Annonce

Les commentaires sont clos.

Stage Master 2 : classification automatique des patterns de déformation d'un édifice volcanique.

3 Février 2023

Catégorie : Stagiaire

Ci-joint une offre de stage de M2, hébergé au LaSTIG (IGN) et à pourvoir dès que possible, sur la classification automatique de séries temporelles GNSS pour la caractérisation de patterns de déformations d'origine volcanique.

 

Sujet du stage : Classification automatique des patterns de déformation d'un édifice volcanique.

Informations importantes

  • Structure d'accueil: LaSTIG, Institut de l'information géographique et forestière (IGN), Saint-Mandé, France (www.umr-lastig.fr/). Quelques séjours à l'ECGS (www.ecgs.lu/) au Luxembourg seront programmés.
  • Contacts: candidature (mail avec CV joint) à envoyer à Alexandre Hippert-Ferrer (alexandre.hippert-ferrer@ign.fr) et Delphine Smittarello (delphine.smittarello@ecgs.lu).
  • Durée et date du stage: 5 à 6 mois, offre à pourvoir dès que possible.
  • Gratification: 600,60 euros/mois (net).

Présentation générale

Les sources de déformation sont nombreuses sur les volcans actifs (pressurisation/dépressurisation de réservoirs magmatiques ou hydrothermaux, migration de fluides, etc.). L'enregistrement de ces déformations du sol a largement progressé depuis les années 1990 avec l'installation de réseaux denses de GNSS (Global Navigation Satellite System) permanents et depuis les années 2000 avec le développement des mesures InSAR (Interferometric Synthetic Aperture Radar) permettant de constituer de larges bases de données incluant des séries temporelles longues et continues (Staudacher et al., 2016, Dumont et al., 2022). L'intelligence artificielle, notamment des méthodes de classification supervisée ou auto-supervisée, fournit aujourd'hui des outils pour explorer/exploiter de façon systématique ces séries.

Objectifs du stage

L'objectif premier du stage est d'identifier des récurrences dans les patterns de déformation et de réaliser une classification automatique décrivant ces patterns. Le second objectif consiste ensuite à interpréter cette classification en terme d'activation des différentes sources au cours du temps. Il s'agit aussi d'explorer l'intérêt de certaines méthodes de classification pour produire des outils d'analyse opérationnels des déformation du sol.

L'analyse portera en premier lieu sur les séries temporelles GNSS du Piton de la Fournaise et pourra être étendue aux données InSAR. Ces séries temporelles sont soit fournies par l'OVPF (voir www.ipgp.fr/fr/ovpf/observatoire-volcanologique-piton-de-fournaise) (GNSS) ou calculées à l'ECGS (InSAR).

Concernant la classification des données, le travail s'organisera en deux temps. Tout d'abord, il s'agira d'appliquer une méthode récente développée dans (Hippert-Ferrer et al., 2022) permettant d'apprendre la topologie d'un graphe, où chaque noeud représente un récepteur GNSS et chaque arête une corrélation entre deux récepteurs (voire Figure 2 dans (Hippert-Ferrer et al., 2022)). L'intérêt de cette méthode est de construire un graphe dont la structure est creuse (sparse graph) et composée de plusieurs sous-graphes connectés entre eux. L'objectif sera alors d'obtenir de multiples graphes correspondant à des périodes temporelles successives. Ensuite, le travail consistera à utiliser ces graphes en entrée d'un algorithme de classification supervisée pour identifier des patterns de déformation. Plusieurs méthodes seront explorées, comme les k-plus proches voisins ou la méthode Minimum distance to Riemannian mean (Barachant et al., 2011), cette dernière utilisant en entrée la matrice de covariance temporelle des données.

Pré-requis

Le stage requiert un réel intérêt et une curiosité pour les sciences de la Terre (géologie et/ou volcanologie en particulier). De solides compétences en traitement du signal statistique et apprentissage sont attendues. Un bon niveau en calcul scientifique avec Python (scipy, scikit-learn, numpy) est également requis. Une expérience avec pymanopt (librairie pour l'optimisation basée sur la géométrie riemannienne) serait un plus.

Références

Barachant, Alexandre, et al. "Multiclass brain–computer interface classification by Riemannian geometry." IEEE Transactions on Biomedical Engineering 59.4 (2011): 920-928.

Dumont, Quentin, et al. "22 years of satellite imagery reveal a major destabilization structure at Piton de la Fournaise." Nature Communications 13.1 (2022): 2649.

Hippert-Ferrer, Alexandre, et al. "Learning Graphical Factor Models with Riemannian Optimization." arXiv preprint arXiv:2210.11950 (2022).

Staudacher, Thomas, and Aline Peltier. "Ground deformation at Piton de la Fournaise, a review from 20 years of GNSS monitoring." Active volcanoes of the southwest Indian Ocean: Piton de la Fournaise and Karthala (2016): 251-269.