Julian Le Deunf a brillamment soutenu sa thèse "Apprentissage automatique de données massives bathymétriques pour l'optimisation de systèmes de levés hydrographiques" lundi 12 décembre 2022. Ce travail a été réalisé au sein du département LUSSI d'IMT Atlantique et du Lab-STICC pôle DMID équipe DECIDE, et aussi avec le SHOM.
Mot clés : Apprentissage machine ; Détection d’erreurs ; Donnée bathymétrique ; Aide à la décision multicritère
Vue 3D isométrique de la prédiction de fonds marins à partir de données LiDAR bathymétriques.
Résumé : Les services hydrographiques ont pour pour mission de connaître et décrire l’environnement physique marin dans ses relations avec l’atmosphère, les fonds marins et les zones littorales, d’en prévoir l’évolution et d’assurer la diffusion des informations correspondantes. Dans le cadre de ces missions, dont la sécurité de la navigation est la mission fondamentale, ils réalisent des campagnes à la mer afin d’acquérir le maximum d’informations bathymétriques et océanographiques sur une zone précise. Dans ce manuscrit, nous proposons différentes méthodes visant à faciliter le travail quotidien des opérateurs en considérant différents niveaux d’échelles : micro, meso et macro. Le niveau micro touche à la donnée et donc, dans notre cas, à la sonde bathymétrique afin d’en extraire le maximum de valeur ajoutée possible. Le niveau meso construit à partir de cette donnée bathymétrique les bonnes informations permettant de détecter des données aberrantes via des méthodes d’apprentissage machine dans les lots de données bathymétriques. Enfin, le niveau macro s’attache à la qualification du levé dans son intégralité tout en prenant en compte les préférences de l’utilisateur final via des méthodes d’aide à la décision multicritère.