Indico avec slides: https://indico.in2p3.fr/event/31206/

Notes

Par Antoine BRALET

Tour de table

Presentation Générale

• Idefics et Club Data
• Choix d’organisation : faire une présentation chaque mois pas forcement sur son sujet de recherche. Par exemple sur un outil, comment je l’utilise au quotidien ?

Propositions de futurs sujets :

• Conditionned Batch Normalization par Antoine Bralet
• Sujet de thèse (loss balancing ou domain adaptation) par Mickael Dell’aiera

Rappel de la session présentation du Weight and Biases framework (https://wandb.ai/site) pour le Machine Learning

• Rappel sur la future session de formation à Weights & Biaises : 5/12/2023 au LAPP par
  Thomas Cappelle

Présentation Lorenzo Lopez-Uroz: Deep learning mulimodal methods for geophysical inversion: application to glacier ice thickness estimation

• Travaux présentés à CBMI 2023 à Orléans
• Problématique : Glaciers à paramètres cachés (e.g. profondeur) et paramètres de surface (e.g. vitesse de surface, pente,..)
• Objectif : inversion de paramètres géophysiques : à partir des paramètres observables, comment trouver les paramètres cachés
• État de l’art :
  • Inversion bayesienne à problème : nécessite un model géophysique très précis à pas le cas pour les glaciers
  • Autre option: mesure de terrain à problème : trop cher
• Proposition :
  • Réseau de neurones multi-tâches (épaisseur prédite et segmentation) et multi-modal (vitesse et topographie)
  • Critère le plus important : pente de surface
  • Hypsométrie : somme cumulée des altitudes du glacier : normalement à 50% d’hypso, glacier à moitié et sensé être l’endroit le plus épais du
    glacier (plus grande zone d’accumulation)
    • Pb : glaciers pas à l’équilibre mais en fonte donc le seuil de 50%
      d’hypso n’est plus au milieu du glacier
• Dataset:
  • Séparation manuelle des polygones pour éviter le recouvrement des jeux d’entraînement, de validation et de tests
  • Données issues d’une étude de terrain dans les Alpes Suisses
• Model initial:
  • Prédit l’épaisseur au centre d’une fenêtre de 400x400m puis fenêtre glissante pour évaluer l’épaisseur sur tout le glacier
  • ResNet-like avec 3 entrées : vitesses Nord-Sud, vitesses Est-Ouest et la pente
  • Deux sorties : segmentation (classification) et épaisseur (régression)
• Model 2:
  • Retirer la sortie de segmentation et inclure l’hypsométrie en entrée du réseau (puisque l’hypsométrie n’est définie que sur le glacier)
• Hyperparamètres :
  • Fonction de coût :MAE
  • 32 epochs
  • Expérience répétée 30 fois avecdifférentes initialisations pour vérifier la stabilité
• Résultats:
  • Classification
    • “> 98%” accuracy (attendu car les vitesses sont non-nulles uniquement sur les glaciers)
    • Suite à des expériences supplémentaires, cette tâche n’a pas d’apport pour l’évaluation de l’épaisseur donc elle est
      abandonnée
  • Regression sur l’épaisseur :
    • Variations et distribution correspond bien
    • Sous-estimation de l’amplitude de 60% du volume du glacier
    • Pas systématique sur tous les glaciers ; majoritairement sur les grands
    • Erreur moyenne de 14m
  • Utilisation du Model 2 avec l’hypsométrie :
    • En qualitatif pas de grande variation mais écart type quantitatif grandement réduit
  • Étude par ablation du réseau :
    • Retirer la pente et retirer la vitesse à grosse dégradation des estimations
• Perspectives:
  • Architecture type U-net pour prédiction du patch entier
  • Ajouter évolution temporelle des vitesses
  • Explicabilité
  • Pondérer la confiance des échantillons
  • Apprentissage fédéré pour trouver quels sont les glaciers qui biaisent le plus le réseau
• Travaux actuels :
  • Inversion géophysique en volcanologie : à partir de la déformation de surface, faire une régression sur la profondeur de l’évènement et le
    volume de la chambre magmatique
  • Model physique beaucoup mieux compris à permet création d’un dataset artificiel
  • Utilisation d’images satellitaires - en particulier d’intrférogrammes
    (InSAR)
    • Pb: sensibilité au bruit atmosphérique
• Questions / Remarques
  • Question : est ce qu’un glacier non équilibré est encore un glacier ? pas seulement un reste
    de glace ? Est ce que le réseau classsifie comme un glacier ?
  • Rep: Oui, il comprend que c’est un glacier, car on considère que l’on a pas de connaissance expert à priori
  • Question : Suggestion, explicabilité par GradCAM
  • Rep: Envisagé pour les volcans car meilleure maitrise des échantillons
  • Question: Entre deux glaciers différents les modèles physiques peuvent être différents ?
  • Rep : Effectivement, e.g. glissement basal (le socle) peut être en mouvement ou non en
  • fonction des glaciers : pas le même modèle physique ; mais pas distingué dans le modèle car même un expert en géophysique ne le sais pas
  • Question : différentes résolution : essayé de jouer avec les tailles ?
  • Rep : Non, plus pratique pour générer les échantillons et voulait profiter des cartes avec les meilleures résolutions
  • Question: Modèle tilisé par des glaciologues ?
  • Rep: Nope, mais aimerait faire gros package utilisable par tout le monde (glacier, volcan, ..), pour l’instant pas assez données d’entraînement (ici autre que la Suisse risuqe
    de fonctionner moins bien), mais glaciologues intéressés pour tester des hypothèses futures
  • Questions : Données publiques ?
  • Rep : Oui !
  • Question : Volcan : même modèle ?
  • Rep : actuellement oui mais prévision de modifications pour être plus adapté au problème

Discussion informelle avec café