Thèse Adaptation de Domaine Multi-Cibles pour les Séries Temporelles d'Images Satellites Reconstruction de Cartes Historiques de l'Occupation du Sol à Partir des Archives Landsat H/F

Doctorat.Gouv.Fr

  • Montpellier - 34
  • CDD
  • Bac +5
  • Service public d'état
Lire dans l'app

Détail du poste

Établissement : Université de Montpellier École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : TETIS - Territoire Environnement Teledetection et Information Spatiale Direction de la thèse : Dino IENCO ORCID 0000000287363132 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-11T23:59:59 Contexte et motivation

Ce projet de thèse porte sur la reconstruction de cartes historiques d'occupation du sol à partir des archives Landsat, pour la période 1980-2000. Si les produits actuels d'occupation du sol (basés sur Sentinel-2, comme Theia OSO ou ESA WorldCover) bénéficient de séries temporelles denses et de méthodologies reproductibles, aucun équivalent systématique n'existe pour la période antérieure à 2000, malgré la richesse des archives Landsat (TM, ETM+, OLI) qui couvrent plus de quatre décennies avec une bonne cohérence radiométrique.

Cette lacune est problématique pour le suivi de la biodiversité à long terme, car les processus écologiques (perte d'habitat, fragmentation, déclin de la connectivité) se déploient sur des échelles de temps pluri-décennales - précisément la période la moins bien documentée.

Approche méthodologique

Le projet formule ce problème comme une tâche d'adaptation de domaine (domain adaptation) : transférer les connaissances sémantiques des produits actuels bien documentés vers les époques historiques non annotées, via l'archive Landsat homogène.

Trois défis scientifiques structurent la thèse :

Adaptation de domaine multi-cibles avec lissage temporel - chaque année/époque historique constitue un domaine cible non annoté, mais contrairement aux formulations classiques de MTDA (multi-target domain adaptation), ces domaines forment une chaîne temporellement ordonnée où les transitions d'occupation du sol sont physiquement contraintes.
Passage du niveau pixel au niveau spatio-temporel - extension vers des architectures modernes (U-TAE, TsViT) intégrant régularisation spatiale et temporelle conjointement.
Couplage avec l'apprentissage auto-supervisé (piste exploratoire) - exploiter le volume important de données Landsat non annotées via des objectifs de pré-entraînement auto-supervisé.
Objectifs de recherche
O1 : Formaliser l'adaptation multi-cibles au niveau pixel avec régularisation de lissage temporel
O2 : Étendre vers une adaptation spatio-temporelle avec architectures de type transformer
O3 : Valider les cartes reconstruites, quantifier l'incertitude, et démontrer leur utilité pour le calcul d'indicateurs écologiques (fragmentation, connectivité)
Données et calendrier

Le projet s'appuiera sur l'archive Landsat complète (1980-présent), un produit de référence actuel (ex. Theia OSO) pour superviser le domaine source, et Corine Land Cover comme ancrages historiques épars. Sur 3 ans : an 1 (formulation pixel), an 2 (extension spatio-temporelle), an 3 (période 1980-1990 non supervisée, validation, applications écologiques).

Inscription dans PEPR Dynabiod

La thèse s'inscrit dans le WP3 du programme PEPR Dynabiod, qui vise à produire des séries temporelles longues de données de pression environnementale pour interpréter les dynamiques de biodiversité. Elle opérationnalise concrètement l'exploitation des archives satellitaires historiques identifiées comme source de données par le WP3.1, avec une coordination possible sur les « terrains communs » du projet. Le projet de thèse s'insère dans le cadre du PEPR Dynabiod -
https://www.enseignementsup-recherche.gouv.fr/fr/dynabiod-un-programme-de-recherche-ambitieux-dedie-la-biodiversite-terrestre-103148

Le profil recherché

- Apprentissage automatique et apprentissage profond (supervisé et non supervisé)
- Techniques d'adaptation de domaine (apprentissage adversarial, méthodes basées sur la divergence, auto-apprentissage/pseudo-étiquetage)
- Analyse de séries temporelles d'images satellitaires (SITS)
- Classification d'images de télédétection et cartographie de l'occupation du sol
- Programmation Python
- Frameworks d'apprentissage profond (PyTorch, TensorFlow)
- Traitement de données sur archives satellitaires à grande échelle
- Gestion de versions (Git)
- Calcul haute performance / GPU

Publiée le 28/08/2026 - Réf : c2473fe030c45a7869f5e043f8fffc32

Postuler
Créez votre compte
Hellowork et postulez

sur le site du partenaire !

Voir plus d'offres
Les sites
L'emploi
  • Offres d'emploi par métier
  • Offres d'emploi par ville
  • Offres d'emploi par entreprise
  • Offres d'emploi par mots clés
L'entreprise
  • Qui sommes-nous ?
  • On recrute
  • Accès client
Les apps
Nous suivre sur :
Informations légales CGU Politique de confidentialité Gérer les traceurs Accessibilité : non conforme Aide et contact