L’estimation des champs de précipitations depuis l’espace constitue un enjeu clé, tant pour la quantification globale des précipitations que pour le suivi de leur évolution dans le contexte du changement climatique. La mission internationale Global Precipitation Measurement (GPM) vise à fournir des produits de précipitation globaux à partir d’une constellation hétérogène de capteurs micro-ondes. Le satellite principal (Core Observatory) embarque le radiomètre GMI (GPM Microwave Imager) et le radar de précipitations bi-fréquences DPR (Dual-frequency Precipitation Radar), servant de référence. Les satellites partenaires n’embarquent qu’un radiomètre micro-ondes, introduisant une hétérogénéité instrumentale qui rend l’estimation cohérente des précipitations plus complexe. Dans l’équipe, un modèle basé sur CycleGAN a déjà été exploré pour la generalisation de domaine entre différents radiomètres, ouvrant la voie à l’adaptation de l’algorithme DRAIN à l’ensemble de la constellation GPM.

Objectifs du stage
Le stage a pour objectif de développer des approches de généralisation de domaine permettant de transformer les températures de brillance (TB) issues des radiomètres micro-ondes de la constellation GPM en pseudo-TB réalistes dans le domaine du radiomètre GMI. L’enjeu n’est pas seulement de reproduire fidèlement les caractéristiques spectrales du GMI, mais surtout de préserver les informations pertinentes pour l’estimation des précipitations.

En fonction de la revue bibliographique, l’étudiant implémentera un ou plusieurs modèles d’adaptation de domaine (par ex. méthodes adversariales, modèles de diffusion conditionnelle, architectures de type domain generalization) et les comparera à la méthode CycleGAN déjà utilisée dans l’équipe. Les performances seront évaluées sur la capacité des pseudo-TB obtenues à alimenter efficacement l’algorithme DRAIN pour l’estimation quantitative des précipitations sur différents instruments et zones géographiques, avec un focus sur la cohérence statistique globale.

Programme de travail

Revue bibliographique sur la généralisation de domaine
2.     Implémentation et test de méthodes d’adaptation de domaine

3.     Intégration et évaluation de DRAIN sur la constellation GPM.

4.     Analyse de la robustesse et de la transférabilité des résultats (par zones climatiques, saisons, régimes de précipitation).

Compétences attendues

Connaissances et Intérêt pour l’ apprentissage profond (PyTorch).
Intérêt pour les applications de l’IA à la télédétection spatiale, à l’observation de la terre.

référence biblio

Viltard, N., Sambath, V., Lepetit, P., Martini, A., Barthès, L., & Mallet, C. (2023). Evaluation Of Drain, A Deep-Learning Approach To Rain Retrieval From Gpm Passive Microwave Radiometer. IEEE Transactions on Geoscience and Remote Sensing.

Sambath, V., Viltard, N., Barthès, L., Martini, A., & Mallet, C. (2022). Unsupervised domain adaptation for global precipitation measurement satellite constellation using cycle generative adversarial nets. Environmental Data Science, 1, e24.

Su, X., Song, J., Meng, C., & Ermon, S. (2022). Dual diffusion implicit bridges for image-to-image translation. arXiv preprint arXiv:2203.08382.

Wang, J., Lan, C., Liu, C., Ouyang, Y., Qin, T., Lu, W., … & Yu, P. S. (2022). Generalizing to unseen domains: A survey on domain generalization. IEEE transactions on knowledge and data engineering, 35(8), 8052-8072.

Zheng, Y., Su, J., Zhang, S., Tao, M., & Wang, L. (2024). Dehaze-tggan: Transformer-guide generative adversarial networks with spatial-spectrum attention for unpaired remote sensing dehazing. IEEE Transactions on Geoscience and Remote Sensing