L’Institut national de l’information géographique et forestière (IGN) est un établissement public à caractère administratif placé sous la tutelle des ministères chargés de l’écologie et de la forêt. Sa vocation est de produire et diffuser des données (open data) et des représentations (cartes en ligne et papier, géovisualisation) de référence relatives à la connaissance du territoire national et des forêts françaises ainsi qu'à leur évolution.
Grâce à son école d’ingénieurs, l'ENSG-Géomatique, et à ses équipes de recherche pluridisciplinaires, l’institut cultive un potentiel d’innovation de haut niveau dans plusieurs domaines (géodésie, forêt, photogrammétrie, intelligence artificielle, analyse spatiale, visualisation 3D, etc.).
Contexte
L’ENSG, chargée de la politique de recherche et d’enseignement de l’IGN, regroupe les services de l’école, proprement dite, sur le campus de l’Université Gustave Eiffel et les équipes de recherche en sciences de l’information géographique, majoritairement implantées à Saint-Mandé et regroupées sous l’autorité fonctionnelle du LASTIG. Le centre de compétences Photogrammétrie, Télédétection et Vision par Ordinateur (CC Imagerie) regroupe les chercheurs, enseignants et enseignants-chercheurs sur ses domaines de compétence.
L’Unité Mixte de Recherche (UMR) LASTIG , sous la tutelle de l’IGN et de l’Université Gustave Eiffel, mène des recherches variées en sciences de l’information géographique pour la ville durable et les territoires numériques. Il comporte plus de 60 membres, permanents et contractuels. Le LASTIG est confronté à des problématiques de recherche fondamentale et opérationnelle sur les sujets suivants :
— l’acquisition et le traitement de données massives et multimodales (équipe ACTE) ;
— la géovisualisation, l’interaction et l’immersion (équipe GEOVIS) ;
— la médiation et l’enrichissement de données géographiques (équipe MEIG) ;
— l’analyse de la dynamique spatio-temporelle des territoires (équipe STRUDEL)
Le poste s’inscrit dans le cadre du projet PEPR MONITOR FORESTT (ANR250524). Ce projet finance pour l'IGN cette thèse au laboratoire LASTIG et une autre thèse au laboratoire LIF.
L'estimation de la hauteur de la canopée forestière est indicative du contenu en biomasse et constitue ainsi un paramètre clé pour surveiller le changement climatique et garantir des stocks de carbone suffisants dans le monde entier. En France, où près de la moitié de l'énergie renouvelable est extraite du bois, une gestion et une surveillance efficaces de la croissance des forêts sont cruciales. La reconstruction 3D des canopées forestières par stéréovision reste un défi en raison de la fonction de réflectance non lambertienne caractéristique des canopées d'arbres. En particulier, la ressemblance d'un arbre capturé sous différents points de vue diminue très rapidement avec le différence d'angles de vue entre deux images. De plus, la saisonnalité a un impact considérable à la fois sur la forme en 3D de la canopée et sur sa réponse spectrale. Ce comportement peut être traité soit en modélisant la fonction de réflectance spécifique, soit en développant une mesure de similarité qui est invariante aux différences d'apparence entre les vues.
Missions
L'objectif principal de cette thèse est de développer une nouvelle méthode de correspondance stéréo multi-vue adaptée à la reconstruction de surface 3D des canopées forestières à partir d'images aériennes et satellitaires. Il s'agit de développer une nouvelle méthode de correspondance stéréo multi-vue adaptée à la reconstruction de surface 3D des canopées forestières à partir d'images aériennes et satellitaires. Se fier uniquement aux indices visuels pour comparer les patchs de pixels dans les images n'est pas suffisant pour une prédiction précise et robuste des surfaces de canopée. Nous nous tournerons donc vers des méthodes basées sur l'apprentissage pour apprendre implicitement la correspondance entre les patchs. Pour s'adapter à la spécificité de la canopée forestière, nous aborderons
les problèmes suivants :
— Séparation de l'apprentissage de la représentation des patchs de la prédiction de profondeur pour maintenir une bonne transférabilité aux scènes non vues. En d'autres termes, nous privilégierons une approche hybride à un pipeline de bout en bout.
— Incorporation des paramètres physiques dans le modèle autant que possible. Par exemple, en tenant compte de la position du soleil, nous prendrons en compte la dépendance directionnelle de la réflectance de la surface.
— Augmentation de la robustesse des prédictions de profondeur grâce à la multi-vue. Les meilleures méthodes actuelles de correspondance stéréo utilisent exclusivement
des paires d'images.
Nous envisageons également de développer une approche enrichie par des informations sémantiques pour distinguer différentes espèces d'arbres. L'IGN, en tant qu'opérateur de l'inventaire forestier national, a accès à des données forestières qui permettent d'entrainer des réseaux d'apprentissage sémantique. Enfin, une extension et une valorisation possibles consisteraient à appliquer les méthodes développées à la reconstruction de scènes avec une végétation basse (par exemple, la hauteur des cultures pour des applications d'évaluation des ressources alimentaires).
Datasets, code et diffusion : Nos modèles de prédiction seront conçus et validés sur des acquisitions simultanées de LiDAR et d'images aériennes fournies par l'IGN. Nous augmenterons également les jeux de données d’entrainement avec des scènes 3D et des images générées de manière synthétique. Un benchmark ouvert sera mis à disposition de la communauté pour encourager davantage la recherche sur la reconstruction des surfaces de canopée. Le travail sera réalisé au sein de la bibliothèque libre et open-source MicMac, qui fournit des modules pour la localisation d'images ainsi que des outils classiques pour la reconstruction de surfaces. Les résultats seront diffusés lors de conférences et dans des articles scientifiques.
La réalisation de ce projet de doctorat pourrait permettre les applications suivantes :
— Surveillance des stocks de carbone à l'échelle nationale (avec des images aériennes) ou même mondiale (images satellitaires haute résolution). Les images, associées à une géométrie fiable de la canopée forestière, peuvent contribuer à une identification plus fine des espèces d'arbres pour l'inventaire forestier, ou aux systèmes de surveillance des perturbations forestières plus efficaces.
— La mise à disposition d'un jeu de données de référence ouvert encouragera la recherche sur la correspondance stéréo pour la reconstruction 3D des canopées forestières.
— Le code développé dans le cadre du projet sera publié en open-source dans MicMac.
Profil recherché
— Étudiant.e en Master 2 en informatique, mathématiques appliquées, photogrammétrie ou télédétection
— Bonne maîtrise de Python et/ou C++
— Expérience préalable en apprentissage profond
— Expérience préalable en traitement d'images aériennes/satellitaires (optionnel)
Conditions particulières
Missions ponctuelles dans le cadre des réunions du projet et de conférences.
Atouts de l’environnement de travail
- Cadre académique de la recherche au sein du laboratoire LASTIG et de l'université Gustave Eiffel
- Liens avec les services d'innovation et de production de l'IGN pour l'identification de verrous scientifiques à fort impact sociétal
Contact
Renseignements sur le poste :
Ewelina Rupnik, chargée de recherche - ewelina.rupnik@ign.fr
Marc Pierrot-Deseilligny, directeur de recherche - marc.pierrot-deseilligny@ensg.eu - 01 43 98 83 23
Mathieu Brédif, chef du centre de compétences - mathieu.bredif@ign.fr - 01 43 98 83 19
Renseignements sur le recrutement :
Mélanie BARBET, chargée de développement RH, melanie.barbet[a]ign.fr
Aucune candidature transmise par mail ne sera traitée. Toutes nos offres sur ign.fr/nous-rejoindre !
Date limite de candidature : 09/08/2024
