Lundi 12 décembre, l'IETA Julian Le Deunf, ingénieur hydrographe au Shom, a brillamment soutenu son travail de thèse de doctorat réalisé à l'IMT Atlantique, intitulé "L'apprentissage automatique de données massives bathymétriques pour l'optimisation des systèmes de levés hydrographiques".

Contexte de ces travaux

L’explosion du volume de données bathymétriques, couplée à la démocratisation des algorithmes d’intelligence artificielle au cours des dernières années, ont particulièrement motivé le lancement de ses travaux de recherche, qui visent à accompagner la transformation numérique inévitable du métier de l’hydrographe, en proposant des solutions concrètes de traitement et management de la donnée bathymétrique. Plus précisément, ce travail de recherche visait à répondre à plusieurs questions :

• Comment faciliter le travail des opérateurs dans la détection des erreurs aberrantes ?
• Quelles sont les méthodes d’intelligence artificielle que nous pouvons mettre en place pour cet objectif et qui seront acceptées par les hydrographes ?
• Comment détecter de façon fine l’emprise d’un levé hydro-océanographique en prenant en compte l’incertitude de la mesure associée et la densité du lot de données bathymétriques ?
• Comment tenir compte de la préférence des utilisateurs de la donnée pour la détermination de la qualité de levé hydro-océanographique ?

Les axes majeurs de recherche de cette thèse ont été définis en réponse aux besoins et problématiques variées du Shom. Elle comprend une composante métier forte autour de l’hydrographie et de la donnée bathymétrique, mais surtout une composante informatique primordiale dans la transformation du métier d’hydrographe afin de l’aider, dans le futur, à gérer au mieux ces flux de données toujours plus importants.

Apport à la science et perspectives

Cette thèse propose différentes méthodes visant à faciliter le travail quotidien des opérateurs en considérant différents niveaux d’échelles : micro, meso et macro. Le niveau micro touche à la donnée et donc dans notre cas à la sonde bathymétrique afin d’en extraire le maximum de valeur ajoutée possible. Le niveau meso construit à partir de cette donnée bathymétrique les bonnes informations permettant de détecter des données aberrantes via des méthodes d’apprentissage machine dans les lots de données bathymétriques. Enfin, le niveau macro s’attache à la qualification du levé dans son intégralité tout en prenant en compte les préférences de l’utilisateur final via des méthodes d’aide à la décision multicritère.