STAGE - Détection précoce de zones de déformation des sols affectant le réseau ferré national par suivi temporel InSAR

Description de l'offre

Publiée le 13/11/2025

Description de l'employeur

Description de l'employeur / Contexte : Le réseau ferré national français est constitué de 27 000 km d'ouvrage en terre (déblai, remblai, versant). Ce linéaire est exposé aux phénomènes et aléas naturels notamment les mouvements de terrain, qui représente en moyenne 60 incidents par an depuis les 25 dernières années. La surveillance des ouvrages en terre est réalisée aujourd'hui en majorité par des observations visuelles. La politique de surveillance nécessite d'être améliorée par des outils et technologies innovantes. L'utilisation des technologies d'imagerie satellitaire peuvent permettre d'engager cette évolution grâce à leur potentiel de détections précoces de désordres et leur couverture macro permettant une surveillance globale du réseau.

Ainsi, certains déplacements du sol pouvant générer des désordres (e.g. glissement de terrain, tassements, gonflements) peuvent être détectés grâce à la technologie d'Interférométrie radar (InSAR). Grâce à des acquisitions radar répétées (séparés de quelques jours à mois), cette technologie d'observation de la terre permet la détection de mouvements de sol avec une précision de l'ordre du cm voire mm lorsque les perturbations externes (comme les perturbations atmosphériques) peuvent être correctement séparées.

Depuis une quinzaine d'années, SNCF Réseau utilise localement la technologie InSAR afin de surveiller des mouvements de glissement/affaissement sur des ouvrages en terre déjà connus et souvent instrumentés. Ces applications locales ont démontré le potentiel de la technologie, en particulier pour le suivi de mouvements lents. Cependant, le passage à une couverture plus globale du réseau comporte d'important verrous technologiques liés à la complexité des traitements InSAR, la présence de végétation et à la difficulté d'interprétation des mouvements enregistrés notamment lié à un nombre important de faux positifs.

Description du poste

Spécialité : Risques naturels - ouvrages en terre

Description du poste : À partir de données InSAR Sentinel-1, de la base incident SNCF Réseau, et de données environnementales externes, l'objectif du stage sera de classifier automatiquement les localisations précises des mouvements du sol et de qualifier leur origine. Pour cela, nous analyserons dans ce stage :

- Différents traitements de données InSAR, qui amènent à différents résultats. En particulier, on comparera les séries temporelles EGMS, PS-DS retraité le long des voies ferrées, et par méthode SBAS. Étant donné que les données PS-DS retraitées sont plus précises mais pas utilisables en routine, elles serviront à des fins de comparaison et de validation.

- Comment définir un modèle de machine learning et classifier une localisation (zone affectée/non affectée), à partir de sa série temporelle, en essayant d'extraire les informations temporelles avec des outils adaptés (par exemple des convolutions).

- La combinaison de données environnementales externes avec les séries temporelles InSAR, notamment météorologiques et géologiques, pour améliorer le modèle.

- Si le temps le permet, nous pourrons aussi explorer la piste de la synthèse de données d'entraînements pour augmenter leur nombre et leur variabilité, en ajoutant par exemple un signal de mouvement à des séries temporelles réelles.

L'étudiant stagiaire devra prendre connaissance des processus techniques en rencontrant l'ensemble des parties prenantes et valoriser ses travaux à travers une publication scientifique.

Ce projet s'inscrit dans le cadre du projet MOHAIR (Monitoring natural hazards using AI and Remote sensing) dans le cadre du programme MIAI Cluster IA de l'Université Grenoble Alpes. La personne stagiaire sera rémunérée et pourra bénéficier des facilités de circulation SNCF.

Profil recherché

Profil recherché :

Stage de niveau master 2

Niveau d'étude attendu : BAC + 4

· Maîtrise et expérience en informatique, en particulier en code Python et en apprentissage automatique.

· Maîtrise et expérience en traitement de données (signal et/ou image) satellitaires ou géosciences serait un plus.

· Maitrise de l'anglais scientifique et technique (lecture et rédaction) ;

· Qualité de synthèse ;

· Sens du relationnel et autonomie.

Connaissances spécifiques

· Spécialiste en méthodes d'intelligence artificielles.

· Connaissances des méthodes InSAR et/ou géodésiques serait un plus.

Rétribution et avantages

Tous nos métiers sont ouverts aux personnes en situation de handicap.

Salaire

Gratification en fonction du niveau d'études

2025-012738