Thèse Compréhension et Cartographie par Machine Learning du Dégel du Pergélisolau Canada à Partir d'Imageries Satellitaires Multi-Temporelles H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Géosciences, climat, environnement et planètes École doctorale : Sciences de l'Environnement d'Ile-de-France Laboratoire de recherche : Géosciences Paris Saclay Direction de la thèse : Antoine SÉJOURNÉ ORCID 0000000339110090 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-01T23:59:59 Le pergélisol couvre 20 à 25 % de la surface terrestre de l'hémisphère nord, principalement dans l'Arctique et le Subarctique.L'augmentation récente de la moyenne des températures de l'air dans ces régions y est nettement plus élevée qu'à l'échelle mondiale.Les simulations climatiques prévoient un réchauffement continu. Dans certaines régions de Sibérie, d'Alaska et du nord du Canada, lepergélisol contient une grande proportion de glace (50 à 90 % en volume) et est appelé 'pergélisol riche en glace'. Le dégel dupergélisol riche en glace induit un affaissement du sol et la formation de lacs (processus thermokarst).
Les processus de dégel entraînent des modifications importantes des écosystèmes, que ce soit d'un point de vue hydrologique(effondrement sol, modification des flux d'eau), écosystémiques (modification végétation et sol), biogéochimiques (relargage de gaz àeffet de serre), sans oublier les impacts pour les populations locales (modification ressources en eau, stabilité infrastructure).
Cette thèse vise à comprendre et anticiper les transformations rapides du pergélisol et des écosystèmes nordiques, essentiels auxcommunautés locales au Canada. Pour cela, la thèse va développer des modèles d'IA pour détecter et cartographier automatiquementles structures liées au dégel du pergélisol (lacs, glissements de terrain) à partir d'imageries satellitaires multi-temporelles au Canada.
Cette thèse réunit le laboratoire GEOPS/Université de Paris-Saclay et le Département de Géomatique(CARTEL)/Université deSherbrooke sur l'étude des impacts du changement climatique dans l'Arctique à l'aide de l'intelligence artificielle.
Ce projet innovant allie télédétection, IA et savoirs locaux afin d'améliorer le suivi environnemental, la résilience et la gestion durabledes territoires arctiques. Le pergélisol (sol gelé en permanence) recouvre 24 % de la surface terrestre de l'hémisphère nord. La récente augmentation de la température de l'air dans l'Arctique est 3 à 4 fois plus rapide que la moyenne mondiale. Ce phénomène est particulièrement dramatique pour certaines régions du Canada qui possèdent l'un des pergélisols les plus riches en termes de teneur en glace (70 % de glace en volume). Ce changement rapide entraîne déjà le dégel du pergélisol, provoquant l'affaissement du sol et la formation de lacs(thermokarst).
Le dégel du pergélisol peut entraîner des changements importants dans les écosystèmes, avec la modification de l'hydrologie des sols et des flux d'écoulement des eaux souterraines. En outre, de grandes quantités de carbone organique et d'autres éléments inorganiques, auparavant piégés dans le pergélisol, sont libérées dans les systèmes aquatiques. Les micro-organismes transforment le carbone organique hautement biodégradable nouvellement disponible en gaz à effet de serre (CO2 et CH4), pouvant amplifier ainsi le réchauffement climatique. Cela représente également un risque pour les populations autochtones locales en raison des modifications des ressources en eau et de l'utilisation des terres.
En parallèle, les développements récents de l'Intelligence Artificielle (IA) apportent de nouvelles méthodes pour étudier les milieux arctiques. Les approches d'apprentissage automatique (ML; machine learning) permettent à un algorithme d'extraire de manière autonome les relations sous-jacentes entre différentes variables à partir d'un ensemble de données d'entraînement, puis de réaliser des prédictions sur des observations inédites. Le recours à des approches d'IA et ML constitue donc une avenue prometteuse pour intégrer des jeux de données hétérogènes (e.g., glissements de terrain, formation/drainage de lacs, végétation) et produire des cartes prédictives. Cette approche permet d'évaluer les conditions actuelles des paysages arctiques en tentant d'anticiper leur comportement futur. Cette thèse est basée sur 3 objectives :
1) Cartographier/classifier automatique des structures formées par le dégel du pergélisol (lacs, glissement de terrain, ravines, ...) et comprendre leur évolution depuis les années 1950
2) Développer des outils d'IA de reconnaissance/cartographie de structures de paysages sur des images satellites, dans plusieurs régions clés de l'Arctique canadien. Les données de télédétection sont des images aériennes (1950), des images satellites de haute résolution (1978 à 2027, CORONA-SPOT-Sentinel).
3) Comprendre l'évolution du pergélisol dans ces régions en relation avec des paramètres environnementaux (activités anthropiques,feux de forêt) et climatiques (changement de température et précipitation). Des techniques de détection de changements à base de réseaux de neurones profonds seront développées. La détection du changement se fera aussi bien à bas niveau ou au niveau des couvertures des sols. La comparaison avec la caractérisation sur le terrain des structures du paysage (lacs, rivières, écosystèmes, ...)sera importante pour valider les inférences.
Les sites d'étude basés sur des travaux de terrain du dégel du pergélisol riche en glace sur le terrain sont l'ouest du Yukon (village de Beaver Creek), le nord du Manitoba (village de Churchill) et le nord-ouest du Nunavut (village de Cambridge Bay/Ikaluktutiak). L'apport de l'IA permettra de cartographier rapidement de grandes zones (milliers de km² en cumulé) sur une large période temporelle (1950-2027). L'utilisation de l'IA à l'échelle de l'Arctique est au coeur de cette thèse.
L'approche, associée aux techniques de télédétection et de Machine Learning à chaque étape de la thèse, est la suivante :
- Année 1 : Étude bibliographique du dégel du pergélisol et des outils IA. Prise en main des outils et modèles disponibles sur une analyse d'une région. Examen doctoral.
- Année 2 : Séjour dans l'autre Université. Utilisation des modèles de fondation pour la détection des structures du paysage. Affinage des modèles par des approches semi-supervisées. Validation terrain des zones de changements. Participation à une conférence internationale pour présentation des résultats. Ecriture publication 1.
- Année 3 : Écriture de publication 2. Rédaction du manuscrit de thèse et soutenance.
L'ensemble des moyens utiles au sujet de thèse est déjà existant au sein de GEOPS et de l'Université de Sherbrooke, par exemple :
- Accès à une base de données de télédétection et de terrain sur plusieurs sites à travers l'Arctique (GEOPS). Une campagne de terrain dans chacun des sites est prévu pour vérifier certains résultats de la cartographie automatique.
- Accès à des calculateurs dédiés à l'apprentissage profond avec GPU (Université de Sherbrooke).
- Plusieurs modèles de segmentation sémantique entraînés sur de l'imagerie multi-spectrale (Sentinel-2).
- Outils pour faciliter l'apprentissage actif développés au CARTEL/DGA (Université de Sherbrooke).