STAGE : Vers un modèle spectral d'une feuille végétale, du visible au thermique

  • Internship, 5-6 months
  • Full-time
  • Experience: no preference
  • MBA
  • Algorithmie

Un modèle pour tous les unifier


Mission

Les propriétés spectrales d’une feuille dépendent fortement de sa composition biophysique et de sa structure, notamment de sa teneur en eau et en chlorophylle, ainsi que de l’épaisseur des différentes parties de la feuille. Ces propriétés varient également en fonction du domaine spectral considéré (visible et infrarouge thermique). L’observation de la végétation par imagerie satellite, dans ces différents domaines spectraux, permet d'extraire les caractéristiques biophysiques de la végétation et ainsi suivre son état de santé. Les missions TRISHNA [1] et LSTM [2], dont l’objectif est notamment de mesurer la température des surfaces continentales, permettront d’effectuer ces observations à haute résolution spatiale et avec une fréquence de revisite élevée, dans le visible et l’infrarouge thermique.

De nombreux modèles de transfert radiatif au niveau de la feuille ont été développés dans la littérature afin de relier les propriétés biophysiques de la feuille à ses propriétés spectrales. Parmi eux, le modèle PROSPECT [3] permet d’estimer le spectre de réflectance dans le domaine optique (0.4-2.5 µm) à partir des caractéristiques biophysiques telles que la teneur en eau et en chlorophylle. Des approches plus récentes, comme PROSPECT-VISIR [4], ont permis d’étendre cette modélisation jusqu’à 5.7 µm, tandis que des travaux de thèse ont conduit au développement d’un nouveau modèle dans le domaine de l’infrarouge thermique (8–14 µm).

Ces modèles ont cependant été développés pour différentes régions spectrales. Il n’existe actuellement pas de modèle unique permettant de relier les paramètres biophysiques d’une feuille à ses propriétés spectrales sur l'ensemble du spectre du visible à l’infrarouge thermique.

L’intérêt d’un tel modèle est également de permettre son inversion. On cherche alors à estimer les propriétés biophysiques de la feuille à partir du spectre de réflectance. Cette inversion est cependant un problème mal posé, car plusieurs combinaisons de paramètres peuvent produire des spectres similaires. Des approches par réseaux de neurones ont ainsi été développées dans les domaines du visible et du proche infrarouge [5] et pourront être étendues au modèle unifié.

Ce stage, qui se déroulera au Centre d'Études Spatiales de la Biosphère (CESBIO), a donc pour objectif de développer une modélisation unifiée de la feuille sur l’ensemble du spectre, de 0.4 à 14 µm. Cette unification est envisageable car les modèles actuels de la littérature reposent sur des formalismes proches.

Les différentes étapes du stage pourront être les suivantes :

  • Étude bibliographique des modèles de transfert radiatif de la feuille [3], [4].
  • Formulation et implémentation d’une modélisation unifiée de la feuille entre 0.4 et 14 µm.
  • Optimisation des paramètres du modèle par descente de gradient à l'aide de Python/Pytorch. 
  • Validation de l’implémentation sur des jeux de données réels.
  • Analyse de sensibilité des paramètres d’entrée du modèle en fonction du domaine spectral.
  • Création d'un dataset synthétique pour l'inversion du modèle à l'aide d'un réseau de neurones.
  • Entraînement et validation du réseau de neurones : analyse de sensibilité et des performances d’estimation des paramètres biophysiques. 

Références : 

[1] : https://cnes.fr/projets/trishna

[2] : https://www.esa.int/ESA_Multimedia/Images/2020/11/LSTM

[3] : https://www.sciencedirect.com/science/article/pii/003442579090100Z

[4] : https://www.sciencedirect.com/science/article/pii/S0034425710002841

[5] : https://step.esa.int/docs/extra/ATBD_S2ToolBox_V2.1.pdf

Le stage pourrait débuter en Mars 2027. 

Profile

Étudiant.e en dernière année d'école d’ingénieur / Université ou en Master 2, avec une spécialité en informatique et/ou en modélisation physique. 

*En tant qu'EPIC, un principe de neutralité (notamment politique et religieux) s'applique à tous les collaborateurs du CNES. 

Skills

Python, Télédétection, Traitement et analyse des données, apprentissage automatique
Autonomie, curiosité, organisation, adaptabilité