i-Nondations: a french research project funded by the ANR

.
The project i-Nondations (e-flooding) aims to handle fast floods to improve crisis management and resiliency.
Every year floods happen. Solutions exist for slow floods but fast ones are difficult to predict and to handle. This project aims to model fast floods in term of risk management and impact on the infrastructures using data collected by technological or human sensors.

More details about fast floods management in i-Nondations.

PROPOSITION DE STAGE – 2019: stage de 6 mois :
DEEP LEARNING ET TRAITEMENT D ’ IMAGES SATELLITES.

Le Cerema est actuellement partenaire du projet ANR i-Nondations dont l’objectif est d’intégrer les
informations extraites des images satellites dans un processus décisionnel automatisé de gestion de crise ou à plus long terme de prévention des risques sur un territoire donné. Le Cerema a développé une chaîne de traitement d’images satellites basée sur le Machine Learning pour extraire de manière automatique les informations en réponse aux besoins des acteurs du territoire en matière de Risques naturels et Occupation du sol. Cette chaîne est essentiellement basée sur des classifications supervisées pixel. Elle est développée en python et fait appel à l’Orfeo ToolBox. Dans le contexte actuel, et dans le cadre du projet ANR i-Nondations, le Cerema souhaite enrichir cette chaîne et ses algorithmes avec les méthodes de Deep learning.

L’objectif du stage est d’investiguer le Deep Learning pour extraire de manière efficace et robuste des informations fournies par les images satellites au regard des besoins des acteurs des territoires en matière d’aménagement et de risques naturels.
Les travaux prévus sont :

  • un Etat de l’art des algorithmes de Deep Learning adaptés à la problématique, des outils et
    bases de données d’apprentissage disponibles ou à mettre en place
  • la mise en place des outils utiles aux problématiques ciblées
  • la réalisation de tests sur des objets ciblés au regard des besoins du projet ANR et des
    résultats de l’État de l’art (un premier test sur les bâtiments pourrait être effectué avec et
    sans approche pixel)

PRINCIPALES TACHES
Bibliographie : Prise de connaissance des besoins, Etat de l’art des algorithmes de Deep Learning et des outils disponibles, Prise de connaissance de la chaîne de traitement
Développement :  Mise en place des outils nécessaires ;  Intégration dans la chaîne de traitement
Capitalisation :  Rédaction d’un rapport sur le travail effectué ; Transfert à l’équipe : présentation et tutoriel si adapté.

COMPETENCES/FORMATION REQUISES

  • Python
  • Réseaux de neurones, librairies TensorFlow
  • Informatique, télédétection
  • Esprit d’initiative, proactivité et autonomie
  • Capacité à rendre compte
  • Travail en équipe

Contact : Christelle BOSC
Pôle « Observation des Territoires et Applications Spatiales »
Cerema/DTerSO/DALETT/SCGSI
christelle.bosc @cerema.fr

Sujet de master en français : Utilisation de techniques de Machine Learning pour améliorer la gestion des i-nondations

Détail : Dans le cadre du projet ANR i-Nondations, une tâche consiste à capitaliser les expériences des crises précédentes pour éviter les suivantes. Les données manipulées sont des données quantitatives (capteurs de hauteur d’eau, topographie du lieu, images satellites, ressources mobilisées pour gérer la crise) et des données qualitatives (issues d’enquêtes de terrain auprès des collectivités et des personnes touchées). Les inondations, selon leur gestion, ont abouti in fine à des dégâts plus ou moins importants qui sont mesurables. L’utilisation du machine learning permettrait de dégager des pratiques qui limiterait le coût humain et/ou financier (l’objectif étant à définir). La particularité spécifique au contexte proposé est l’incertitude des données et leur non complétude sur l’ensemble des cas d’étude. Par exemple, dans certains cas, les ressources mobilisées n’ont pas été clairement identifiées lors de la crise (combien de pompiers, combien de véhicules), ou certains territoires n’ont pas beaucoup d’images satellites car la couverture nuageuse était trop importante au moment de la crise, certains capteurs étaient absents…

Dans un premier temps, le stagiaire fera un état de l’art des techniques d’apprentissage utilisées dans le cadre de la gestion de crise, en particulier d’inondation. Beaucoup de projets de recherche à l’échelle internationale s’intéressent à cette problématique, permettant d’avoir des premières pistes de réflexion et d’en comprendre les limites dans le cas précis des inondations.
Dans un second temps, le stagiaire devra proposer l’utilisation des techniques d’apprentissage les plus adaptées, puis de tester avec un sous ensemble de données du projet i-Nondations ses propositions.

Encadrement : Jean-Marc Pierson. Contact : pierson@irit.fr