Directory Intranet
Chargement
MALFANTE Marielle

Automatic classification en natural signals for environmental monitoring

 

Directeur de thèse :     Jérôme MARS

Co-directeur de thèse :     Mauro DALLA MURA

École doctorale : Terre, univers, environnement (tue)

Spécialité : Océan, Atmosphère, Hydrologie

Structure de rattachement : UJF

Établissement d'origine : INP-PHELMA

Financement(s) : Contrat doctoral ; Sans financement

 

Date d'entrée en thèse : 01/10/2015

Date de soutenance : 03/10/2018

 

Composition du jury :
Monsieur Christian JUTTEN, Professeur, Université Grenoble Alpes, GIPSA-LAB, Président du jury
Monsieur Stéphane CANU, Professeur, INSA Rouen, LITIS, Rapporteur
Monsieur Ronan FABLET, Professeur, IMT Atlantique, LabSTICC, Rapporteur
Madame Carole NAHUM, Responsable du domaine scientifique environnement et géosciences DGA/DS/MRIS, Examinateur
Madame Eléonore STUTZMANN, Professeur, Institut de Physique du Globe de Paris, Examinateur
Monsieur Jérôme MARS, Professeur, Grenoble INP, GIPSA-LAB, Directeur de thèse
Monsieur Mauro DALLA MURA, Maître de Conférences, Grenoble INP, GIPSA-LAB, Co-directeur de thèse
Madame Odile GERARD, DGA Techniques navales/SDT/SCN/LSM, Invité
Monsi

 

Résumé : RÉSUME DE THÈSE (français)
Ce manuscrit de thèse résume trois ans de travaux sur l'utilisation des méthodes d'apprentissage statistique pour l'analyse automatique de signaux naturels. L'objectif principal est de présenter des outils efficaces et opérationnels pour l'analyse de signaux environnementaux, en vue de mieux connaitre et comprendre l'environnement considéré. On se concentre en particulier sur les tâches de détection et de classification automatique d'événements naturels.
Dans cette thèse, deux outils basés sur l'apprentissage supervisé (Support Vector Machine et Random Forest) sont présentés pour (i) la classification automatique d'événements, et (ii) pour la détection et classification automatique d'événements.
La robustesse des approches proposées résulte de l'espace des descripteurs dans lequel sont représentés les signaux. Les enregistrements y sont en effet décrits dans plusieurs espaces: temporel, fréquentiel et quéfrentiel. Une comparaison avec des descripteurs issus de réseaux de neurones convolutionnels (Deep Learning) est également proposée, et favorise les descripteurs issus de la physique au détriment des approches basées sur l'apprentissage profond.
Les outils proposés au cours de cette thèse sont testés et validés sur des enregistrements in situ de deux environnements différents : (i) milieux marins et (ii) zones volcaniques. La première application s'intéresse aux signaux acoustiques pour la surveillance des zones sous-marines côtières : les enregistrements continus sont automatiquement analysés pour détecter et classifier les différents sons de poissons. Une périodicité quotidienne est mise en évidence. La seconde application vise la surveillance volcanique : l'architecture proposée classifie automatiquement les événements sismiques en plusieurs catégories, associées à diverses activités du volcan. L'étude est menée sur 6 ans de données volcano-sismiques enregistrées sur le volcan Ubinas (Pérou). L'analyse automatique a en particulier permis d'identifier des erreurs de classification faites dans l'analyse manuelle originale. L'architecture pour la classification automatique d'événements volcano-sismiques a également été déployée et testée en observatoire en Indonésie pour la surveillance du volcan Mérapi. Les outils développés au cours de cette thèse sont rassemblés dans le module Architecture d'Analyse Automatique (AAA), disponible en libre accès.
RÉSUME DE THÈSE (anglais)
This manuscript summarizes a three years work addressing the use of machine learning for the automatic analysis of natural signals. The main goal of this PhD is to produce efficient and operative frameworks for the analysis of environmental signals, in order to gather knowledge and better understand the considered environment. Particularly, we focus on the automatic tasks of detection and classification of natural events.
This thesis proposes two tools based on supervised machine learning (Support Vector Machine, Random Forest) for (i) the automatic classification of events and (ii) the automatic detection and classification of events.
The success of the proposed approaches lies in the feature space used to represent the signals. This relies on a detailed description of the raw acquisitions in various domains: temporal, spectral and cepstral. A comparison with features extracted using convolutional neural networks (deep learning) is also made, and favours the physical features to the use of deep learning methods to represent transient signals.
The proposed tools are tested and validated on real world acquisitions from different environments: (i) underwater and (ii) volcanic areas. The first application considered in this thesis is devoted to the monitoring of coastal underwater areas using acoustic signals: continuous recordings are analysed to automatically detect and classify fish sounds.
A day to day pattern in the fish behaviour is revealed. The second application targets volcanoes monitoring: the proposed system classifies seismic events into categories, which can be associated to different phases of the internal activity of volcanoes. The study is conducted on six years of volcano-seismic data recorded on Ubinas volcano (Peru). In particular, the outcomes of the proposed automatic classification system helped in the discovery of misclassifications in the manual annotation of the recordings. In addition, the proposed automatic classification framework of volcano-seismic signals has been deployed and tested in Indonesia for the monitoring of Mount Merapi. The software implementation of the framework developed in this thesis has been collected in the Automatic Analysis Architecture (AAA) package and is freely available.


GIPSA-lab, 11 rue des Mathématiques, Grenoble Campus BP46, F-38402 SAINT MARTIN D'HERES CEDEX - 33 (0)4 76 82 71 31