DOCTORANT-E EN GÉODÉSIE - MODÉLISATION DE SÉRIES TEMPORELLES PAR APPRENTISSAGE AUTOMATIQUE

L’objectif principal de cette thèse est de développer une approche automatique innovante pour la modélisation de séries temporelles géodésiques, avec l’ambition d’approcher, voire de dépasser, les performances d’un opérateur humain. Les séries géodésiques ciblées dans cette thèse seront les séries de positions de stations GNSS. Cependant, l’objectif à plus long terme est de disposer d’une méthodologie adaptable à d’autres types de séries temporelles (séries de déplacements InSAR, de variations de gravité GRACE(-FO), ou de variables climatiques). Les modèles basés sur l’apprentissage automatique reposent fortement sur les données d’entraînement et d’évaluation. Or, en matière de séries GNSS, les jeux de données labelisés existants sont limités en taille (à quelques milliers de stations) et par la précision humaine (les discontinuités les plus petites ne sont pas forcément détectées). Pour surmonter ces problèmes, nous développons actuellement un simulateur de séries de positions de stations GNSS synthétiques réalistes. Ce générateur bénéficie de progrès récents en matière de modélisation de séries GNSS par l’équipe de géodésie de l’IGN et de l’IPGP. Sur la base de ce générateur de séries synthétiques réalistes, nous proposons un déroulement de thèse en trois étapes : 1. Evaluation d’approches de modélisation automatique existantes 2. Développement d’une nouvelle approche basée sur l’apprentissage automatique 3. Application de l’approche à des données réelles