Géodata pour défis climatiques et services géolocalisés.
A l’IGN, ce sont plus de 1 500 talents qui produisent, croisent, traitent des géodata avec des niveaux de représentation et de précision différents. L’enjeu pour l’institut depuis plus de 80 ans, c’est de connaitre la France, ses forêts, ses paysages, ses villes…. Et aujourd’hui les géodata conçues avec différents partenaires ont une utilité de premier plan pour répondre aux défis climatiques, aux besoins des territoires intelligents, pour faciliter la mobilité de demain ou encore favoriser la création de
services géolocalisés pour le plus grand nombre.
L’IGN en quelques points :
En télédétection, les données manquantes sont inhérentes à la production de données. À cause d’un capteur défectueux ou de conditions atmosphériques difficiles, les données acquises sont souvent dégradées, voire inutilisables. Les nuages, qui couvrent en moyenne 35 % de la surface terrestre à un instant donné, constituent une cause majeure d’incomplétude des données issues de capteurs passifs.
La continuité des données étant un gage de confiance dans la plupart des applications faisant usage des données mesurées à distance (classification, détection de changement, mesure de paramètres physiques, surveillance des milieux naturels, etc.), il semble logique que le développement et la mise en place de méthodes d’estimation des valeurs manquantes prennent un intérêt tout particulier.
Parmi les approches existantes, une famille de méthodes s’appuient sur les fonctions empiriques orthogonales (EOFs) pour reconstruire le signal spatio-temporel (par exemple, une série temporelle d’images spatialisées) incomplet. Initialement, les EOFs étaient utilisées afin de décomposer un signal en fonctions continues réelles orthogonales, lesquelles peuvent être interprétées physiquement afin de dégager des variabilités spatio-temporelles. Ces fonctions ont par la suite été implémentées dans l’algorithme Data Interpolating EOF (DINEOF) pour reconstruire des images satellitaires incomplètes de l’océan [Beckers2003]. Depuis cette méthode a été appliquée dans de nombreuses applications, parmi lesquelles la reconstruction de séries temporelles GNSS [Xu2016] ou d’images de déplacement des glaciers alpins [Hippert-Ferrer2020].
De nombreuses améliorations d’ordre méthodologique ont également été proposées. Parmi celles-ci, on peut citer VE-DINEOF [Ping2016] qui, en plus d’estimer les EOFs, considère le nombre d’EOFs comme un paramètre supplémentaire à estimer au fil des itérations de l’algorithme. Plus récemment, DINEOF+ [Zhao2024] permet d’améliorer l’imputation en masquant les zones à forte incomplétude, réduisant ainsi les biais dans la reconstruction finale.
Malgré ces améliorations, les méthodes développées ne prennent pas en compte la présence d’outliers dans les données de télédétection, ni le fait que la distribution de ces dernières est souvent non-Gaussienne et bruitée, ces deux facteurs rendant les données hétérogènes.
Références :
[Beckers2003] J. M. Beckers et M. Rixen. EOF calculations and data filling from incom-plete oceanographics datasets. J. Atmos. Oceanic Technol., vol. 20(12), pages 1836-1856, 2003.
[Han2024] Han, Sangil, Sungkyu Jung, and Kyoowon Kim. “Robust SVD Made Easy: A fast and reliable algorithm for large-scale data analysis.” International Conference on Artificial Intelligence and Statistics. PMLR, 2024.
[Hippert-Ferrer2020] Hippert-Ferrer, Alexandre, Yajing Yan, and Philippe Bolon. “EM-EOF: Gap-filling in incomplete SAR displacement time series.” IEEE Transactions on Geoscience and Remote Sensing 59.7 (2020): 5794-5811.
[Ping2016] Ping, Bo, Fenzhen Su, and Yunshan Meng. “An improved DINEOF algorithm for filling missing values in spatio-temporal sea surface temperature data.” PLoS One 11.5 (2016): e0155928.
[Xu2016] Chang Xu. Reconstruction of gappy GPS coordinate time series using empirical orthogonal functions. J. Geophys. Res. Solid Earth, vol. 121, pages 9020-9033, 2016.
[Zhao2024] Zhao, Haipeng, et al. “DINEOF Interpolation of Global Ocean Color Data: Error Analysis and Masking.” Journal of Atmospheric and Oceanic Technology (2024).
Lors de ce stage, nous proposons d’explorer deux approches pour développer un algorithme DINEOF robuste aux données hétérogènes :
Etudiant en M2 ou en dernière année d’école d’ingénieur
Le stage est localisé en île-de-France à Champs-sur-Marne dans les locaux de Géodata Paris sur le Campus Descartes à proximité du RER A (Noisy Champs).
In short
Founding year
1940
Employees
1519
Average age
45
Gender
34%
66%