Estimation et réduction avancées du bruit affectant les données électromagnétiques aéroportées en milieu anthropisé, pour une couverture et imagerie optimisées des zones étudiées // Noise characterization on Airborne Transient ElectroMagnetic (TEM) Soundi

L'Électromagnétisme Aéroporté (AEM) (https://www.youtube.com/watch?v=PujUpaekA3Y) permet d'imager les contrastes de conductivité du sous-sol, qui peuvent être interprétés comme des variations dans la nature des formations géologiques. Le Bureau de Recherches Géologiques et Minières (BRGM) a réalisé plusieurs levés AEM, principalement dans les départements et territoires d'outre-mer français, et plus récemment en France métropolitaine (https://www.brgm.fr/en/news/feature-article/airborne-geophysics). Par exemple, des levés régionaux ont été effectués en Martinique, Guadeloupe, La Réunion, Mayotte et en Nouvelle-Calédonie. Ces campagnes AEM ont été menées pour fournir des données d'infrastructure régionale, en complément des forages et des cartes géologiques, afin d'améliorer la compréhension de plusieurs enjeux, particulièrement critiques sur les îles, tels que la gestion des ressources en eau, l'exploration des matières premières ou encore l'évaluation des risques géologiques.

La précision des images obtenues repose fortement sur la qualité des données AEM (séries temporelles géolocalisées), qui peuvent être perturbées par des bruits d'origine naturelle ou anthropique. De nombreuses études ont porté sur la réduction des bruits naturels, aboutissant au développement de méthodes efficaces pour en limiter l'impact. Cependant, la robustesse de ces méthodes face aux variations des schémas de bruit reste très faible. En particulier, leur application directe aux mesures contaminées par des bruits anthropiques conduit à des images de conductivité biaisées.

Cette thèse propose d'exploiter des mesures de terrain des bruits affectant les données AEM afin d'améliorer la qualification des sources de bruit, avec un focus particulier sur les bruits d'origine anthropique. En s'appuyant sur cette caractérisation, l'objectif principal sera de développer une méthodologie innovante de réduction du bruit dans les données AEM.

Le candidat retenu intégrera l'unité DCGS/GTS du BRGM et collaborera étroitement avec le Laboratoire Prisme de l'Université d'Orléans. Il explorera des approches statistiques et des techniques d'apprentissage automatique pour la classification non supervisée des signaux, afin d'améliorer la compréhension des bruits affectant les données AEM. Par ailleurs, il étudiera des approches basées sur l'apprentissage profond pour la réduction du bruit et proposera de nouvelles méthodologies intégrant à la fois les connaissances physiques sur l'AEM et les mesures de bruit in situ.

Les résultats obtenus seront comparés aux méthodes de référence et évalués par des experts du BRGM.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Airborne ElectroMagnetics (AEM - https://www.youtube.com/watch?v=PujUpaekA3Y) enables to image subsurface conductivity contrasts, which can be interpreted as changes in the nature of the subsurface. The French geological survey (BRGM) has conducted several AEM surveys mainly on the French overseas departments and territories and more recently in mainland France (https://www.brgm.fr/en/news/feature-article/airborne-geophysics). For example, regional surveys were flown in Martinique, Guadalupe, La Réunion, Mayotte and in New-Caledonia. These AEM surveys were acquired to provide regional infrastructure data, in complement to boreholes and geological maps, in order to better apprehend various issues, which are concentrated on islands, such as groundwater management, targeting of raw materials or geological risk assessment.

The accuracy of the obtained image heavily rely on the quality of the AEM data (geolocated time series), which can be affected by both natural and anthropogenic noises.
Several studies have focused on the reduction of natural noises, and efficient methods have been developed to limit their impact. However, the robustness of these methods to variations in noise patterns is very poor. Particularly, their direct application to measures contaminated with anthropogenic noises lead to biased conductivity images.

In this thesis, we propose to take advantage of field measurements of noises affecting AEM data to improve the qualification of noise sources, with a focus on anthropogenic sources. Building on this noise characterization, the main goal of the thesis will be to develop a novel methodology for noise reduction in AEM data.
The successful candidate will join the DCGS/GTS unit of BRGM and will work in close collaboration with the Prisme Laboratory of the University of Orléans. He will explore advanced statistical tools and machine-learning-based methods for unsupervised signal classification to improve our understanding of noise affecting AEM data. On the other hand, he will investigate deep learning technics for noise reduction and propose novel approaches integrating both physical knowledge on AEM and in-situ noise measurements. The results will be compared with those produced by state-of-the-art methods and evaluated by the expert of BRGM.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'une collectivité locale ou territoriale

Université d'Orléans

551 Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS

• Master's degree in statistical or signal processing • Familiarity with statistical and modeling techniques • Experience with data analysis and visualization • Knowledge in geophysics will be appreciated • MATLAB or Python programming
• Master's degree in statistical or signal processing • Familiarity with statistical and modeling techniques • Experience with data analysis and visualization • Knowledge in geophysics will be appreciated • MATLAB or Python programming