Apprentissage Profond Pour Les Images Radar Swot - Palaiseau, France - Télécom Paris

Télécom Paris
Télécom Paris
Entreprise vérifiée
Palaiseau, France

il y a 1 jour

Sophie Dupont

Posté par:

Sophie Dupont

beBee Recruiter
Description
**Apprentissage profond pour les images radar SWOT multi-temporelles // Improved processing of multitemporal SWOT SAR images with deep learning**:

- Réf
- **ABG-119669**

**ADUM-52629**
- Sujet de Thèse- 24/01/2024- Télécom Paris- Lieu de travail- Palaiseau - France- Intitulé du sujet- Apprentissage profond pour les images radar SWOT multi-temporelles // Improved processing of multitemporal SWOT SAR images with deep learning- Mots clés- imagerie de télédétection, apprentissage profond, interférométrie SAR, mission spatiale SWOT, surfaces d'eau
- remote sensing imaging, deep learning, SAR interferometry, SWOT satellite mission, water bodies**Description du sujet**:

- La mission SWOT développée par les agences spatiales NASA et CNES a été lancée fin 2022. Avec son interféromètre radar en bande Ka à large fauchée, elle fournit des images sans précédent des lacs et des rivières de la Terre. La combinaison d'une bande de fréquence élevée et d'une incidence proche du nadir maximise le retour radar des zones d'eau et permet d'obtenir des images présentant des contrastes radiométriques et des distorsions géométriques très différents de ceux des images radar à synthèse d'ouverture (SAR) plus conventionnelles obtenues par des satellites tels que Sentinel-1 de l'agence spatiale européenne.
- Lors de la préparation de la mission, des travaux de recherche et développement soutenus par deux thèses encadrées à Telecom Paris ont permis de concevoir des pipelines de traitement pour détecter les lacs et les rivières permettant ensuite l'estimation de la hauteur d'eau.
- Avec la disponibilité des images acquises par le satellite et l'essor des approches par apprentissage profond, des stratégies de traitement avancées peuvent maintenant être envisagées afin (i) d'améliorer les images SWOT (réduction des variabilités radiométriques et du bruit de phase interférométrique) et (ii) d'améliorer l'extraction d'informations à partir de ces images grâce à la combinaison de modèles géométriques de l'acquisition, d'informations multi-temporelles, et de données provenant de différentes sources. L'objectif est de surmonter les limites actuelles qui dégradent la détection de l'eau (par exemple : eau sombre, boue brillante, champs humides, zones bâties,...) et empêchent les produits de niveau 2 d'atteindre le plein potentiel des données SWOT. La réduction du bruit et l'analyse des séries temporelles d'images SWOT devraient ouvrir de nouvelles perspectives pour l'étude des zones humides ou des lacs enneigés. Dans le cadre d'une éventuelle mission InSAR Sentinel-3 NG Topo, des pipelines de traitement plus robustes seront nécessaires pour compenser les mesures de phase interférométriques moins fiables (en raison de l'utilisation d'une ligne de base interférométrique plus petite et de spécifications du rapport signal/bruit moins bonnes). Le déploiement de réseaux neuronaux profonds et l'inclusion plus étroite de sources de données complémentaires sont des solutions prometteuses.
The SWOT mission, with its wide-swath Ka-band radar interferometer KaRIn, delivers unprecedented images of Earth's lakes and rivers. The combination of a high frequency band and near-nadir incidence maximizes the radar return of water areas and leads to images with very different radiometric contrasts and geometric distortions compared to more conventional synthetic aperture radar (SAR) images by satellites such as Sentinel-1.
- During the preparation of the mission, research and development work supported by two Ph.D. works supervised at Telecom Paris has led to the design of processing pipelines to detect lakes and rivers and feed the water height estimation with water masks. With the delivery of images captured by the satellite and the rise of powerful deep learning techniques, advanced processing strategies can now be considered in order to (i) improve SWOT images (reduction of speckle fluctuations and of interferometric phase noise) and (ii) enhance information extraction from these images thanks to the combination of geometrical models of the acquisition, multi-temporal information, and data from different sources. The objective is to overcome current limitations that degrade the water detection (e.g. : dark water, bright mud, wet fields, built areas,...) and prevent the level 2 products from reaching the full potential of the SWOT data. The reduction of speckle and the analysis of time-series of SWOT images are expected to open up new perspectives for the study of wet areas or snow-covered lakes. In the context of a possible InSAR Sentinel-3 NG Topo mission, more robust processing pipelines will be necessary to compensate for the less reliable interferometric phase measurements (due to the use of a smaller interferometric baseline and poorer signal-to-noise ratio specifications). The deployment of deep neural networks and the tighter inclusion of complementary sources of data is