Soutenance thèse de Pierre-Laurent Cristille le 12 mai

Français :

Fusion de données avec apprentissage profond pour les missions spatiales

L’idée centrale est de remplacer la vérité terrain indisponible par une supervision synthétique, en modélisant précisément le processus d’observation de chaque instrument. Pour l’observation de la Terre, des jeux de données synthétiques dédiés ont été générés à partir d’images hyperspectrales EnMAP, permettant une fusion robuste entre les missions Sentinel-2 et Sentinel-3 avec une haute fidélité spectrale et une cohérence spatiale.

Ce cadre est ensuite étendu au domaine bien plus difficile des observations astronomiques avec le télescope spatial James Webb. Là, la vérité terrain est fondamentalement inaccessible et la dimensionnalité spectrale est extrême. Un pipeline dédié de génération de données astrophysiques synthétiques a été développé, ainsi qu’une nouvelle architecture d’apprentissage profond spécifiquement conçue pour la fusion de l’imageur et du spectromètre MIRI, capable de traiter des milliers de canaux spectraux tout en préservant les détails spectraux fins et la résolution spatiale.

Dans l’ensemble, cette thèse établit un paradigme unifié combinant la modélisation des instruments et l’apprentissage profond, démontrant que la supervision synthétique réaliste permet une fusion hyperspectrale robuste et extensible, aussi bien en observation de la Terre qu’en astrophysique.

Data Fusion with Deep Learning for

The core idea is to replace unavailable ground truth with synthetic supervision, by accurately modeling each instrument’s observation process. For Earth observation, dedicated synthetic datasets were generated from EnMAP hyperspectral imagery, enabling robust fusion across Sentinel-2 and Sentinel-3 missions with high spectral fidelity and spatial consistency.

This framework is then extended to the far more challenging domain of astronomical observations with the James Webb Space Telescope. There, ground truth is fundamentally unobtainable and spectral dimensionality is extreme. A dedicated synthetic astrophysical dataset generation pipeline was developed, along with a new deep learning architecture specifically designed for MIRI imager and spectrometer fusion, capable of handling thousands of spectral channels while preserving fine spectral features and spatial detail.

Overall, this thesis establishes a unified paradigm combining instrument modeling with deep learning, demonstrating that realistic synthetic supervision enables robust and scalable hyperspectral fusion across both Earth observation and astrophysics.