Chair objectives

Les récents systèmes d’observation de la Terre (OT) ont ouvert de nouvelles perspectives pour les  le suivi des surfaces continentales et permettent de fournir des informations essentielles pour la surveillance, l’atténuation et l’adaptation au changement climatique. Le suivi des variables essentielles du climat et de la biodiversité fournit des informations clés pour comprendre ces derniers ainsi que les changements environnementaux.
Cependant, l’extraction de ces variables à partir de données multi-sources est un défi en raison des spécificités des données d’observation de la Terre, telles que l’observation indirecte des variables d’intérêt, la résolution spatiale variable et les séries temporelles échantillonnées de manière irrégulière.

Principal investigators

Les modèles d’apprentissage profond offrent des solutions prometteuses pour construire des modèles complexes à partir d’énormes quantités de données.

However, most of the recent models lack physical consistency and interpretability. Furthermore, they are not able to process data with irregular and unaligned sampling, which is common in multi-modal EO.

L’opération nécessite également de grandes quantités de données, qui sont rares et bruitées dans le domaine de l’observation de la Terre.

Consequently, current models have a restricted usage in large scale EO systems.

Co-chairs

Ce projet développera de nouvelles méthodes d’apprentissage de représentations auto supervisées afin de produire des représentations probabilistes et sémantiquement pertinentes à partir de données d’observation de la Terre multi-modales et de haute dimension.

L’originalité réside dans l’utilisation de connaissances préalables issues de modèles physiques dans les architectures de Deep Learning et dans la proposition d’avancées dans l’estimation de l’incertitude et l’interprétabilité.

Le système d’IA hybride proposé combinera les connaissances  physiques et le Deep Learning pour pré-entraîner des modèles capables d’apprendre, des représentations sémantiquement riches liées aux variables essentielles; des représentations génériques (données prêtes pour l’IA) qui peuvent être utilisées pour des tâches en aval.

Le système traitera des données multimodales afin de capturer des modèles spatio-temporels complémentaires. Des méthodes de DL guidées par la physique seront conçues pour conditionner le décodage des représentations génériques afin d’extraire et de prévoir les variables essentielles et leurs incertitudes.

Pour assurer la continuité dans le suivi des surfaces continentales, le système utilisera de nouvelles stratégies d’assimilation de données combinant des observations satellitaires avec des prévisions de modèles pré-entraînés.

Continual learning will be used to update the models in response to new EO data.

Non-stationary and long-term trends beyond the temporal range of the initial training will be accounted for.

Le projet soulève des questions scientifiques concernant l’apprentissage de représentations probabilistes conjointes, l’incorporation d’informations physiques a priori , l’utilisation efficace de modèles pré-entraînés et la mise à jour continue des modèles avec les données nouvellement acquises et les nouveaux capteurs en orbite.

Ne manquez rien !

Inscrivez-vous pour recevoir l'actualité d'ANITI chaque mois.

Nous n’envoyons pas de messages indésirables !

en_GBEnglish