Alternance utilisation deep learning séries-temporelles d'évapotranspiration

L'évapotranspiration (ET) est le processus biophysique de transfert d'une quantité d'eau vers l'atmosphère, par l'évaporation au niveau du sol et par la transpiration des plantes. Elle joue un rôle clé dans le cycle de l'eau. À l'échelle mondiale, près des deux tiers des précipitations sur les terres sont renvoyés dans l'atmosphère par l'ET. La distribution temporelle et spatiale de l'ET est une information importante pour déterminer la consommation d'eau des terres agricoles, évaluer les conditions de sécheresse et surveiller les cultures.
C'est dans ce contexte qu'est née la mission Thermal infraRed Imaging Satellite for High-resolution Natural resource Assessment (TRISHNA). Il s'agit d'une mission en collaboration entre le CNES et l'Indian Space Research Organisation (ISRO). L'objectif de la mission TRISHNA est fournir des images optiques et thermiques avec une résolution spatiale de 60 m sur l'ensemble des terres émergées et une revisite de 3 jours dans le pire des cas. Pour chaque acquisition de jour, TRISHNA calculera plusieurs produits d'ET. De plus, pour répondre aux besoins dans le secteur agricole, TRISHNA produira des séries temporelles contenant une information d'ET pour chaque jour. Ces séries temporelles utilisent des algorithmes basés sur des techniques d'interpolation pour estimer l'ET les jours sans acquisition TRISHNA.
Dans le cadre de cette alternance, l'objectif est d'étudier si les approches de deep learning permettent d'améliorer la qualité des séries temporelles produites par rapport aux approches classiques.
Le plan de travail est composé :
1. d'une phase de montrée en compétences :
* Découverte des données satellites dans le domaine de l'infrarouge thermique ainsi que du calcul de l'évapotranspiration à partir de ces données.
* Prise en main des algorithmes existants sur TRISHNA notamment sur le niveau 3 pour la génération de séries temporelles d'évapotranspiration
* Prise en main des bibliothèques et outils de deep learning ainsi que de l'environnement de calcul
2. du développement d'une approche basée sur des transformers ou des mécanismes d'attention pour générer des séries temporelles d'évapotranspiration :
* Mise en place d'un dataset
* Création de l'architecture
* Apprentissage du modèle
* Validation du modèle par comparaison avec des produits existants ainsi qu'avec les produits générés par les algorithmes actuels de TRISHNA
3. de proposition d'amélioration de la méthode notamment pour être plus robuste à l'absence de données notamment dans le cas des périodes de mousson. Il s'agira d'analyser la fusion avec d'autres données spatiales ou météorologiques.