Centre de documentation
scientifique

De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)  

Public Titre : De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond Type de document : Thèse/HDR Auteurs : Lionel Matteo, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 170 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse en vue de l’obtention du grade de docteur de l'Université Côte d'Azur, en Sciences de la Terre et de l’Univers Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] acquisition d'images [Termes IGN] analyse comparative [Termes IGN] apprentissage profond [Termes IGN] Arizona (Etats-Unis) [Termes IGN] Californie (Etats-Unis) [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] données topographiques [Termes IGN] faille géologique [Termes IGN] fusion de données multisource [Termes IGN] image captée par drone [Termes IGN] image multi sources [Termes IGN] image Pléiades-HR [Termes IGN] MicMac [Termes IGN] modèle de simulation [Termes IGN] modèle numérique de surface [Termes IGN] Nevada (Etats-Unis) [Termes IGN] reconstruction 3D [Termes IGN] semis de points [Termes IGN] stéréo-orthophotographie [Termes IGN] traitement de semis de points Index. décimale : THESE Thèses et HDR Résumé : (Auteur) Les failles sismogéniques sont la source des séismes. L'étude de leurs propriétés nous informe donc sur les caractéristiques des forts séismes qu'elles peuvent produire. Les failles sont des objets 3D qui forment des réseaux complexes incluant une faille principale et une multitude de failles et fractures secondaires qui "découpent" la roche environnante à la faille principale. Mon objectif dans cette thèse a été de développer des approches pour aider à étudier cette fracturation secondaire intense. Pour identifier, cartographier et mesurer les fractures et les failles dans ces réseaux, j'ai adressé deux défis : -1) Les failles peuvent former des escarpements topographiques très pentus à la surface du sol, créant des "couloirs" ou des canyons étroits et profond où la topographie et donc, la trace des failles, peut être difficile à mesurer en utilisant des méthodologies standard (comme des acquisitions d'images satellites optiques stéréo et tri-stéréo). Pour répondre à ce défi, j'ai utilisé des acquisitions multi-stéréos avec différentes configurations (différents angles de roulis et tangage, différentes dates et modes d'acquisitions). Notre base de données constituée de 37 images Pléiades dans trois sites tectoniques différents dans l'Ouest américain (Valley of Fire, Nevada ; Granite Dells, Arizona ; Bishop Tuff, California) m'a permis de tester différentes configurations d'acquisitions pour calculer la topographie avec trois approches différentes. En utilisant la solution photogrammétrique open-source Micmac (IGN ; Rupnik et al., 2017), j'ai calculé la topographie sous la forme de Modèles Numériques de Surfaces (MNS) : (i) à partir de combinaisons de 2 à 17 images Pléiades, (ii) en fusionnant des MNS calculés individuellement à partir d'acquisitions stéréo et tri-stéréo, évitant alors l'utilisant d'acquisitions multi-dates et (iii) en fusionnant des nuages de points calculés à partir d'acquisitions tri-stéréos en suivant la méthodologie multi-vues développée par Rupnik et al. (2018). J’ai aussi combiné, dans une dernière approche (iv), des acquisitions tri-stéréos avec la méthodologie multi-vues stéréos du CNES/CMLA (CARS) développé par Michel et al. (2020), en combinant des acquisitions tri-stéréos. A partir de ces quatre approches, j'ai calculé plus de 200 MNS et mes résultats suggèrent que deux acquisitions tri-stéréos ou une acquisition stéréo combinée avec une acquisition tri-stéréo avec des angles de roulis opposés permettent de calculer les MNS avec la surface topographique la plus complète et précise. -2) Couramment, les failles sont cartographiées manuellement sur le terrain ou sur des images optiques et des données topographiques en identifiant les traces curvilinéaires qu'elles forment à la surface du sol. Néanmoins, la cartographie manuelle demande beaucoup de temps, ce qui limite notre capacité à produire cartographies et mesures complètes des réseaux de failles. Pour s'affranchir de ce problème, j'ai adopté une approche d'apprentissage profond, couramment appelé un réseau de neurones convolutifs (CNN) - U-Net, pour automatiser l'identification et la cartographie des fractures et des failles dans des images optiques et des données topographiques. Volontairement, le modèle CNN a été entraîné avec une quantité modérée de fractures et failles cartographiées manuellement à basse résolution et dans un seul type d'images optiques (photographies du sol avec des caméras classiques). A partir d'un grand nombre de tests, j'ai sélectionné le meilleur modèle, MRef et démontre sa capacité à prédire des fractures et des failles précisément dans données optiques et topographiques de différents types et différentes résolutions (photographies prises au sol, avec un drone et par satellite). Le modèle MRef montre de bonnes capacités de généralisations faisant alors de ce modèle un bon outil pour cartographie rapidement et précisément des fractures et des failles dans des images optiques et des données topographiques. Note de contenu : Introduction générale Partie 1 - Reconstruction 3D haute résolution 1. Introduction 1.1 Les données topographiques, une solution pour analyser la surface terrestre 1.2 Le récent développement de satellites à capteur optique 1.3 La reconstruction 3D à partir d’images optiques : la photogrammétrie 1.4 Problématique du sujet 2. Acquisitions de données et sites d’études 2.1 Acquisitions d’images satellitaires 2.2 Données LiDAR aéroportées 2.3 Acquisitions d’images par drone 2.4 Acquisitions d’images par appareil photo suspendu à une perche 2.5 Acquisitions de points d’appui 2.6 Sites d’études 3. Calcul de MNS et estimation de leur performance 3.1 Micmac (IGN) 3.2 CARS (CNES/CMLA) 3.3 Quatre méthodes pour calculer des MNS 3.4 Performances des MNS 4. Résultats 4.1 MNS calculés avec des acquisitions multi-dates 4.2 Fusion de MNS calculés avec des acquisitions mono-dates 4.3 Reconstruction 3D à partir de nuage de points fusionnés 4.4 Analyses des MNS générés avec CARS 4.5 Comparaison des méthodes B, C et D dans la zone de Canyons de Valley of Fire 65 4.6 Utilisation de 1 à 4 GCPs pour calculer un MNS 4.7 Application de la méthode B aux deux autres sites 5. Discussion 5.1 La reconstruction 3D à partir d’acquisitions multi-dates 5.2 L’impact des méthodes B, C et D dans la performance des MNS finaux 5.3 Les erreurs possibles dans le calcul des erreurs du géoréférencement des MNS 5.4 La comparaison des MNS Pléiades calculés à d’autres MNS 6. Conclusions Partie 2 - Automatic fault mapping in remote optical images and topographic data with deep learning - submitted to JGR: Solid Earth 7. Introduction 8. Image, topographic and fault data 8.1 Fault Sites 8.2 Optical image and topographic data 8.3 Fault ground truth derived from manual mapping 9. Deep learning methodology 9.1 Principles of Deep Learning and Convolutional Neural Networks 9.2 Architecture of the CNN model used in present study 9.3 Training procedure 9.4 Estimating the performance of the models 10. Defining a “reference model” MRef 10.1 Selecting the most appropriate CNN architecture 10.2 Sensitivity of model performance to training data size 10.3 Sensitivity of model performance to “quality” of training data 10.4 Refrence model 11. Detailed evaluation of reference model fault predictions 11.1 Results in sites A and B 11.2 Predictions in unseen data of similar type 11.3 Predictions in unseen data of different type 12. Discussion 12.1 U-net appropriate for fracture and fault detection in optical images 12.2 Interpreting learnt characteristics of faults and fractures 12.3 Conditions for model generalization 12.4 Uncertainties and model robustness 12.5 Recovering fault hierarchy and connectivity 13 Conclusions Conclusion générale Numéro de notice : 26555 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la Terre et de l'Univers : Côte d'Azur : 2020 Organisme de stage : Géoazur UMR 7329 - Observatoire de la Côte d'Azur nature-HAL : Thèse Date de publication en ligne : 02/06/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03245713/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97965