Arthur C.

Detection and classification of non stand-replacing vegetation disturbances to understand and qualify forests resilience to climate change in Europe.

Europe, as a union of nations, is focused on achieving its climate goals to protect the biosphere. European forests, which cover more than 40% of the land, play several roles in climate change mitigation, a) they remain a natural and safe habitat for many species and therefore help to maintain biodiversity and b) they represent the largest terrestrial greenhouse gas emissions (GHG) sink absorbing the equivalent of 7% of the EU's total GHG every year. Nevertheless, those forests are threathened by human activities (tourism, limbering, etc.) and natural hazards (droughts, fire, insect attack, etc.). Those events can considerably alter biomass and play an important role in the forests' evolution. Indeed, the forest resilience to non-stand replacing events (droughts, insects attacks) is not completely understood due to a lack of accurate monitoring data on biomass before and after the events. The aim of this thesis is then to leverage the powers of satellite imagery and machine learning to accurately study these events and their impact on biomass evolution.

Joined Kayrros as a data scientist in the Biomass Team.

I developed :

- several deep learning models able to segment forests on satellite imagery and this at several spatial resolutions and on all the region of the world. The training was also performed to provide spatio-temporal stability during the inference in order to produce accurate and stable time series of segmentation.

- several models of change points detection based on the Pelt algorithm to segment the cycle stages of plantation from RADAR signals.

Optimisation multi-objectif des émissions de CO2, confort et coût des bâtiments via un algorithme génétique :

- création d'un système d'encodage pour représenter les variables d'intérêt sous la forme d'une séquence d'entiers. Cette représentation a la particularité d'être multiploïde : comme dans l'ADN plusieurs allèles sont en compétition pour décrire le phénotype du bâtiment (systèmes de paroi et matériaux utilisés pour chaque couche).

- adaptation de l'algorithme NSGA-II proposé par Deb pour qu'il fonctionne dans le cas de la multiploïdie en utilisant une variable aléatoire discrète pour la sélection de l'allèle dominant.

- étude de convergence et réglage des paramètres de l'algorithme via la création de métriques.

- développement d'un métamodèle du confort via un processus Gaussien (Krigeage) pour accélérer par un facteur 10 le temps de calcul.

- validation des performances du métamodèle pour l'utiliser à la place de EnergyPlus.

- visualisation des meilleures versions du bâtiment (phénotype : systèmes de paroi et matériaux, objectifs : co2, confort, coût) avec les coordonnées parallèles.