sont exploitées dans les algorithmes de phase linking [Vu-2025]. Ces matrices, qui encapsulent les statistiques du second ordre du signal radar sous un modèle gaussien complexe circulaire (variabilité de la phase, corrélations spatiales et temporelles entre acquisitions), offrent une description physiquement fondée des dynamiques observées, plus robuste que la phase brute face aux effets de décorrélation. Le transformer opérera alors sur ces matrices, combinant leur contenu statistique avec des informations topographiques issues du modèle numérique de terrain. Cette approche vise à concilier la richesse descriptive des représentations dérivées du traitement du signal avec la capacité des architectures neuronales attentionnelles à modéliser des dépendances complexes à longue portée, tant spatiales que temporelles.

La troisième voie adoptera une architecture hybride, associant un backbone convolutif à des têtes d'attention. Un encodeur de type ResNet ou CNN 3D [Abda-2025] extraira d'abord des features locales à différentes échelles, capturant les motifs élémentaires des interférogrammes (franges, artefacts, zones de perte de cohérence). Ces représentations serviront ensuite de tokens d'entrée au transformer, qui en analysera les interactions globales. Cette configuration permet de tirer parti des forces complémentaires des réseaux convolutifs - efficaces pour le traitement bas niveau du signal - et des transformers, particulièrement adaptés à la modélisation de relations contextuelles complexes. Le backbone pourra être pré-entraîné de manière auto-supervisée, par exemple via une tâche de reconstruction de patches masqués (Masked Autoencoder) sur un large corpus d'interférogrammes non annotés, afin de réduire la dépendance aux données annotées, une contrainte majeure dans le domaine.

Les trois approches seront systématiquement évaluées sur leur capacité à détecter les zones instables et à estimer leur vitesse de déplacement, en utilisant des métriques adaptées (IoU pour la segmentation, RMSE pour la régression) et des jeux de test indépendants fournis par les laboratoires partenaires. L'évaluation inclura une comparaison aux méthodes de référence opérationnelles (SBAS, PS-InSAR) [Huss-2025] afin de quantifier l'apport effectif des approches proposées. Une analyse comparative permettra d'évaluer l'impact du niveau de traitement des représentations sur les performances, tandis que des techniques de visualisation des cartes d'attention éclaireront les mécanismes de décision des modèles.

Le ou la candidate retenue devra avoir un excellent cursus académique spécialisé dans l'intelligence artificielle pour l'analyse d'images et être titulaire d'un diplôme d'ingénieur ou de master.
Des bases solides sont attendues en mathématique, en apprentissage automatique et en programmation, ainsi que de bonnes capacités de rédaction.
Des connaissances ou une expérience dans le domaine de la télédétection pour l'observation de la Terre seront un plus.
Un niveau minimum B2 est requis en anglais.