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 prĂ©sentation 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 thĂšse (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 Ă 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 paramÚtres cachés (e.g. profondeur) et paramÚtres de surface (e.g. vitesse de surface, pente,..)
- Objectif : inversion de paramÚtres géophysiques : à partir des paramÚtres observables, comment trouver les paramÚtres cachés
- Ătat de l’art :
- Inversion bayesienne à problÚme : nécessite un model géophysique trÚs précis à pas le cas pour les glaciers
- Autre option: mesure de terrain Ă problĂšme : trop cher
- Proposition :
- Réseau de neurones multi-tùches (épaisseur prédite et segmentation) et multi-modal (vitesse et topographie)
- CritĂšre le plus important : pente de surface
- HypsomĂ©trie : somme cumulĂ©e des altitudes du glacier : normalement Ă 50% dâhypso, glacier Ă moitiĂ© et sensĂ© ĂȘtre lâendroit le plus Ă©pais du
glacier (plus grande zone dâaccumulation)- Pb : glaciers pas Ă lâĂ©quilibre mais en fonte donc le seuil de 50%
dâhypso nâest plus au milieu du glacier
- Pb : glaciers pas Ă lâĂ©quilibre mais en fonte donc le seuil de 50%
- Dataset:
- SĂ©paration manuelle des polygones pour Ă©viter le recouvrement des jeux dâentraĂźnement, de validation et de tests
- DonnĂ©es issues dâune Ă©tude de terrain dans les Alpes Suisses
- Model initial:
- PrĂ©dit lâĂ©paisseur au centre dâune fenĂȘtre de 400x400m puis fenĂȘtre glissante pour Ă©valuer lâĂ©paisseur 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 lâhypsomĂ©trie en entrĂ©e du rĂ©seau (puisque lâhypsomĂ©trie nâest dĂ©finie que sur le glacier)
- HyperparamĂštres :
- Fonction de coût :MAE
- 32 epochs
- Expérience répétée 30 fois avecdifférentes initialisations pour vérifier la stabilité
- RĂ©sultats:
- Classification
- “> 98%” accuracy (attendu car les vitesses sont non-nulles uniquement sur les glaciers)
- Suite Ă des expĂ©riences supplĂ©mentaires, cette tĂąche n’a pas dâapport pour lâĂ©valuation de lâĂ©paisseur donc elle est
abandonnée
- Regression sur l’Ă©paisseur :
- 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 lâhypsomĂ©trie :
- En qualitatif pas de grande variation mais écart type quantitatif grandement réduit
- Ătude par ablation du rĂ©seau :
- Retirer la pente et retirer la vitesse à grosse dégradation des estimations
- Classification
- Perspectives:
- Architecture type U-net pour prédiction du patch entier
- Ajouter Ă©volution 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 gĂ©ophysique en volcanologie : Ă partir de la dĂ©formation de surface, faire une rĂ©gression sur la profondeur de lâĂ©vĂšnement et le
volume de la chambre magmatique - Model physique beaucoup mieux compris Ă permet crĂ©ation dâun dataset artificiel
- Utilisation dâimages satellitaires - en particulier dâintrfĂ©rogrammes
(InSAR)- Pb: sensibilité au bruit atmosphérique
- Inversion gĂ©ophysique en volcanologie : Ă partir de la dĂ©formation de surface, faire une rĂ©gression sur la profondeur de lâĂ©vĂšnement et le
- Questions / Remarques
- Question : est ce quâun glacier non Ă©quilibrĂ© est encore un glacier ? pas seulement un reste
de glace ? Est ce que le rĂ©seau classsifie comme un glacier ? - Rep: Oui, il comprend que câest un glacier, car on considĂšre que lâon a pas de connaissance expert Ă priori
- Question : Suggestion, explicabilité par GradCAM
- Rep: Envisagé pour les volcans car meilleure maitrise des échantillons
- Question: Entre deux glaciers diffĂ©rents les modĂšles physiques peuvent ĂȘtre diffĂ©rents ?
- Rep : Effectivement, e.g. glissement basal (le socle) peut ĂȘtre en mouvement ou non en
- fonction des glaciers : pas le mĂȘme modĂšle physique ; mais pas distinguĂ© dans le modĂšle car mĂȘme un expert en gĂ©ophysique 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: ModÚle tilisé par des glaciologues ?
- Rep: Nope, mais aimerait faire gros package utilisable par tout le monde (glacier, volcan, ..), pour lâinstant pas assez donnĂ©es dâentraĂźnement (ici autre que la Suisse risuqe
de fonctionner moins bien), mais glaciologues intéressés pour tester des hypothÚses futures - Questions : Données publiques ?
- Rep : Oui !
- Question : Volcan : mĂȘme modĂšle ?
- Rep : actuellement oui mais prĂ©vision de modifications pour ĂȘtre plus adaptĂ© au problĂšme
- Question : est ce quâun glacier non Ă©quilibrĂ© est encore un glacier ? pas seulement un reste