Le portail francophone de la géomatique

Stage de fin d’études / de césure en Géomatique et Data Science
Typologie des favelas à partir de données environnementales multi-sources
Aire d’études : Rio de Janeiro (Brésil)

Mots clés : données géospatiales, classification intra-urbaine, analyses santé-environnement
Structure : UMR Espace-Dev, Institut de Recherche pour le Développement (IRD)
Localisation : Montpellier, Maison de la Télédétection
Durée : 6 mois
Date d’entrée en poste : Février – Mars 2025
Revenu : Gratification prise en charge au taux en vigueur
Candidater : Envoyer CV et lettre de motivation à nadine.dessay@texte-a-enlever.ird.fr,  joris.guerin@texte-a-enlever.ird.fr, laurent.demagistri@texte-a-enlever.ird.fr, thomas.hallopeau@texte-a-enlever.ird.fr

Contexte

L’IRD est un organisme français de recherche sur les relations entre l’homme et son environnement en Afrique, Méditerranée, Amérique latine, Asie et dans l’Outre-Mer tropical français. L'UMR Espace-Dev est un laboratoire multidisciplinaire. L'unité développe des recherches sur les dynamiques spatiales qui caractérisent les éco-sociosystèmes, en utilisant des modèles numériques et/ou de connaissances basés sur des données d’observation, en particulier issues de l’observation spatiale.
Ce stage s’inscrit dans le cadre du projet MATHIS «Méthodes Automatiques de Télédétection des Habitats Informels pour la Santé», qui vise à comprendre les déterminants impliqués dans la transmission de maladies infectieuses en environnement urbain.
Les objectifs principaux de ce projet CNES-TOSCA sont :

1. Développer des méthodes de cartographie automatique des favelas, dont la croissance est rapide et non contrôlée, sur la ville de Rio de Janeiro (Brésil).
Deux méthodes de cartographie automatique des favelas ont été développées, basées sur deux types de variables :
     - «Handcrafted features», des variables calculées manuellement inspirées de [1] : indices spectraux dérivés d’images Pléiades, indices dérivés d’un MNT, indices calculés à partir de données OpenStreetMap.
     - «Deep features», des caractéristiques extraites par apprentissage profond sur des images Sentinel-1 et Sentinel-2 avec le réseau de neurones pré-entraîné CROMA [2] (un «Remote Sensing Foundation Model», RSFM).

2. Définir une typologie des favelas à partir de données satellitaires et d’informations de santé. Le stage s’inscrit dans cette deuxième phase du projet, dont le but n’est plus de différencier les favelas avec le reste de la tache urbaine, mais de différencier les favelas entre-elles en identifiant différents profils de favelas.

Objectif

Le stage a pour objectif principal de développer une typologie des favelas en regroupant celles-ci selon leurs caractéristiques environnementales. Ces caractéristiques seront issues des approches de détection existantes ou enrichies par d'autres données pertinentes.
Le/La stagiaire utilisera donc des techniques de classification et de regroupement (clustering) pour établir une typologie des favelas selon :
     - Les «handcrafted features», issues de la première approche de détection,
     - Les «deep features»,  issues de la seconde approche de détection,
     - D’autres caractéristiques à explorer, incluant notamment des indicateurs dérivés de la température de surface, qui ont également fait l’objet d’un travail précédent au sein du projet MATHIS.
Si les données sont disponibles et que le temps le permet, le/la stagiaire pourra éventuellement intégrer des informations liées à la santé.

Profil et compétences recherchés

Étudiant(e) en Master 2 ou en école d’ingénieurs dans les domaines suivants: géomatique, télédétection, science des données…
Compétences en programmation Python (bibliothèques GeoPandas, Scikit-Learn, Rasterio appréciées)
Capacités d’analyses et rédactionnelles
Un intérêt pour la géographie urbaine serait également apprécié

Références

[1] Karen Owen et David Wong. An approach to differentiate informal settlements using spectral, texture, geomorphology and road accessibility metrics. Applied Geography, vol. 38, pp. 107–118, Mars 2013. doi : 10.1016/j.apgeog.2012.11.016. (visité le 18/09/2024).

[2] Anthony Fuller, Koreen Millard et James R. Green. CROMA : Remote Sensing Representations with Contrastive Radar-Optical Masked Autoencoders. arXiv :2311.00566 [cs.CV]. Nov. 2023. doi : 10.48550/arXiv.2311.00566. url : http://arxiv.org/abs/2311.00566 (visité le 18/09/2024).