Yoël ZÉRAH - Admis au titre de docteur

Adresse Professionnelle
18 avenue Edouard Belin BPI 2801 31401 Toulouse Cedex 31400
TOULOUSE FRANCE
Identifiant Hal https://hal.archives-ouvertes.fr/search/index/?q=%2A&authIdHal_s=yoel-zerah
Compte LinkedIn https://www.linkedin.com/in/yo%C3%ABl-zerah/
Compte Researchgate https://www.researchgate.net/profile/Yoel_Zerah

Projet professionnel :

enseignant-chercheur, enseignant du supérieur
chercheur en milieu académique
chercheur en entreprise, R&D du secteur privé

Techniques maîtrisées :
Machine Learning et IA Automatique Traitement d'Images
Compétences :
Programmation: Python, Matlab, C, Java Mathématiques et Physique

Doctorat Surfaces et interfaces continentales, Hydrologie

Thèse soutenue le 20 juin 2024 - Université Toulouse III - Paul Sabatier

Ecole doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace

Sujet : Apprentissage profond de représentations physiques de la végétation à partir de séries temporelles d’images satellite optiques.

Mots-clés de la thèse : Apprentissage Profond,Autoencodeurs variationnels,Images Satellite,Modélisation Physique,Séries Temporelles,Observation de la Terre,

Direction de thèse : Jordi INGLADA

Co-direction de thèse : Silvia VALERO-VALBUENA

Unité de recherche : CESBIO - Centre d'Etudes Spatiales de la BIOsphère UMR 5126 - TOULOUSE

Ingénieur - -

obtenu en novembre 2020 - ISAE-SUPAERO - Toulouse
Option : Traitement du Signal

Production scientifique

- Yoël Zérah, Silvia Valero, Jordi Inglada 2023. Physics-Driven Probabilistic Deep Learning for the Inversion of Physical Models With Application to Phenological Parameter Retrieval From Satellite Times Series Approches guidées par la physique d'apprentissage profond pour l'inversion de modèles physiques avec application à l'inférence de paramètres phénologiques à partir de séries temporelles d'images satellites. IEEE Transactions on Geoscience and Remote Sensing, 61, https://hal.science/hal-03837736/document
- Yoël Zérah, Silvia Valero, Jordi Inglada 2022. Méthodes probabilistes d'apprentissage profond avec a priori physiques de représentations interprétables , , https://hal.science/hal-04186427/document
- Yoël Zérah, Silvia Valero, Jordi Inglada 2023. Physics-constrained deep learning for biophysical parameter retrieval from Sentinel-2 images: inversion of the PROSAIL model , , https://hal.science/hal-04345612/document

Informations complémentaires :
Cuisine & Gastronomie
Langues Vivantes : Anglais C2 - Courant - Français C2 - Maternel

Dernière mise à jour le 30 mai 2024