Contact : Abdesslam BENZINOU
Contexte et objectifs
Pour répondre aux défis environnementaux liés aux changements climatiques et à la perte de biodiversité auxquels la société est confrontée, des efforts considérables sont consentis depuis plusieurs décennies pour accroître la collecte de données observationnelles de l’environnement (signaux, images et séries temporelles). Au niveau mondial, plus de 90% des données environnementales ont été générées au cours des trois dernières années. Dans ce contexte, les techniques d’intelligence artificielle [1] (IA) et en particulier les sciences de la donnée (« data science ») et l’apprentissage automatique (ou « machine learning ») ont un rôle majeur à jouer dans l’analyse et l’exploitation des données/observations environnementales. Le développement de ces technologies permet d’accomplir automatiquement des tâches cognitives de perception, de compréhension et de décision. Il s’agit in fine d’apporter un accompagnement auprès des acteurs (ONG, décideurs politiques, société civile, secteur privé) pour un impact plus efficace sur l’environnement et sur les activités humaines. OSE se positionne dans ce continuum entre la recherche méthodologique en traitement du signal & IA et les applications d’intérêt pour l’environnement en mettant l’accent sur la télédétection multimodale de l’environnement marin : i.e. la télédétection océanique (images satellitaires), le monitoring de l’environnement marin (images aériennes, données GNSS, ARGOS, AIS, etc.) et sous-marin (acoustique passive, images vidéo sous-marines).
Alors que les technologies d’IA semblent atteindre une certaine maturité, les performances d’une tâche d’automatisation dépendent beaucoup de la problématique à résoudre, de la qualité du jeu de données reçu et des algorithmes apprenants. Une des préoccupations de notre équipe concerne l’amélioration de la performance des algorithmes d’IA par la prise en compte approfondie de la nature des phénomènes dont on cherche à extraire de l’information (sans toutefois perdre la capacité de généralisation des outils développés à d’autre cas d’usage similaire). Trois aspects de l’interface entre IA et monitoring de l’environnement marin sont adressés : IA & physique, IA & robustesse et IA & problèmes inverses. Cela passe, par exemple, par l’incorporation de la physique sous-jacente aux observations dans l’apprentissage de la représentation optimale en vue de la réalisation de la tâche dédiée. Il peut également être souligné les recherches de l’équipe sur la robustesse et l’adaptabilité des algorithmes apprenants face aux évènements rares, aux données manquantes et/ou incomplètes et à la forte variabilité naturelle dans l’information environnementale. Le troisième aspect correspond à essayer d’utiliser des stratégies d’IA, à partir de grands jeux de données, pour la résolution de problèmes inverses environnementaux (interpolation de données, reconnaissance de cibles, inversion de signaux géophysiques, réduction d'information, etc.). L’objectif est le plus souvent d’estimer l’état caché des systèmes ainsi que de quantifier des incertitudes liées aux processus sous-jacents.
Exemples de travaux
- Apprentissage de solvers et modèles variationnels pour l'assimilation de données et la reconstruction de dynamiques géophysiques à la surface de l’océan.
- Pondération des simulations climatiques, en utilisant des approches basées sur les données, afin de mieux caractériser les projections climatiques futures.
- Reconnaissance d'objets 3D basée sur le deep-learning pour l'identification automatique d'espèces benthiques.
- Suivi par acoustique passive des cétacés dans l'océan Indien à l'aide d'un glider acoustique.
- Reconnaissance d'espèces de poissons dans des images vidéo sous-marines.
Collaborations
Entreprises : Thales, NavalGroup, CLS, Eodyn, Actimar, Hytech-imaging.
Institutions : CNES, DGA, IFREMER, IUEM, INRIA, Météo France, Mercator Ocean, IRISPACE, EUR ISblue, SHOM, FEM.
Académiques : GIPSA, Marbec, Sorbonne Univ, UCLA (Computational and Applied Mathematics group), Univ. of Washington (Applied Phys. Lab., Applied Math. Dept), Australian Antarctic Division, Barcelona Supercomputer Center, NERSC, Univ. of Dalhousie (Institute of Big Data Analytics), IMEDEA (Espagne), RIKEN (Japon), Univ. Laval (Canada), ETH Zurich, Univ. Buenos Aires (CIMA, Argentine).
GDR : GDR ISIS.
[1] https://www.inria.fr/actualite/actualites-inria/livre-blanc-sur-l-intelligence-artificielle