Classification of massive 3D topo-bathymetric airborne lidar data in

PhD project, fully funded in Rennes
Title : MASSIV-RIVER : Classification of massive 3D topo-bathymetric
airborne lidar data in fluvial environments
Keywords : machine learning, remote sensing, image processing, big data, lidar, rivers
Excerpt of 3D topo-bathymetric airborne lidar data (bathy data in blue) : ~ 120 millions 3D points 3D over 1 km of river that needs to be classified to automatically detect the water
surface, channel banks, obstacles, small ditches and canal under the vegetation, aquatic vegetation, …..The entire dataset is 50 km long and ~10 billion 3D points.
The universities of Rennes 1 and Nantes own a state of the art airborne topo-bathymetric lidar
currently unique in France (800 k€). Traditional airborne lidar systems use a NIR laser (1064 nm) that
measure in 3D topographic features, vegetation and buildings but cannot penetrate water. This new
system, thanks to a second laser using a 532 nm wavelength, can penetrate water and measure
shallow bathymetry in aquatic environments (5 to 10 m depth) at the same time that the surrounding
topography. Because of the very high acquisition rate of the two lasers, ground resolution of 20 pts/m²
with a vertical precision better than 10 cm can be obtained. This offers tremendous potential for
fundamental research on fluvial environments (e.g., river morphodynamics, aquatic ecosystems…)
and applied research (e.g., flooding risk mapping, dyke inspection, navigability…). While the
acquisition technology is mature, the sheer volume of 3D data produced by the instrument (typically
10 billions points for 50 km of rivers) and the geometrical complexity of fluvial environments makes
-apparently- simple tasks such as water surface detection, channel bank mapping or aquatic vegetation
mapping extremely complex. The objective of this phd project is to create new processing algorithms
to lift this bottleneck and automatically classify complex, massive topo-bathymetric lidar data of
fluvial environments.
To this end, the phd student will develop new algorithms using not only the 3D data point as it as
traditionally been done for topographic lidar, but also use the entire backscattered laser signal that is
also recorded during the flight (Full Waveform Lidar data). The backscattered signal offers greater
insights into the physical characteristics of the target illuminated with the laser and will be used to
improve the classification success and to extract optical characteristics of the water in relation to
turbidity. The student will have the opportunity to develop his work using the largest topo-bathymetric
river surveys currently available.
Using 3D point clouds, and 3D backscattered signal, the student will develop new classification
algorithms based on a multi-scale approach recently developed in our team (Brodu and Lague, 2012).
The PhD student will also explore the combination and assimilation of 2D hydrodynamic simulations
on lidar data to account for hydraulic connectivity and extrapolate the data in places where the water
was too deep for a backscattered signal to be measured. His work will also be applied during his phd
to another type of complex data (multibeam sonar+ mobile terrestrial lidar) acquired by colleagues at
the University of Southampton (a 3-6 months stay in UK is planned).
The algorithms developed in this project will be implemented in existing open source platforms,
and tested on other types of natural environments and 3D data. At the end of his phd, the candidate
is expected to have a unique set of skills that will allow him to continue an academic career, or to work
in the private sector where the topo-bathymetric lidar only starts to be used.
Required skills: advanced training in machine learning (algorithm development) and remote sensing,
image processing, proficient in programming (ideally C++), excellent communication skills in english.
Candidates with an expertise in signal processing could also be considered. No previous knowledge on
fluvial environments or lidar technology is needed. Speaking French is not mandatory.
Host department: Geosciences Rennes/IRISA. The phd candidate will work with specialists of lidar
acquisition and fluvial environments (D. Lague, J. Leyland (Southampton)), and specialists of remote
sensing and machine learning (Th. Corpetti (IRISA/LETG), S. Lefevre (IRISA)).
Host teams: Quantitative Geomorphology (Geosciences Rennes, Univ. Rennes 1) & OBELIX team
(IRISA, Univ Rennes 1)
The Quantitative Geomorphology team is specialized in the application of terrestrial and airborne lidar
to study earth surface processes, and in particular extreme events (floods, landslides,…). It combines
data acquisition in France and New-Zealand with the development of innovative 2D numerical models
of landscape evolution. It consists of physicists, geologists, hydrologists and remote sensing specialists.
It has numerous international collaboration (UK, New-Zealand, US) and is in charge of operating the
topo-bathymetric lidar instrument.
The Obelix team of IRISA (www.irisa.fr/obelix) is specialized in analysis and processing of images,
machine learning and data mining, coupling between data and physical models, big data processing
and tool development for decision making. Its developments in computer science, signal processing
and mathematics are applied to remote sensing of the environment
Phd Advisors: Dimitri Lague (Senior Researcher, CNRS, geophysicist specialist of Lidar and numerical
modelling of river evolution), Thomas Corpetti (Senior Researcher, CNRS, remote sensing and machine
learning), Sebastien Lefevre (Professor, IRISA/Univ. Vannes, remote sensing and machine learning)
Enquiries : [email protected] or [email protected]
Start date : October 2016, duration : 3 years, salary : 1350 €/month
Deadline for application : 30 june 2016
Administrative requirements: the candidate must own a master degree (master 2 in France) or
equivalent at the beginning of the PhD.
Lague, D., Brodu, N. and Leroux, J., Accurate 3D comparison of complex topography with terrestrial laser scanner: application
to the Rangitikei canyon (N-Z), ISPRS journal of Photogrammmetry and Remote Sensing, 80, p. 10-26, 2013.
Brodu, N. and Lague, D., 3D Terrestrial LiDAR data classification of complex natural scenes using a multi-scale dimensionality
criterion: applications in geomorphology, ISPRS journal of Photogrammmetry and Remote Sensing, 68, p. 121-134, 2012.
Offre de thèse dont le financement est acquis. Débutant au 1er octobre 2016 pour 3 ans.
Titre : MASSIV-RIVER : Classification de données massives de lidar aéroporté
topo-bathymétrique en contexte fluviatile
Thématique : traitement d’image et du signal, apprentissage statistique, big data environmentales
Excerpt of 3D topo-bathymetric airborne lidar data (bathy data in blue) : ~ 120 millions 3D points 3D over 1 km of river that needs to be classified to automatically detect the water
surface, channel banks, obstacles, small ditches and canal under the vegetation, aquatic vegetation, …..The entire dataset is 50 km long and ~10 billion 3D points.
Résumé :
L’université de Rennes 1 et l’Université de Nantes possèdent un lidar aéroporté topo-bathymétrique
de dernière génération, unique en France (800 k€). Cet instrument ouvre la possibilité de mesurer en
3D, en plus de la topographie et du sursol (végétation, bâtiments), la bathymétrie des rivières avec
une résolution et une précision décimétrique de manière synoptique. Une telle mesure était
jusqu’alors impossible de manière aussi précise et synoptique. Les perspectives d’application sont
nombreuses, tant en recherche fondamentale (e.g., morphodynamique des rivières, analyse des
écosystèmes aquatiques) qu’en recherche appliquée (e.g., prédiction des zones inondables, inspection
des digues, traçage de pollutions). L’instrument utilise deux lasers (532 et 1064 nm) tirant à 300 khz
chacun, ce qui génère un volume de l’ordre de 10 milliards de tirs pour 50 km de rivière. Alors que la
technologie d’acquisition est mature, l’exploitation scientifique par les chercheurs impliqués dans
l’utilisation de ces données (géographie, géomorphologie, hydrologie, écologie) est actuellement
bridée par l’absence de méthodes automatique d’analyse de données massives lidar 3D pour en
extraire une information pertinente. La présence du signal rétrodiffusé complet (et non uniquement
les échos discrets comme sur les systèmes traditionnels) offre une opportunité de caractérisation
physique des objets mesurés mais nécessite de revoir les paradigmes des méthodes usuelles basées
sur les échos discrets. L’objectif de ce projet de thèse est de lever ce verrou scientifique.
L’objectif de la thèse est de pouvoir extraire automatiquement les classes essentielles du
problème: surface d’eau, fond de rivière, berges, végétation aquatique/aérienne, infrastructures et
obstacles submergés et des caractéristiques physiques liées à l’analyse du signal rétrodiffusé (e.g.,
turbidité de l’eau). Pour se faire, le doctorant poursuivra le développement de méthodes de
classification multi-échelles initiées dans l’équipe pour l’analyse des nuages de points discrets 3D
(Brodu and Lague, 2012), mais appliquées pour la première fois au signal rétrodiffusé. Le doctorant
explorera aussi la combinaison/assimilation de modélisation hydrodynamique 2D sur les données
lidar pour améliorer la prise en compte de la connectivité des écoulements, et extrapoler les données
bathymétriques dans les zones très profondes. Ces travaux seront appliqués durant la thèse à un autre
type de données complexes (sonar+lidar terrestre) acquises par les collègues de l’Université de
Southampton (séjour du doctorant de 3-6 mois en GB).
Un soin particulier sera apporté à la diffusion des résultats sous forme de logiciels open source, et au
développement d’algorithmes transférables à d’autres environnements naturels et types de données
3D. A la fin de sa thèse, les compétences uniques du doctorant lui permettront de poursuivre sa
carrière tant dans le milieu académique, que dans le secteur privé ou la technologie topobathymétrique commence à émerger
Compétences requises : formation en traitement d’image et apprentissage statistique en
télédétection, très bonne pratique de l’anglais écrit/oral et de la programmation (idéalement C++).
Aucune connaissance sur les environnements fluviatiles ou la technologie lidar n’est nécessaire.
Laboratoires d’accueil : Geosciences Rennes/IRISA. Le candidat recruté travaillera sous la responsabilité de
spécialistes des environnements fluviatiles, de l’acquisition et du traitement des données lidar (D. Lague), et de
chercheurs spécialistes en analyse d’image et apprentissage statistique (Th. Corpetti (IRISA/LETG), S. Lefevre
(IRISA)).
Equipes d’accueil principales : Equipe Géomorphologie Quantitative (Géosciences Rennes) & équipe
OBELIX (IRISA).
L’équipe de Géomorphologie Quantitative est spécialisée dans l’application du lidar terrestre et
aéroporté à l’étude des paysages naturels et à la modélisation de l’érosion et du transport
sédimentaire en rivière. Elle réunit des physiciens, géologues, hydrologues et spécialistes de
télédétection. Elle développe de nombreuses collaborations internationales (UK, Nouvelle-Zélande,
US). Dimitri Lague est le responsable opérationnel de l’instrument lidar topo-bathymétrique,
actuellement unique en France.
L’équipe OBELIX de l’IRISA (www.irisa.fr/obelix) est spécialisée dans l’analyse et le traitement d’image,
l’apprentissage statistique et la fouille de données, le couplage entre données d’observation et
modèles physiques, le traitement de masses de données, et l’aide à la décision. Ses travaux en
informatique, traitement du signal, et mathématiques sont appliqués à la télédétection de
l’environnement.
Direction de thèse : Dimitri Lague (Géomorphologue fluviatile spécialiste Lidar), Thomas Corpetti
(Traitement de l’image et apprentissage statistique), Sebastien Lefevre (Traitement de l’image et
apprentissage statistique).
Pour tout renseignement : [email protected] ou [email protected]
Date de début de thèse : 1er octobre 2016, durée : 3 ans, salaire : 1350 €/mois
Date limite de candidature : 30 juin 2016
Conditions requises : être titulaire d’un diplôme de master 2 ou équivalent à la date du début de la
thèse. Pas de condition de nationalité.
Bibliographie
Lague, D., Brodu, N. and Leroux, J., Accurate 3D comparison of complex topography with terrestrial laser scanner: application to the Rangitikei
canyon (N-Z), ISPRS journal of Photogrammmetry and Remote Sensing, 80, p. 10-26, 2013.
Brodu, N. and Lague, D., 3D Terrestrial LiDAR data classification of complex natural scenes using a multi-scale dimensionality criterion:
applications in geomorphology, ISPRS journal of Photogrammmetry and Remote Sensing, 68, p. 121-134, 2012.