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
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
- 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