Apprentissage non-supervisé de séries temporelles SAR pour l'estimation de paramètres forestier // Unsupervised Machine Learning for forest parameters estimation using SAR time-series

La biomasse est une quantité critique pour le changement climatique. Sa mesure est donc utile pour évaluer l'état du changement climatique, l'(in)efficacité des actions visant à le contrôler, la manière dont les crédits carbone sont utilisés, etc. Elle permet également d'acquérir une connaissance plus générale de la forêt, qui peut être utilisée pour diverses applications (détection des incendies, lutte contre les maladies, détection des cibles, etc.)
). Il est toutefois difficile de la mesurer à l'aide de satellites, ce qui est le seul moyen de la mesurer à grande échelle. L'autre moyen est la mesure de la vérité au sol, qui peut fournir des centaines de paramètres pour un seul peuplement, mais qui n'est réalisable qu'à très peu d'endroits. La biomasse peut être directement déduite des mesures ou estimée à partir de différents paramètres forestiers.
Dans une récente thèse de doctorat (T Di Martino [1]), nous avons développé une approche non supervisée utilisant des séries temporelles SAR (CAE) pour cartographier les paramètres forestiers en utilisant seulement quelques points de vérité terrain. Cette approche a été testée sur des données SAR en bande C. Elle a été évaluée pour certains paramètres (pourcentage de conifères, par exemple). Cette évaluation a été réalisée en collaboration avec Ressources naturelles Canada (qui a fourni la vérité au sol).
La basse fréquence est bien connue pour mieux pénétrer les forêts, alors que la bande C est limitée à la canopée. En outre, ces travaux ont également démontré la capacité de l'approche à détecter des anomalies, avec des applications réussies pour les incendies (en bande C) [3] et la détection de cibles sous couvert (en bande L avec des données aéroportées au-dessus de forêts tropicales) [12].

SONDRA est un laboratoire commun entre la France et Singapour, situé à CentraleSupélec, Paris, dédié à la télédétection radar. L'équipe ' physique et la modélisation' visent à utiliser notre compréhension physique des interactions entre les ondes radar et leur environnement pour améliorer les outils de détection classiques ou proposer de nouvelles approches mieux adaptées à nos besoins spécifiques [5]. Nous travaillons depuis vingt ans sur la signature radar de différentes forêts (tropicales, boréales et tempérées) [1-4, 6-7] en utilisant diverses techniques radar telles que la radiométrie, la polarimétrie et l'interférométrie [7,8] dans des configurations bistatiques [9-11], et récemment des algorithmes d'apprentissage automatique non supervisés [3].
Dans cette thèse de doctorat, nous proposons d'analyser les séries temporelles SAR pour mieux comprendre comment relier la réponse temporelle des forêts tropicales à leur composition, leur structure et leur environnement. Nous continuerons avec l'approche non supervisée (CAE, Visual Trnasformer), en utilisant le satellite SAR pour cartographier à grande échelle, et la vérité au sol servira de validation. L'objectif est d'utiliser des données à plus basse fréquence pour pénétrer la forêt tropicale, en combinaison avec le SAR en bande C (les images Sentinel-1 de l'ESA sont gratuites).
Nous voulons étendre l'algorithme développé précédemment à un algorithme hiérarchique. L'idée est d'utiliser les paramètres de la forêt qui ont été bien récupérés lors de la première exécution comme données d'entrée pour l'exécution suivante.
Nous voulons également tester d'autres approches (Visual Transformer, par exemple).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Biomass is a quantity critical for climate change. Measuring it is thus helpful in evaluating the state of climate change, the (in-)efficiency of actions to control it, how carbon credits are used, etc. It also brings some more general knowledge of the forest, which can be used for various applications (fire detection, disease control, target detection, etc.).
It is, however, challenging to measure using satellites, which is the only way to measure it on a large scale. The other way is ground truth measurement, which can give hundreds of parameters for a single stand but is only feasible at very few locations. Biomass can be directly inferred from measurement or estimated from different forest parameters.
In a recent PhD thesis (T Di Martino [1]), we have developed an unsupervised approach using SAR time-series (CAE) to map forest parameters using only a few ground truth points. It has been tested on C-band SAR. It has been assessed for some parameters (percentage of coniferous trees, for instance). This was done in collaboration with Natural Resources Canada (they provided the ground truth).
Low frequency is well known for better-penetrating forests, whereas C-band is limited to the canopy. Besides, this work has also demonstrated the capability of the approach to detect anomalies, with successful applications for fire (at C-band) [3] and target detection under cover (at L-band with airborne data over tropical forests) [12].

SONDRA is a joint lab between France and Singapore, located at CentraleSupélec, Paris, dedicated to radar remote sensing. The team's Physics and modeling aims to use our physical understanding of the interactions between radar waves and their surrounding environment to improve classical detection tools or propose new approaches better suited to our specific needs [5]. We have worked for twenty years on the radar signature of different forests (tropical, boreal, and temperate) [1-4, 6-7] using various radar techniques such as radiometry, polarimetry, and interferometry [7,8] in bistatic configurations [9-11], and recently unsupervised machine learning algorithms [3].
In this Ph. D. thesis, we propose to analyze SAR time series to understand better how to relate tropical forests' time response to their composition, structure, and surroundings. We will continue with the unsupervised approach, using SAR satellite to map at a large scale, and ground truth stands as the validation. The objective is to use data at lower frequencies to penetrate the tropical forest, combined with C-band SAR (ESA Sentinel-1 images are free).
We want to extend the previously developed algorithm to a hierarchical one. The idea is to use the forest parameters that were well retrieved at the first run as input for the next run.
We also want to test other approaches (Visual Transformer, for instance).
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Autre type de financement - Autre type de financement,

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

575 Electrical, Optical, Bio-physics and Engineering

Ce travail de recherche requiert : - des compétences en machine learning, idéalement en non supervisé - des compétences en informatique (Python, Java script, Matlab, ...) - un goût pour la physique Ces connaissances et compétences peuvent être acquises en cours de thèse.
This research work requires: - skills in machine learning algorithms, ideally unsupervised - computer skills (Python, Java script, Matlab, etc.) - a taste for physics This knowledge and skills can be acquired during the thesis.