Contexte

Les radiomètres micro-ondes embarqués sur satellites mesurent des températures de brillance (Tb) à partir desquelles on peut estimer le taux de pluie au sol. Le satellite principal de la constellation GPM porte à la fois le radiomètre GMI et le radar DPR, ce qui fournit une base d’entraînement très conséquente pour des réseaux de neurones d’estimation des précipitations comme DRAIN [2] ou GPROF-NN [1]. Les autres radiomètres de la constellation (SSMIS, ATMS, etc.) n’ont pas de radar. Ils ne disposent que de très peu de pluies de référence, et le transfert direct d’un algorithme entraîné sur GMI fonctionne mal, car leurs canaux, résolutions, géométries d’acquisition et étalonnages diffèrent.

Sujet du stage

L’objectif du stage est d’augmenter les données d’entraînement de ces capteurs en générant des paires synthétiques (Tb, taux de pluie) réalistes. Pour cela, il faudra :

apprendre un modèle génératif de type flow matching [3, 4, 5, 6], ou éventuellement TarFlow [7], là où les données sont abondantes (GMI + DPR) ;
adapter ce modèle au capteur ciblé à partir du peu de paires disponibles, avec des méthodes de réglage fin efficace en paramètres (PEFT) comme LoRA [8] ou ControlNet [9] ;
générer un grand nombre de scènes synthétiques et les ajouter aux données réelles pour entraîner le réseau d’estimation de la pluie ;
évaluer les scènes générées et, surtout, le gain du réseau d’estimation par rapport à la pluie de référence du radar DPR.
Selon l’avancement, le stage pourra s’étendre à d’autres capteurs, dont des satellites géostationnaires infrarouges, ainsi qu’à la génération conditionnelle et à l’édition de scènes.

Références

[1] S. Pfreundschuh, C. Guilloteau, P. J. Brown, C. D. Kummerow, P. Eriksson. GPROF V7 and beyond: assessment of current and potential future versions of the GPROF passive microwave precipitation retrievals against ground radar measurements over the continental US and the Pacific Ocean. Atmos. Meas. Tech., 17, 515-538, 2024. doi:10.5194/amt-17-515-2024.

[2] N. Viltard, V. Sambath, P. Lepetit, A. Martini, L. Barthès, C. Mallet. Evaluation of DRAIN, a Deep-Learning Approach to Rain Retrieval from GPM Passive Microwave Radiometer. IEEE Transactions on Geoscience and Remote Sensing, 2023. doi:10.1109/TGRS.2023.3293932.

[3] Y. Lipman, R. T. Q. Chen, H. Ben-Hamu, M. Nickel, M. Le. Flow Matching for Generative Modeling. arXiv:2210.02747, 2023.

[4] X. Liu, C. Gong, Q. Liu. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow. arXiv:2209.03003, 2022.

[5] M. S. Albergo, N. M. Boffi, E. Vanden-Eijnden. Stochastic Interpolants: A Unifying Framework for Flows and Diffusions. arXiv:2303.08797, 2025.

[6] Z. Geng, M. Deng, X. Bai, J. Z. Kolter, K. He. Mean Flows for One-step Generative Modeling. arXiv:2505.13447, 2025.

[7] S. Zhai et al. Normalizing Flows are Capable Generative Models. arXiv:2412.06329, 2025.

[8] E. J. Hu, Y. Shen, P. Wallis, Z. Allen-Zhu, Y. Li, S. Wang, L. Wang, W. Chen. LoRA: Low-Rank Adaptation of Large Language Models. arXiv:2106.09685, 2021.

[9] L. Zhang, A. Rao, M. Agrawala. Adding Conditional Control to Text-to-Image Diffusion Models. arXiv:2302.05543, 2023.