theme voip, imagerie satellitaire

ARiPhone « Augmented Reality iPhone »

Ammar Sidhoum 1, El-Hadi Soltani 1 et Haroun Djaghloul 2

1 Université Ferhat Abbas Sétif, UFAS

[email protected]

1 Université Ferhat Abbas Sétif, UFAS [email protected]

2 Université Ferhat Abbas Sétif, UFAS

[email protected]

Résumé— Cet article présente le domaine de la réalité augmentée, dans lequel des objets virtuels 3D sont intégrés dans un environnement réel en temps réel. L’objectif de notre travail est le développement d’un système interactif de réalité augmentée, pour cela on a proposé un combiné augmenté qu’on a désigné par ARiPhone « Augmented Reality iPhone » qui permet la numérotation sans utiliser son appareil de téléphone portable. Mots clés— Réalité augmentée, Marqueurs, ARToolKit, Reconnaissance des formes, Bluetooth. Abstract— This paper surveys the field of Augmented Reality, in which 3D virtual objects are integrated into a 3D real environment in real time. The objective of our work is the development of an interactive augmented reality system, we have proposed an augmented handset phone that we have designated by ARiPhone "Augmented Reality iPhone", it allows the composition of numbers without using the mobile phone. Key words— Augmented reality, Patterns, ARToolKit, Pattern recognition, Bluetooth.

I. Introduction La réalité augmentée est une nouvelle technologie qui suscite de plus en plus d’intérêt auprès des scientifiques. Sa capacité d’enrichir le monde réel par l’ajout d’entités virtuelles lui offre un grand potentiel et ouvre ainsi les portes à de nouvelles applications. Depuis quelques années, de nombreux systèmes de réalité augmentée ont vu le jour. Cependant, dans leur grande majorité, ces systèmes sont destinés à des environnements intérieurs restreints et contrôlables qui limites les problèmes souvent rencontrés en RA (variation de luminosité, gestion des occultations, alignement 3D, etc.). Les avancées enregistrées dans le domaine de la vision par ordinateur et dans l’informatique mobile, ont rendu possible la mise en œuvre d’applications de RA de plus en plus complexes. La réalité augmentée a pour but d’améliorer notre perception du monde réel par ajout d’éléments qui ne sont pas a priori perceptibles par l’œil humain. Dans son état de l’art, Azuma [1] définit la réalité augmentée comme un système capable de combiner des images réelles et les images virtuelles, en 3D et en temps réel, c'est-à-dire que nous devons disposer d’objets virtuels modélisés en 3D et positionnés dans un repère 3D associé a

la scène. La définition concerne donc principalement les applications d’immersion où l’utilisateur perçoit des objets virtuels en même temps que l’environnement réel dans lequel il évolue. La réalité augmentée est un système ayant trois caractéristiques :

• Combine le monde réel et le monde virtuel. • Interactif en temps réel. • Calibré en 3D.

II. Travaux connexes

Des recherches antérieures dans la réalité augmentée ont abordés une variété de domaines d'application, par exemple le cockpit de l'avion de contrôle [2], l'assistance en chirurgie médicale [3], la construction d'infrastructures [4], l'entretien et la réparation [5], les pièces d'assemblage [6] et d’autre efforts [7], [8], [9], [10]. Notre travail met l'accent sur la combinaison des nouvelles technologies (PC, téléphone portable, Bluetooth, webcam, etc.) et la réalité augmentée. Nous décrivons une application qui utilise un combiné augmenté pour la composition d’un numéro de téléphone et faire des appels sans utiliser le téléphone portable.

III. Le suivi d’un organe humain (la main) Le plus grand problème dans le domaine de RA c’est le problème suivi, pour ce la on a utilisé des marqueurs carrés, ce qui rend le travail relativement faisable.

Fig.1 Le suivi de la main.

CNTA ’09 Université A.MIRA BEJAIA

IV. ARiPhone La multiplication des ordinateurs et la généralisation de l’utilisation des dispositifs mobiles (Téléphone portable, PDA …) nous a apporté l’idée de développement de notre combiné augmenté ARiPhone qui a pour but la numérotation directe avec le doigt ou n’importe quel objet sans utilisé l’appareil de son téléphone portable. Comme tout autre système de réalité augmentée évolue, ARiPhone nécessite une Webcam, des marqueurs 2D, un PC et un téléphone portable équipés d’un périphérique Bluetooth pour assurer la liaison sans fils entre eux et finalement une oreillette Bluetooth pour faire des communications. Voici la liste détaillé des exigences de « ARiPhone » :

• Webcam : indispensable pour un système de réalité augmentée.

• Marqueurs : ce sont des imprimés sous formes de carré.

• PC : équipé d’un périphérique Bluetooth pour gérer le système ainsi que la communication sans fils avec le téléphone portable.

• Téléphone portable : n’import quel appareil dédié d’un périphérique Bluetooth.

• Oreillette Bluetooth : pour faire des communications.

Fig.2 Les exigences de « ARiPhone ».

V. Le combiné

Le combiné ARiPhone se constitue de onze (11) marqueurs différents dont chacun représente un numéro de téléphone, avec une interface ergonomique très élégante tirée de l’iPhone l’un des meilleures produits disponible sur le marché annoncé par Apple. ARiPhone a une dimension de 16.5 cm x 8.7 cm, en plus de ça c’est une simple image qu’il faut l’imprimer sur n’import quel papier et la mettre sous le champ de vue du Webcam pour laisser le programme correspondant faire son travail et faire des communication avec son oreillette en toute sécurité.

Fig.3 Le combiné ARiPhone.

Les marqueurs ont une dimension de 2.0 cm x 2.0 cm comme suivant :

Fig.4 Les marqueurs du combiné.

Pour chaque marqueur, un bouton virtuel va le remplacer une fois le combiné est sous le champ de vue de la webcam et cela se fait d’une façon ou on voit juste les boutons virtuels sur le combiné, donc les marqueurs ne sont plus perceptibles sur l’écran.

Fig.5 les boutons virtuels.


VI. Fonctionnement de « ARiPhone » D’abord le chargement des boutons virtuels correspondant a chaque marqueur s’effectué après la vérification de l’identificateur de ce dernier, après cela on règle la lumière et l’éclairage des boutons associés aux différents marqueurs. Ensuite on active le mode de texture et le point de vue de l’utilisateur par rapport aux objets, et le placage du bouton sur le Carré après l’appel d’une fonction qui charge nos différents objets utilisés. Ensuite on a introduit le son lors du click pour les boutons par l’utilisation d’une fonction de la bibliothèque d’OpenGL, et la capture de la vidéo continue après avoir redessiné les boutons d’interactions et récupéré le numéro correspondant dans le presse papier qui sera utilisé comme intermédiaire pour la numérotation. Finalement on a apporté des modifications sur le type du presse papier pour passer au mode texte et récupérer le numéro composé dans le buffer et l’envoyé au téléphone portable via Bluetooth pour la numérotation après avoir vider et fermer le presse papier. Pour la numérotation via Bluetooth, il faut que le téléphone portable soit déjà couplé avec le PC et que liaison reste toujours sur le profile DUN (Dial Up Network) qu’on peut le choisir facilement dans les options du programme venant avec le Bluetooth.

VII. Implémentation L’application a été implémenté et développé avec Microsoft Visual Studio 2005, avec l’intégration de la bibliothèque de la réalité augmentée ARToolKit « Augmented Reality ToolKit » [11].

A. ARToolKit ARToolKit est une bibliothèque de logiciels écrite en C/C++ qui permet aux programmeurs de développer facilement des applications de réalité augmentée qui est la superposition des images virtuelles sur des images du monde réel. L’une des principales difficultés dans la mise au point des applications de réalité augmentée est le problème de suivi. ARToolKit utilise des algorithmes de vision par ordinateur pour résoudre ce problème, le suivi de la bibliothèque de ARToolKit calcule la véritable position de camera et l’orientation par rapport à l’intégrité physique des marqueurs en temps réel, cela permet la facilité de développement d’applications de réalité augmentée.

B. Principe de fonctionnement de « ARToolKit » ARToolKit permet à des images virtuelles de se superposer sur la vidéo en directe du monde réel. Bien que cela semble magique, il ne l’est pas. Le secret est dans les carrés noirs utilisés comme marqueurs de suivi, le suivi d’ARToolKit fonctionne comme suivant :

• L’appareil capture la vidéo du monde réel et l’envoie à l’ordinateur.

• Le logiciel sur l’ordinateur cherche n’importe quelle forme de carré.

• Si une place est trouvée, le logiciel utilise des mathématiques pour calculer la position de la caméra par rapport au carré noir.

• Une fois la position de caméra est appelée, un modèle de l’infographie est tiré de cette même position.

• Ce modèle est tiré au-dessus de la vidéo du monde réel et semble bloqué sur la place du marqueur.

• Le résultat final est affiché sur l’écran de l’ordinateur et la superposition de graphique se voit sur ce dernier.

Fig.5 ARToolKit « principe de base ».

VIII. Tests

D’abord il faut imprimer le combiné et le mettre sous le champ de vu de la Webcam.

Fig.6 ARiPhone.

Ensuite activer le périphérique Bluetooth de PC et de téléphone portable et lancer l’application.

Fig.7 ARiPhone augmenté.


Ensuite l’appel s’effectuée parfaitement en cliquant sur le bouton virtuel correspondant.

Fig.8 Appel en cours.

IX. Conclusion

Parmi plusieurs technologies actuelles dans la vision par ordinateur, synthèse d’images et l’interface homme-machine, la réalité augmentée est vraiment un domaine très vaste et compliqué mais aussi prometteur. La réalité augmentée utilise les images de synthèse et les images tridimensionnelles qui consistent à générer des images d’un objet ou d’une scène tridimensionnelle à l’aide d’un algorithme de rendu appliqué à un modèle 3D construit à l’aide d’un logiciel de modélisation. Tout au long de ce travail, on a essayé de faire le point sur tout un ensemble de techniques qui se rapport directement au plan de la réalité augmenté et les dispositifs mobiles. A titre d’exemple on a réussi à développer notre propre système de réalité augmentée qui combine plusieurs technologies en même temps (PC et téléphone portable équipés d’un périphérique Bluetooth, Webcam, oreillette Bluetooth). La réalité augmentée est un domaine passionnant parce qu’elle peut faire tout ce qu’on ne peut pas imaginer auparavant, tout cela devient réaliste avec la réalité augmentée où les frontières entre le réel et le virtuel sont effacées.

X. Références [1] Ronald T. Azuma. A Survey of Augmented reality. Hughes Research Laboratories. [2] T. Furness. The super cockpit and its human factors challenges. In Proc. Human Factors Society 30th Annual Meeting , pages 48–52, Santa Monica, CA, 1986. [3] A. State, M. Livingston, W. Garrett, G. Hirota, M. Whitton, E. Pisano, and H. Fuchs. Technologies for augmented reality systems: Realizing ultrasound-guided needle biopsies. In Proc. SIGGRAPH’96, pages 439–446, New Orleans, LA, August 4–9 1996.

[4] S. Feiner, A. Webster, T. Krueger, B. MacIntyre, and E. Keller. Architectural anatomy. Presence, 4(3):318–325, Summer 1995. [5] S. Feiner, B. MacIntyre, and D. Seligmann. Knowledge-based augmented reality. Communic. ACM, 36(7):52–62, July 1993. [6] T. Caudell and D. Mizell. Augmented reality: An application of heads-up display technology to manual manufacturing processes. In Proceedings of the Hawaii Int. Conf. on Sys. Sci, Hawaii, January 1992. [7] A. Webster, S. Feiner, B. MacIntyre, W. Massie, and T. Krueger. Augmented reality in architectural construction, inspection and renovation. In Proc. ASCE Third Congress on Computing in Civil Engineering , pages 913–919, Anaheim, CA, June 17–19 1996. [8] R. Azuma and G. Bishop. Improving static and dynamic registration in an optical see-through hmd. In Proc. ACM SIGGRAPH ’94, pages 197–204, Orlando, FL, July 24–29 1994. [9] A. State, G. Hirota, D. Chen, W. Garrett, and M. Livingston. Superior augmented reality registration by integrating landmark tracking and magnetic tracking. In Proc. SIGGRAPH ’96, pages 429–438, New Orleans, LA, August 4–9 1996. [10] A. Janin, D. Mizell, and T. Caudell. Calibration of head-mounted displays for augmented reality applications. In Proc. IEEE VRAIS’93, pages 246–255, Seattle, WA, September 18–22 1993. [11] H. Kato and M. Billinghurst. Marker tracking and hmd calibration for a video-based augmented reality conferencing system. In IWAR ’99 : Proceedings of the 2nd IEEE and ACM International Workshop on Augmented Reality, page 85, Washington, DC, USA, October 1999. IEEE Computer Society.


EMISSIVITE DE LA REGION DE BEJAIA A PARTIR D’UNE IMAGE LANDSAT TM 5

e-mail :

Faid Ali Dpt de Physique, Faculté des Sciences Exactes, Université de Bejaia

[email protected]

Raul Rivas Dpt Thermodinamica, facultad de fisica, Burjassot, Valencia España.

Youcef Smara Dpt Electronique, Faculté Informatique et electronique, Université de Bab Ezzouar

Vicenté Caselles Dpt Thermodinamica, facultad de fisica, Burjassot, Valencia, España.

RESUME /L’obtention de l’émissivité (ε) de la superficie est fondamental pour la détermination de la température réelle du système, elle est obtenue à partir de la mesure radio métrique du capteur à bord de satellite ou avion. Dans ce travail une méthodologie simple pour l’obtention d’une carte émissivité de surface à partir d’un pourcentage de végétation (Pv ) est utilisée. La valeur de pv représente la fraction de végétation dans un pixel, alors que (1-pvPour la détermination de ce paramètre on utilise l’indice de végétation de différence normalisé (NDVI) le plus appliqué et plus simple d’utilisation.

) représente lui la fraction de sol nu.

Lorsque les valeurs de pv

ε = ε

sont obtenues on applique l’équation d’émissivité effective ou du pixel suivante :

v * pv + εs * (1-pv) + 4*dε * pv (1- pvOù :

)

ε : Emissivité effective de surface εv

ε : Emissivité de la végétation

s

dε : terme de cavité, représentant l’erreur : Emissivité du sol

Pour cela nous avons sélectionné une image landsat TM5 d’hiver représentant 441 Km2

En fin, on présente la carte émissivité effective des différentes couvertures présentes, ces valeurs sont comprises entre 0.985 (pour les pixels complètement couverts) et 0.96 (pour les pixels sols nus).

et nous lui avons appliqué la méthodologie.

Mot clés : Télédétection, Indice de végétation, émissivité, Température.


mailto:[email protected]

I. INTRODUCTION :

Le présent travail a comme objectif principal d’exposer les étapes nécessaires pour l’obtention d’une carte d’émissivité de surface.

Pour mesurer la température de surface par télédétection, le capteur embarqué sur satellite donne la radiance émise par une superficie visée est observée dans un rang spectral plus ou moins complet.

Généralement, la radiance thermique se mesure dans l’infrarouge thermique dans la région

8-14 mµ du spectre électromagnétique qui est la zone où se trouve le maximum d’émission de la part de la terre.

La mesure radioactive au niveau du satellite ne correspond pas seulement à celle de la surface, sinon, pour arriver à obtenir la valeur de celle-ci, il faudra tenir compte de l’atmosphère et du caractère émissif de la surface observée.

Le principe physique régissant l’émission d’énergie par une surface est la loi de Planck, qui détermine la radiation monochromatique émise par un corps noir (considéré comme un radiateur parfait) en fonction de sa température.

La plus part des surfaces naturelles émettent moins d’énergie que le corps noir.

En plus, il est important de tenir compte du fait que émissivité change spectrale ment. émissivité est le concept physique qui représente cette particularité. Elle peut être définie comme étant la capacité d’un corps à émettre un rayonnement, à une température donnée, en relation au corps noir.

Mathématiquement c’est le rapport entre la radiation émise par une surface à celle qu’émettrait un corps noir à la même température selon :

ε=Ls(λ)/L0(λ) 1≥ε≥ 0

L0(λ) :luminance du corps noir

Ls(λ) :luminance d’une surface S

Il est donc fondamental de connaître ce paramètre pour la détermination de la température, comme il est aussi nécessaire de corriger l’image des effets atmosphériques.

Ce présent travail est axé sur l’obtention d’une carte émissivité de surface.

II. METHODOLOGIE :

Pour la détermination de émissivité de surface on a sélectionné une image Landsat 5 TM

( avril 87 correspondante au printemps de la zone Béjaia). Elle couvre donc la partie nord de la vallée de la Soummam de superficie presque de 21*21 Km2

On dispose de sept bandes et des coefficients de calibration correspondant à chaque bande excepté la bande 6.

où prévaut à ce moment une certaine activité agricole.

Ces derniers sont directement fournis dans les têtes de fichiers de l’image.

En premier lieu on réalise les transformations des comptes numériques en radiances puis en réflectances ( )λρ pour chaque bande spectrale, excepté pour la bande 6. L’équation linéaire appliquée pour l’obtention de la radiance est :

L0(λ) = a(λ) CN (λ) + b(λ) (1)

Avec :

L0(λ) : radiance reçue par le capteur ,

a(λ), b(λ) : coefficients de calibration caractéristiques du capteur et propres à chaque bande.

Par la suite on transforme les valeurs de radiances en réflectances au niveau du sol.

Pour cette dernière transformation on applique l’équation suivante (Gilabert et al ;1986) :

ρs(λ)=BπL0(λ) /Eo(λ)cos(θ0

ρ

) (2)

s

E

(λ) : réflectivité de la surface pour une longueur d’onde λ

o

θ

(λ) : éclairement au top atmosphère

0: angle d’incidence


B : facteur d’excentricité de l’orbite solaire En second lieu on réalise la correction atmosphérique en appliquant le modèle nommé de correction de l’histogramme par valeurs minimales (Chavez ;1988).

Pour ce faire on soustrait les valeurs minimales des surfaces à forte absorption ( par exemple l’eau) sur la bande 1 ( qui est la plus affectée par l’effet absorption) au reste des bandes.

Cette méthode est utilisée pour l’avantage de requérir seulement l’information contenue dans l’image.

En troisième lieu on calcule l’indice de végétation des différences normalisées (NDVI) pour la zone d’étude, le NDVI qu’on notera dorénavant par i pour simplifier est donné par Rouse et al ;1974 (Rouse et al ; 1974) comme suit :

NDVI = 34

34

ρρρρ

+− (3)

4ρ : Réflectance dans le proche infrarouge

3ρ : Réflectance dans le rouge

Sur la zone que nous étudions on relève le NDVI minimum et le NDVI maximum, comme on ressort les parcelles complètement couvertes de végétation et celles dénudées afin de déterminer le NDVI du sol nu NDVIs et celui de la végétation NDVIv et ceci pour trouver la proportion végétale pv

On résume cette opération par le tableau ci dessous :

Table 1 : statistiques correspondantes au NDVI, NDVIs et NDVI

v Min Max Moy Déviation Parcelle

NDVI 0 0.73 0.35 0.11 Toute l’image

NDVI 0.09 s 0.13 0.03 0.01 Sols nus

NDVI 0.57 v 0.72 0.61 0.03 Sols couverts

En quatrième lieu nous déterminons donc le pourcentage de végétation pv

On considère que le pixel mixte possède une proportion végétale p

en supposant

qu’un pixel est mixte ie composé de végétation et de sol nu (Price 1990).

v et une proportion du sol nu (1-pv

nρ

) et nous pouvons écrire donc ceci :

= nρ pv nρ + (1-pv

Où

) (4)

nρ est la réflectance du pixel mesurée dans la bande n, puis en remplaçant nρ dans l’équation donnant le NDVI , on obtient la proportion végétale à partir de l’équation suivante :

pv )1()1(1vss NDVI

NDVIKNDVINDVI

NDVINDVI −−−− =

(5)

avec : ss

vvK34

34

ρρρρ−

= − (6)

Où v4ρ et s4ρ sont les réflectances dan le proche infrarouge de la végétation et du sol et

v3ρ et s3ρ sont les réflectances dan le rouge de la végétation et du sol aussi. Les valeurs de NDVIs et NDVIv

La valeur de K se maintient constante pour toute l’image est s’obtient à partir des valeurs de réflectances dans la bande proche infrarouge et rouge pour des surfaces purement couvertes ou nues.

peuvent être déterminée sur l’image par reconnaissance des surfaces complètement couvertes par la végétation et celles nues (sol) ( par exemple des pixels ayant NDVI maximum et NDVI minimum tout en s’assurant que ceux ci ne représentent pas une surface d’eau ou autre , ce qui fausserait tout calcul).

En dernier on applique l’équation opérative pour l’obtention de émissivité--- dans le rang spectral 10.5-12.5 (Valor et Caselles 1996). ε = εv pv + εs (1-pv) + 4 dε pv (1-pvOù :

) (7)

εvε

: émissivité de la végétation s

dε : effet de cavité. : émissivité du sol nu


Le troisième terme de cette équation tient compte des effets pouvant être produits par des réflexions internes, un exemple de cet effet peu arriver dans un zone montagneuse. Pour notre zone d’étude dε est nul, puisque le type de couverture végétale présent ne produit pas d’effet de cavité (*). L’équation précédent s’écrira alors comme suit : ε = εv pv + εs (1-pvLes valeurs de ε

) (8) v etεs

III. RESULTATS :

correspondent à celles proposées par (Valor et Caselles 1996) pour l’obtention de l’équation opérative.

Sur la figure 1 on montre la carte du NDVI en niveau de gris pour la zone, obtenue à partir des valeurs de réflectances corrigées dans les canaux proche infrarouge (canal4) et rouge (canal3). Les couleurs obscure et grise dominent en conséquence du calendrier agricole pour cette période de l’année. Les valeurs moyennes maximales et minimales et les déviations standard de NDVI, NDVIs et NDVIv

Figure 1 : carte du NDVI

sont présentées sur la table1 précédente.

Pour les surfaces choisies, nous avons des NDVI assez grands puisque ceci correspond à une bonne activité chlorophyllienne.

Les valeurs maximales correspondent aux parcelles cultivées en plus forte activité et les valeurs minimales aux sols nus ou avec culture récente. Il est a noter que les NDVIs correspondent à des parcelles avec sol complètement nu ou moins cultivé de façon que la reflectance mesurée correspond en majeur partie au sol nu qu’a la végétation et le contraire se produit pour le NDVIvLes NDVI

. v et NDVIs représentent donc la

valeur maximale et minimale , respectivement , de la proportion végétale pvDans la table 2 on montre les valeurs de reflectance dans le proche infrarouge et le rouge pour des secteurs sol nus et couverts.

.

La valeur obtenue pour le coefficient K est 5.1. Table 2 : Valeurs moyennes des réfléctances (%) pour sol nu et couvert dans les bandes 3 et 4 Sol nu Sol couvert R ( bande 3) 6 9 PIR ( bande4) 10 40.7

La figure 2 montre ensuite la carte de proportion végétale obtenue après application de l’équation (5). Figure2 : carte P

v


Il est possible d’observer ici que les parcelles claires représentent une couverture végétale élevée, et elle correspond à un NDVI relativement haut sur la figure 1. Dans la figure 3 on trace en image la carte émissivité pour la zone étudiée en appliquant l’équation (8). Il est à remarquer que les valeurs obtenues varient entre 0.96 et 0.985. On attribue la première valeur au sol nu et la deuxième au sol couvert par la végétation. Figure 3 : carte de l’émissivité. Les valeurs correspondantes au sol nu varient avec le contenu en eau, du moment que si celui-ci augmente la valeur de émissivité augmente également. L’augmentation de émissivité peut être due aussi à la composition argileuse du sol ou à son contenu en matière organique ou bien aux deux à la fois en plus du contenu en eau. Il est intéressant de faire des mesures sur site de émissivité et voir réellement à quoi correspond cette variation.

IV. CONCLUSION : La surface étudiée présente quand même une faible proportion végétale comme le montre la figure 2. L’obtention de ce résultat est du essentiellement à ce que la réponse spectrale du capteur soit une combinaison des réflectances sol et végétation. Le fait de considérer la mesure comme telle, permet d’évaluer avec fermeté la contribution, au niveau du pixel de la végétation et du sol nu. La carte émissivité, ainsi obtenue présente des valeurs comprises entre 0.960 (sol nu) et 0.985 (végétation active) (figure 3). Les valeurs intermédiaires représentent des surfaces à différentes couvertures végétales et sols à différente contenance en humidité. Cette carte peut nous permettre de corriger l’image température pour l’effet de émissivité en utilisant l’équation monocanal SPLIT-WINDOW. BIBLIOGRAPHIE : [1]Chavez, P. S. , 1988, Remote sensing of environment,24:459-479. [2]Gilabert, M.A., et al, 1986, obres publiques :237-250. [3]Kerdiles, H. , et al, 1996, Agricultural and forest meteorology, 79 :157-182. [4]Price, J. C, 1990, IEEE transactions on geosciences and Remote sensing 28 (5) :940-948. [5]Rouse, J., et al, 1974, final report, grenbelt, MD, 371 pp. [6]Valor, E. et al, 1996, Remote sensing of environment 57:167-184.


Comparaison des Méthodes Markoviennes Paramétriques et non Paramétriques pour la

Classification des Images SAR

Assia Kourgli

[email protected]

, Aichouche Belhadj-Aissa Laboratoire de Traitement d’Images, Faculté d’Electronique et d’Informatique, U.S.T.H.B,

B.P.32, El-Alia, Bab-Ezzouar, 16111, Alger, Algérie.

Résumé— Nous proposons, dans cet article, de comparer les performances des modèles markoviens paramétriques et non paramétriques pour la classification texturale des images SAR. Le premier modèle, très largement employé en analyse de texture par les champs de Markov, est le modèle Gaussien. Quant au modèle non paramétrique, il s’agit d’un modèle établi sur la base d’une mesure de similitude, celle-ci est incorporée dans le calcul de probabilité de l’intensité d’un pixel étant donné un voisinage et un échantillon de texture. Dans un premier temps, nous donnons les résultats de classification obtenus en utilisant des textures naturelles extraites de l’album de Brodatz puis, nous les généralisons en employant des images radar SAR. Cette comparaison met en exergue l’apport de la classification texturale non paramétrique pour la reconnaissance thématique dans les images SAR.

Mots-Clés— Texture, Modélisation, Markov, Classification, Images SAR.

I. INTRODUCTION La texture, liée aux variations d’intensité dans un

voisinage, est quasi omniprésente dans les images satellitaires. En imagerie radar, elle est étroitement liée à la rugosité des états de surface. En effet, les variations d’intensité qui caractérisent la texture dans une image radar sont généralement dues aux propriétés physiques (rétrodiffusion) de la cible et modéliser ces variations s’avère très délicat.

Il existe une diversité d’approches et techniques d’analyse de textures [1-6] selon la manière dont la texture est perçue. Ainsi, bien que l'on reconnaisse une texture dès qu'on la voit, il est néanmoins plus difficile de la définir et de la modéliser. Cette difficulté est mise en évidence par les nombreuses définitions et modèles de texture rencontrés dans la littérature allant des modèles classiques dits paramétriques (modèles autorégressifs [7,8], Markoviens [9], fractal [10], etc.) aux modèles multi-résolutions non paramétriques basées entre autres sur les ondelettes ou les

filtres [11-16] en passant par l'échantillonnage par pixel [17,18] ou par bloc [19]. Les premiers se sont révélés inadéquats pour la modélisation texturale du fait que les textures naturelles ne soient pas stationnaires. Quant aux modèles non paramétriques, ils sont plus adaptés pour la synthèse et sont rarement exploitables pour la classification. Dans ce contexte, la présente étude a pour objectif de mettre à jour les avantages et limites de la modélisation texturale Markovienne paramétrique et non paramétrique pour la classification des images naturelles et plus particulièrement des images SAR. A cet effet, la deuxième section est consacrée à la modélisation Markovienne classique et au modèle de texture proposé, nous y explicitons les modifications introduites dans la formulation de la probabilité markovienne et présentons les résultats de synthèse obtenus. La segmentation texturale basée sur la théorie Bayesienne fait l’objet de la troisième section, nous y exposons les résultats obtenus et donnons quelques éléments d’interprétation. Une conclusion et des perspectives à ce travail clôturent ce papier.

II. MODÈLES MARKOVIENS Les modèles markoviens sont très largement utilisés en

traitement d’images depuis quelques années déjà, notamment pour les problèmes de modélisation [9,20,21], de synthèse [22,23], d'identification [24], de restauration [25], de détection de contours [26], la segmentation et la classification [27,28].

De part leur formulation, ces modèlent intègrent de façon explicite la notion de voisinage. Ainsi, dans les images réelles, les pixels voisins ont des niveaux de gris similaires et l'atout majeur des champs markoviens est leur capacité de modéliser des interactions entre pixels de façon simple, à travers un modèle probabiliste. D'un point de vue global, tous les pixels sont mutuellement dépendants à travers des combinaisons successives d'interactions locales. En outre, les algorithmes d'optimisation (Métropolis ou


échantillonneur de Gibbs) qui leurs sont associés se prêtent facilement à une implémentation parallèle. En analyse de texture, ils permettent de quantifier l’information texturale locale via un modèle paramétré.

A. Modélisation paramétriques Rappelons que X∈Ω est un champ aléatoire de Markov

par rapport à un système de voisinage N si et seulement si : La fonction de probabilité Π(x) satisfait les propriétés

suivantes [29]: Positivité:

.0)( Ω∈∀>=Π xxX (1) Propriété de Markov:

SsxNrxXxX

srSrxXxX

SrrSSS

rrSSS

∈Ω∈∀∈==Π=≠∈==Π

,),/(),,/( (2)

La deuxième propriété du champ de Markov, notée plus simplement P(xs/xr, r∈Ns) signifie que la connaissance d’un voisinage du pixel est suffisante pour le traiter. L’équivalence entre champs markoviens et champs de Gibbs [30] (établie par Hammersley et Clifford au début des années 1970) a permis de définir les champs Markoviens par la donnée d’un système de cliques Cs et d’une fonction énergétique associée U(x) qui s’écrit sous forme de potentiels d’interactions Vc

Soit : (x).

∑

∑

∈

Α∈

−=

∈=

−=∈

S

S

CcC

SrSS

SSrS

xVxUet

NrxPZavecZ

xUNrxxP

)()(

),/(

))(exp(),/(

αα

(3)

Ces fonctions potentiels doivent être adaptées aux données tout en demeurant les plus générales possible. En analyse de texture, les modèles les plus utilisés sont les automodèles (H. Derin, Ising généralisé, Gaussien ou auto-binomial) dont l'énergie s'exprime sous la forme de cliques simples ou double-cliques (d'ordre 1 et 2) :

∑ ∑∑

∑

∈

∈

−−=

−=

srsrs

Nrrs

ssss

CcC

xxfxxxfxxU

xVxU

S

S

),()()(

)()(

,

(4)

Dans ce cas, on suppose que la réalisation (la texture) X est constituée de m variables aléatoires. Chaque variable aléatoire prend ses valeurs dans l’ensemble A = 0……L, ensemble des niveaux de gris. Chaque clique liant le pixel central à son voisin dans un système de voisinage Ns, sera identifiée par une fonction fs,r s'exprimant en fonction d'un paramètre β s,r , appelé aussi coefficient de pondération. Ce paramètre prend ses valeurs dans l’ensemble R. Quant à la fonction fs

Pour les textures naturelles, on adopte le plus souvent le

modèle Gaussien car il permet d’obtenir des textures synthétisées présentant quelques similitudes avec celles modélisées bien qu’on ne retrouve que la structure globale et prédominante de la texture (voir Fig.1).

, elle exprime l'attache aux données [29].

Fig.1. Textures naturelles à gauche et textures synthétisées à droite

Ces différences notables entre les textures modélisées et les textures synthétisées sont dues, entre autres, au fait que par l’application d’un modèle paramétré, nous supposons que la probabilité P(xs/xr, r∈Ns) est la même pour tous les pixels s (β s,r=β r) et par la même occasion, on occulte le caractère aléatoire de la texture en considérant qu'il est possible qu'elle soit générée par un modèle unique, déterminé par des paramètres uniques β r

B. Modélisation non paramétrique

. Or les primitives des textures naturelles se ressemblent mais ne sont point identiques d’où l'émergence des modèles non paramétriques qui permettent de pallier ce problème de non sationnarité. A cet effet, nous proposons, dans ce qui suit, un modèle de texture Markovien non paramétrique basé sur une quantification de voisinage.

La modélisation texturale non paramétrique et le concept d'analyse texturale multi-échelles se sont intensément développés ces quinze dernières années que ce soit pour la synthèse texturale [11,12,18] la modélisation texturale [14], la compression d'images ou la segmentation texturale [24, 32, 33]


L'idée de quantifier le voisinage pour établir un modèle de synthèse non paramétrique a déjà été utilisée par Effros [17,19]. Il a proposé d'utiliser une mesure de distance (norme) pondérée par une Gaussienne pour rechercher les voisinages similaires. Pour notre part, nous avons retenu le principe de la théorie Markovienne. Ainsi, notre objectif est de rechercher la configuration la plus vraisemblable pour un pixel de posséder une intensité étant données les intensités des pixels qui lui sont voisins mais en prenant en considération la non sationnarité des textures naturelles. A cet fin, nous avons modifié l'expression de la probabilité P(xs/xr, r∈Ns

Pour formuler une expression non paramétrique de la probabilité P(x

) de telle sorte qu'elle ne dépende plus d'une formulation mathématique figée (βr) mais qu'elle prenne en compte les différences entre primitives (non stationnarité). Donc, au lieu de considérer un voisinage unique qui pourrait se révéler non représentatif, nous avons considéré les voisinages de tout l'échantillon. Nous restons donc bien dans un cadre markovien.

s/xr, r∈Ns), nous avons utilisé une mesure de similitude entre voisinages. Ainsi, on compare le voisinage Ns du pixel xS

à tous les voisinage Ny compris dans l'échantillon de texture Y en respectant l'ordre lexicographique. La mesure de similitude (MS) pour un voisinage Ns est, alors, formulée comme suit :

( )2,

_),( ∑∈∈

∈ −=Sryr NxNy

rrYyS xyNNMS (5)

Cette mesure est une fonction énergie où les potentiels qui régissent les relations entre les intensités sont exprimés par les différences d'intensité (yr - xr), ce qui nous donne l’expression suivante de P(xs/xr, r∈Ns

) :

∑ ∈

∈

−=

−=∈

tYytS

S

YysSrS

NNMSZavecZ

NNMSNrxxP

),(exp(

),(exp(),/( (6)

Ainsi maximiser P(xs/xr, r ∈Ns) revient à minimiser U(x) soit MS(Ns ,Ny∈Y). Pour déterminer xS, il suffit de calculer cette mesure pour tous les voisinages Ny∈Y et retenir le voisinage permettant d'obtenir la plus petite mesure de similitude. L’intensité du pixel central du voisinage retenu constituera la nouvelle valeur de x

Pour tester, dans un premier temps, la validité et la robustesse de cette modélisation non paramétrique, nous avons considéré des textures de Brodatz [34] et avons généré des textures par le biais d'un algorithme de synthèse multi-échelles itératif inspiré de l'échantillonneur de Gibbs. Les résultats obtenus sont illustrés à la Fig.2.

S

Nous remarquons que les textures synthétisées par le modèle markovien non paramétrique sont plus proches des textures naturelles du fait que ce dernier prend en compte la non stationnarité de la texture.

Fig.2. Textures naturelles à gauche et textures synthétisées à droite

Pour l'aspect classification, nous nous sommes, d'abord, intéressés à la segmentation des textures naturelles puis, nous avons procédé à la classification des images SAR.

III. CLASSIFICATION Les modèles Markoviens ont été utilisés principalement

pour la segmentation et/ou la classification supervisée, où le nombre et/ou les types de classes de textures présentes sont connus a priori [8,33,35]. Ces méthodes utilisent les modèles de Markov pour définir la probabilité qu’une portion de texture soit similaire à une texture source. La classification supervisée permet de discriminer les différentes classes de textures source à partir d’une image.

Geman et Graffigne [36] ont utilisé l’approche Bayésienne pour classifier la texture. Dans ce sens, la classification des textures est basée sur un modèle a priori. L’image à classifier est notée X et l’image étiquette est notée XC

. A chaque pixel correspond une étiquette C. La classification est alors faite sur la base de la maximisation de la probabilité combinée via la formule de Bayes :

)()()/()/(

xPxPxxPxxP

CCC = (7)

Où P(x) est une constante car c’est une réalisation du processus observé, P(x/xC) est la probabilité de réalisation d’une configuration donnée conditionnellement à l’étiquetage, et P(xC) représente la probabilité associée à


l’image étiquette XC appelée aussi probabilité a priori et P(xC

Le but de la procédure de segmentation/classification est de trouver l’image x

/x) étant la probabilité a posteriori.

C qui maximise la probabilité P(xC/x). À partir de l’équation 7, cette probabilité est maximisée en maximisant P(x/xC) et P(xC) à la fois. La probabilité P(x) représente la probabilité d’obtenir x. Comme nous ne disposons que d'une seule réalisation de x, on ignore P(x). La probabilité P(xC) inclut des facteurs relatifs à la manière dont des pixels de même étiquette se regroupent. Il ne reste que la probabilité P(x/xC

Si X est un champ Markovien, alors : ) à formuler.

)()/( xxxP C Π= (8) Ainsi, P(x/xC) est déterminée uniquement par les

probabilités conditionnelles locales. En général, on classifie de petites régions de l’image en supposant qu’elles sont homogènes. Afin de déterminer quel type de modélisation est le plus adapté pour l'identification et la classification des images SAR, nous avons mené une première série de tests sur des mosaïques d'images naturelles. Les résultats obtenus sont illustrés respectivement aux Fig.3 et 4 et les taux de classification sont donnés, aussi respectivement, aux tables 1 et 2.

a)

b)

c)

Fig.3. Classification de a) l'image " mosaïque 1" avec b) le modèle markovien para métrique et c) le modèle non paramétrique

TABLE 1: TAUX DE CLASSIFICATION DE MOSAÏQUE 1.

Textures Modèle paramétrique

Modèle non paramétrique

Texture 1 77.96% 98.00% Texture 2 77.23% 98.78% Texture 3 69.51% 98.17%

a)

b) c)

Fig.4. Classification de a) l’image "mosaïque 2" avec a) le modèle markovien para métrique et c) le modèle non paramétrique

TABLE 2: TAUX DE CLASSIFICATION DE MOSAÏQUE 2. Textures Modèle

paramétrique Modèle non

paramétrique Texture 1 61.32% 97.87% Texture 2 70.38% 69.27% Texture 3 71.07% 96.10% Texture 4 71.35% 80.14% Texture 5 17.07% 84.36%

Les taux de classification obtenus avec le modèle non

paramétrique sont nettement supérieurs à ceux issus de la modélisation paramétrique. Ces résultats montrent que le modèle non paramétrique s'adapte mieux à la nature des textures. En effet, pour l'image "mosaïque 1", le taux moyen de classification est de 98.45% et de 85.58% pour "mosaïque 2" du fait que le nombre de textures mises en jeu soit plus important.

Pour les images SAR, ils existent divers travaux montrant l'apport de l'analyse texture pour l'identification des différents couverts [37-43]. Notre étude s'inscrit dans ce contexte. Ainsi, nous avons tenté de classifier une image SAR par les deux modèles. Il s'agit une image amplitude SAR acquise dans la bande P. La nature de cette bande permet aux ondes électromagnétiques, lorsqu'il s'agit d'une zone forestière, de traverser les feuilles et le branchage des arbres. La zone d'étude "Oberpfaffenhofen" est située à Wesling près de Munich en Allemagne. Nous avons pris une imagette de taille 600×600 pixels, elle englobe une zone forestière avec des arbres de différents âges, des champs et de l'urbain (Fig.5). Nous avons extrait quatre échantillons de taille 60×60, le premier représente des forêts dense


(conifères), le deuxième de l'herbe, le troisième de jeunes forêts et le quatrième du bâti.

Fig.6. Image amplitude SAR

Les résultats de classification obtenus sont donnés aux Fig.6 et 7

Fig.6. Image SAR classifiée par le modèle paramétrique La classification de l'image SAR par le bais d'un modèle

paramétrique (Fig. 6) fournit une image segmentée de façon peu précise avec des classes qui se chevauchent. Quant à l'emploi du modèle non paramétrique pour la classification (Fig. 7), il s'est révélé plus satisfaisant en fournissant une image classifiée proche de la réalité (voir Fig.8).

Ainsi, le modèle non paramétrique est plus indiqué pour l'identification des textures réelles, il est à même de caractériser et de cartographier les différentes thèmes présents dans une image SAR.

Fig.7. Image SAR classifiée par le modèle non paramétrique

Fig.8. Image Google Earth d"Oberpfaffenhofen"

IV. CONCLUSION Dans cet article, nous nous sommes intéressés à la

caractérisation de la texture par le biais de deux modèles Markoviens, l'un paramétrique et l'autre non paramétrique. Le premier modèle est Gaussien et le deuxième est basé sur une quantification de voisinage. Les différents tests menés montrent que lorsqu'il s'agit de textures naturelles, l'aspect non paramétrique d'un modèle de texture permet de travailler sur les données brutes sans faire de supposition à priori (stationnarité et érgodicité) et de tenir compte, ainsi, des similitudes des variations spatiales d'intensité. L'approche non paramétrique proposée s'adapte bien aux problèmes d'identification et de classification des images SAR. En effet, les images radar peuvent contenir une multitude de textures et en dresser une base d'entraînement exhaustive n'est pas chose aisée. C'est la que réside l'intérêt principal de l'approche que nous avons développée. En utilisant


directement l'échantillon de texture, on peut l'identifier sur la même image ou sur d'autres images aisément.

REFERENCES [1] R. M. Haralick, “Statistical image texture analysis”, In Handbook of

pattern recognition and image processing. New York: Academic Press, 1986.

[2] A. Materka, M. Strzelecki, “Texture analysis methods-a review”, Technical University of Lodz, COST B11 Report, 1998.

[3] T. R. Reed, J. M. H. Du Buf, “ A review of recent texture segmentation and feature extraction techniques”, CVGIP: Image Understanding, vol. 57 (3), pp. 359-372, 1993.

[4] M. Tuceyran, , A. K. Jain, “Texture analysis”, In C. H. Chen, L. F. Pau, & P. S. P. Wang (Eds.), in Handbook of pattern recognition and computer vision. Singapore: World Scientific pp. 235-276, 1998.

[5] M.Sharma, Performance evaluation of image segmentation a nd texture extraction methods in scene analysis, Master thesis, University of Exeter, UK, 2001.

[6] M Singh, S. Singh, S. “Spatial texture analysis: A comparative study”, Proceedings of the 15th IEEE International Conference on Pattern Recognition (ICPR’02), Quebec, Canada , pp. 676-679, August 2002.

[7] R. Chellappa, R. L. Kashyap, B. S. Manjunath, “Model-based texture segmentation and classification”, in Handbook of Pattern Recognition and Computer Vision (C. H. Chen, L. F. Pau, And P. S. P. Wang, Eds.), Singapore: World Scientic, 1993, pp.277-310.

[8] R. Chellappa, R. L. Kashyap, “Texture synthesis using 2-D noncausal autoregressive models”, IEEE Transactions on Acoustic, Speech, Signal Processing, Assp-33, pp. 194–203, 1985

[9] D. A. Bader, J. Jaja, R. Chellapa, “Scalable data parallel algorithms for texture synthesis using gibbs random fields”. IEEE Transactions on Image Processing, vol. 4 (10), pp. 1456-1460, 1995.

[10] R. F. Voss, “Fractals in nature: from characterisation to simulation”, in The Science Of Fractal Images. H-O. Peitgen & D. Saupe (Eds.), Springer Verlag, 1988, pp.21-70.

[11] J. De Bonet, P. Viola, “A non-parametric multi-scale statistical model for natural images”, in Advances In Neural Info Processing, vol. 9. Mit Press, 1988.

[12] D. J. Heeger, J. R. Bergen, “Pyramid based texture analysis/synthesis”, International Conference on Computer Graphics and Interactive Techniques, ACM SIGGRAPH, Los-Angeles, California, pp. 229–238, August 6-10, 1995.

[13] J. Portilla, J, E. Simoncelli, “A parameter texture model based on joint statistics of complex wavelet coefficients”, International Journal of Computer Vision , vol. 40 (1), pp.49–71, 1999.

[14] G. Menegaz, “DWT based non parametric texture modelling. Proceeding of the International Conference on Image Processing (Icip'01), Thessalonica, Greece, October 3-5, 2001, pp. 173-176.

[15] A. C. Copeland, G. Ravichandran, M. M. Trivedi, “Texture synthesis using gray-level co-occurrence models: algorithms, experimental analysis, and psychophysical support”, Optical Engineering, vol. 40 (11), pp.2655-2673, 2001.

[16] J. Dong, Three-dimensional surface texture synthesis. Phd Thesis, University Of Heriot Watt, U.K., 2003

[17] A. A. Efros, T. Leung, “Texture synthesis by non-parametric sampling”, IEEE International Conference on Computer Vision, vol.2, Corfu, Greece, pp. 1033-1038, September 21-22, 1999.

[18] L. Y. Wei, M. Levoy, “Fast texture synthesis using tree vector quantization”, Proceedings of International Conference on Computer Graphics and Interactive Techniques ACM SIGGRAPH 00, New Orleans, Louisiana, USA, pp.479–488, 23-28 July 2000.

[19] A. A. Effros, W. T. Freeman, “Image quilting for texture synthesis and transfer”, Proceedings of International Conference on Computer Graphics And Interactive Techniques, Acm Siggraph, vol. 6, Los Angeles, California, pp. 341-34, August 12-17, 2001.

[20] I. M. Elfadel, R. W. Picard, "Gibbs random fields, cooccurences, and texture modelling", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 16 (1), pp.24-37, 1994.

[21] J. Bennet, A. Khotanzad, "Maximum likelihood estimation methods for multispectral random field image models", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21(6), pp.537-543, 1999.

[22] R. E. Ghozi, B. C. Levy, "Phase transitions and multi-scale Markov random fileds: Application to texture synthesis", IEEE Conference Record of The Twenty-Seventh Asilomar on Signals, Systems and Computers, 1-5, Pacific Grove, California, October 28- November 1, 1993.

[23] J. K. Tugnait, "Texture synthesis using asymmetric 2-D noncausal AR models", IEEE Signal Processing Workshop on Higher-Order Statistics, pp.71-75, 1993.

[24] R. Paget, I. D. Longstaff, “Texture synthesis via a noncausal nonparametric multiscale Markov random field”, IEEE Transactions on Image Processing, Vol. 7 (6), 1998.

[25] A. Jalobeanu, L. Blanc-Féraud, J. Zerubia, "Hyperparameter estimation for satellite images restoration using MCMC maximum likelihood method", Pattern Recognition, vol. 2 (35), pp.341-352, 2002.

[26] F. Destrempes, M. Mignotte, "A statistical model for contours in images", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 26 (5), pp.626-638, 2004.

[27] K. S. Thyagarajan, T. Nguyen, T., C. E Persons, "Maximum likelihood approach to image texture and acoustic signal classification", IEE Vision, Image and Signal Processing, vol. 46 (1), pp.34-39, 199.

[28] X. Descombes, M. Sigelle, " Estimating Gaussian Markov random field parameters in a non sationnary framework: Application to remote sensing imaging", IEEE Transactions on Image Processing, vol. 8 (4), pp.490-503, 1999.

[29] S. Z. Li, “Modeling image analysis problems using random markov field”, in Handbook of Statistics, vol. 20. Elsevier Science, 2000, pp. 1-43.

[30] J. H. Hammersley, P. Clifford, “Markov field on finite graphs and attices”, Technical Report, Unpublished, 1971.

[31] H. Derin, H. Elliott, “Modelling And Segmentation Of Noisy And Textures Images Using Gibbs Random Fields”, IEEE Transactions Of Pattern Analysis And Machine Intelligence, Pami-9 (1), pp. 39-55, 1987.

[32] C. A. Bouman, M. Shapiro, “A multiscale random field model for bayesian image segmentation”. IEEE Transactions on Image processing, vol. 3 (2), pp.162-177, 1994.

[33] S. Krishnamachari, “Multiresolution Gauss–Markov random field models for texture segmentation. IEEE Transactions on Image Processing, vol. 6 (2), pp.251-267, 1997.

[34] P. Brodatz, “Textures: a photographic album for artists and designers”, New York: Dover Publications, 1966.

[35] B. Aiaiazzi, L. Alparone, S. Baronti, G. Cuozzo, C. D’elia, C. Schirinzi, “SAR image classification via tree-structured markov random fields and information-theoretic heterogeneity features”, ESA-EUSC 2005 Image Information Mining - Theory And Applications To Earth Observation, Proceedings Of The Workshop, At Esa-Esrin, Frascati, Italy,5-7 October 2005.

[36] S. Geman, D. Geman, “Stochastic relaxation, gibbs distributions, and the bayesian restoration of images”, IEEE Transactions of Pattern Analysis and Machine Intelligence, vol. 6 (6), pp. 721-741, 1984.

[37] R. S. Gill, R. T. Tonboe, “Classification of greenice SAR data using fuzzy screening method in arctic sea ice thickness: past, present and future”, Edited By Peter Wadhams And Georgios Amanatidis. Climate Change And Natural Hazards Series, Brussels, 2006.

[38] A. M. Jacob, E. M. Hemerly, D. Fernandes, “SAR Image Classification Using Supervised Neural Classifiers”, Anais Xi Sbsr, Belo Horizonte, Brasil, pp. 2047 – 2054, 05 - 10 April 2003.


[39] Karathanassi, “SAR texture analysis for the extraction of sea waves direction”, 5T European On Synthtetic Aperture Radar, Ulm, Germany, 25-27 May 2004.

[40] P. Li, S. Fang, , “SAR image classification based on its texture features”, Geo-Spatial Information, vol. 6 (3), pp.16-19, 2003.

[41] L-K. Soh, C. Tsatsoulis, “Texture analysis of sar sea ice imagery using gray level co-occurrence matrices”, IEEE Transactions on Geoscience and Remote Sensing, vol. 37 (2), March 1999.

[42] M. Törmä, J. Lumme, J. U. Pyysalo, N. Patrikainen, K. Luojus, “Tree species classification using ers sar and modis ndvi images”, Proceedings of XXth ISPRS Congress, Istanbul, Turkey, 12-23 July 2004.

[43] P. M. Treitz, P.J. Howarth, O. Rotunno Filo, E.D. Soulis, “Agricultural crop classification using SAR tone and texture statistic”s, Canadian Journal of Remote Sensing, vol. 26 (1), pp.18-29, 2000.


VERS LE DEVELOPPEMENT D’UN SYSTEME D’IFONRAMTION SOLAIRE A PARTIR DES IMAGES

METEOSAT

Rezzagui abdelhak (1) Bachari.Nour el islam (2) et Ziani Mohamed Khadi (2)

1- O.N.M Dar el Beida 2- L.A.A.R Département de physique U.S.T.Oran 3- Université de Laghouat

INTRODUCTION La cartographie du bilan d’énergie à l’interface sol-atmosphère est nécessaire pour la gestion optimale des ressources naturelles. Les cartes solaires sont établies soit à partir des mesures radiométriques au sol, soit à partir des mesures climatiques ou e n fonction d’une hypothèse de répartition zonale pour les régions sans réseau des mesures radiométriques et climatiques. L’Algérie est un pays vaste, sa topographie est accidentée, son climat variant de Sud vers le Nord et son réseau de mesures radiomètriques est de faible densité, ce qui rend les techniques citées non pratique pour car tographie l es i rradiations s olaires. L’image s atellite pa r s a fréquence (une image par ¼ heures) et sa couverture spatiale (toute l’Afrique et l’Europre) se présente c omme le mo yen le pl us pr atique po ur le s uivi s patio-temporel de s di fférentes composantes du r ayonnement s olaire. Les m odèles dé veloppés pou r l ’extraction de s irradiations s olaires à partir de s ima ges s ont classés en deux cat égories, les m odèles statistiques e t l es modèles ph ysiques s ont généralement développés pour cartographie le rayonnement global. Dans not re travail, no us pr oposons un m odèle pour l a car tographie de s di fférentes composantes du rayonnement solaires en se basant sur la transformation des images brutes en images ennuagement. Les i mages e nnuagement s ont t ransformées e n i mages de pot entiel énergétique à différents niveaux de gris. Le grand défi pour réaliser ce travail est le stockage d’information. Les images M.S.G (meteosat second generation)

2. DONNEES Pour élaborer ce t ravail nous avons ut ilisé l es images du satellite Européen météosat et des données radiomètriques acquises au sol par deux stations en Algérie. 2.1 Images satellites L’image m étéosat, se p résente s ous f orme d’ une m atrice num érique, à cha que pi xel de coordonnées (x, y) est attribuée un compte numèrique CN(x ,y) codée sur 10 bits. Le satellite météosat est un satellite géosatationnaire qui observe le disque terrestre (Afrique et Europe) dans douze bandes spectrales, visible, va peur d’eau et infrarouge. Les images sont acquises par une station qui fonctionne en temps réelle réalisée au niveau du l aboratoire d’analyse du rayonnement ( L.A.A.R). Les pr emières i mages capt ées l e 07 -04-2007 e ntre13h00-13h15 Temps Local (MSG-1 > Meteosat 8) sont montrées dans la figure suivante :


Figure.1 Images M.S.G acquises par la station L.A.A.R

3. Modèle conceptuel et du traitement

3.1 Modèle conceptuel des données : Les images (M. S. G) nous offre chaque ¼ heures une acquisition avec un volume en espace mémoire de 1.5 G.O c ela s e t raduit pa r 6 G .O par heure e t 144 G.O pa r j our. Estimer l es composantes du r ayonnement s olaire c ela i mpose un s tockage de s i mages da ns une t able (heures, jours). Pour une année les images stockées occupent un espace mémoire d’ordre de 540 G.O cela se traduit par un défi d’optimisation d’espace mémoire sans perte d’information. Un algorithme de trie spectrale, trie spatiale est mis en place pour optimiser au maximum les images à analyser selon la thématique voul ue. Un deuxième algorithme de compression est développée pou r l e s tockage de s i mages t raitées. Le d euxième al gorithme es t dé veloppée selon un processus physique.

3.2 Modèle conceptuel du traitement Dans les modèles classiques les paramètres clé pour déterminer la radiation solaire au sol sont le pot entiel r adiatif à c iel c lair e t la f raction d’insolation. Par a nalogie entre l es m odèles classiques et les modèles satellitaires ; l e paramètre cl é est le taux de couverture d’un pixel par l es nu ages dé finit pa r l e facteur E nnuagement. Plusieurs m odèles s pectraux et paramétriques sont développés pa r l es ch ercheurs pour cal culer l es di fférentes com posantes du r ayonnement s olaire a u sol à c iel c lair [1]. D ans not re c as, nous r etenons l e m odèle proposé par l’WMO (World Meteorological Organization) [3]. Ce modèle est valable pour les régions de s ba sses et de s m oyennes l atitudes ce qui es t l e cas de not re z one d’ étude. La présence de s nua ges da ns l e doubl e t rajectoire du rayonnement s oleil-sol e t s ol-satellite e st très c omplexe pour l a m ettre e n é vidence, nous pr oposons une a pproche s tatistique pour corriger un modèle physique.

3.2.1 Irradiance diffuse Dans l e cas du ciel cl air l e r ayonnement di ffus Dskc dé pend du t rouble a tmosphèrique, de masse a tmosphèrique et de l ’anisotropie du di ffus. Le facteur d’ anisotropie K j oue l e r ôle d’un r égulateur pour l es f aibles ha uteurs du s oleil[4].En pr ésence de s n uages, l ’irradiation diffuse qui atteint l e s ol au gmente d ’une façon no n-linéaire av ec l e t aux d’ ennuagement. L’analyse s tatistique e ntre l es donné es s ol et l ’ennuagement nous a donné l a r elation suivante :


Dn= Dskc(1+0.65.K.N.eαN) Wm-2

(4)

3.2.2 Irradiance globale L’irradiance globale au sol Gskc

dépend du trouble atmosphèrique et la masse atmosphèrique à ciel clair. En présence des nuages l’irradiance globale au sol n’est que l’irradiance directe qui atteint l e ha ut de s nua ges e t di ffusée pa r c es de rniers e n di rection du s ol. E n pr ésence de s nuages br isés, l’irradiance globale au sol es t l a s omme de s de ux pa rties s elon le t aux de couverture de s pi xels pa r l es nu ages. E n se b asant s ure l es t ravaux de R ashke et al et d’Immamura et al [4] et par suite d’une analyse statistique des données mesurées au sol nous proposons la relation suivante :

))Nexp(1(KI)N1(GG skcskcn β−−+−= (8)

3.23 Irradiance directe

L’irradiance di recte qui at teint l e s ol es t en f onction d’irradiance di recte à ci el cl air I et d’ennuagement N. Dans le cas du ciel totalement couvert l’irradiance directe est egale à zéro et en présence de s nu ages el le di minue d’ une f açon considérable. Pour f aciliter l a t âche et pour donne r un s ens hom ogène a u m odèle t out s implement nous a vons calculé l ’irradiance globale à partir des irradiations globale et diffuse.

)( hnnn zCos

DGI −= Wm-2 (9)

L’architecture générale du modèle développée est présentée dans la figure suivante :

Figure.2 Architecture générale du M.C.T

3.3 Couches d’information produites

Pour un lieu donné les données brutes se transforment en couches d’information : 1- Couche Astronomique 2- Couche Atmosphérique 3- Couche occupation du sol


4- Couche énergétique (visible et infrarouge) Les cou ches crées pr ésentent un a utre ha ndicap de s tockage d ’information ut ile e t pa rfois nécessaire. Devant ces problèmes à l a f ois i nformatiques et t hématiques de s i mages nous proposons une solution S.I.S qui se résument en : 1- Technologique présenté par une réalisation des stations d’acquisition des images M.S.G 2- Informatique qui fonctionne en temps réel pour la création de la base de données images sans perte d’information composé des modules suivant: 2.1- Un outil de gestion de la base de données 2.2- Un outil d’extraction des paramètres utiles selon la thématique 2.3- Un outil d’analyse statistique 2.4-Un outil d’affichage et de cartographie L’ensemble des modules sera intégré dans le système d’acquisition des images à temps réel par la station [5]

Figure.3 Information du sortie

4. Conclusion

Pour réaliser un S.I.S deux volets sont mis en place : 1- Technologique qui consiste à réaliser une station d’acquisition des images satellite M.S.G. Cette phase rentre dans le programme de recherche du L.A.A.R depuis cinq ans el le es t en phase bien avancée.


2. Traitement : cet te pa rtie es t en phase de dé veloppement de s al gorithmes s pécifiques. Certains sont réalisées et testés par contre d’autres sont en phase d’étude préliminaire. Bibliographie [1] Nour el islam Bachari, Abdelhak Razagui. Estimation et Cartographie des Différentes Composantes du Rayonnement Solaire à Partir des Images Météosat. Vol.4 (2001) P. 35-47 [2] N.Bachari. N.Benabadji. A.Razagui et A.H.Belbachir : Développement d’une méthodologie pour Déterminer et Cartographie du Rayonnement Thermique du Sol. Numéro Spécial pp JITH 2003 Pp39-46. [3] W.M.O, ‘Meteorology aspects of utilisation of solar radiation as an energy source’, N° [4] M.S.IMAMURA, R.HULSTROM a nd C.COOKSON, ‘Definition s tudy of phot ovoltaic residential prototype system’ U.S. Departement of Commerce, Report No. N 77-13533. 1976.. [5] N.BACHARI, N.BEANABADJI, et A.A BDELLAOUI, Développement d’ un l ogiciel d’analyse s pectrale et t emporelle de s i mages s atellitales t ype SP OT, LANDSAT et METEOSAT, A.M.S.E, J Volume.38, N° 1,2, pp15-34,1997. [6] OUMBE A., WALD L., 2008. S imple pa rameterisations o f ve rtical pr ofile of s olar irradiance in clear sky. Solar Energy, revised version, submitted April 2008. [7] LEFÈVRE M., WALD L., DIABATÉ L., 2007. Using reduced data sets ISCCP-B2 from the Meteosat satellites to assess surface solar irradiance. Solar Energy, 81, 240-253. [8] RIGOLLIER C ., LEFÈVRE M ., WALD L., 2004. T he m ethod Heliosat-2 for d eriving shortwave solar radiation data from satellite images. Solar Energy, 77(2), 159-169. [9] REMUND J., WALD L., LEFEVRE M., RANCHIN T., Page J., 2003. Worldwide Linke turbidity information. Proceedings of ISES Solar World Congress, 16-19 June 2003, G ?org, Sweden


Méthodes de Déroulement de Phase Radar Interférométrique : Application à la

Génération de MNT

Faiza Hocine, Afifa Haddoud, Mostéfa Belhadj aissa, Mounira Ouarzeddine & Aichouche Belhadj-Aissa

Laboratoire de Traitement d’Images et Rayonnement (LTIR) [email protected]

Faculté d’Electronique et d’Informatique (FEI), Université des Sciences et de la Technologie Houari

Boumediene, BP. 32, El Alia, Bab Ezzouar, 1611, Alger, Algérie.

[email protected]

Résumé—L’exploitation de la différence de phases de deux images radar de type SLC constitue, actuellement une source efficace p our l a g énération de Modèles N umériques de Terrain (MNT). Néanmoins, les techniques de traitement de ces données restent très complexes et donnent naissance à un axe d e re cherche à part entière dit i nterférométrie radar SAR(INSAR). Le déroulement de phase est l’étape essentielle dans ce traitement interférométrique, il consiste à retrouver la phase absolue à partir d’une phase ambigüe, (modulo 2π). Notre p oint d ’intérêt d ans ce travail est f ocalisé sur l ’étape de dé roulement de phase et no us pr ésentons, à cet ef fet, l es méthodes que n ous a vons d éveloppées e n mettant l ’accent sur l eur complexité et l es p roblèmes d e f aisabilité interférométrique posés pa r chaque méthode. L es t ests de ces m éthodes ont été ef fectués s ur u n c ouple ra dar S AR acquis par les satellites européens ERS1 et ERS2 en tandem et couvrant la zone d’Alger et la Mitidja. Mots-clés : Interférométrie radar SAR, déroulement de phase, Modèle Numérique de Terrain, résidus, cut-Brunch, modélisation markovienne.

I. INTRODUCTION

La connaissance numérique du relief, généralement traduit sous forme de modèle numérique de terrain (MNT), est un élément essentiel dans diverses applications des sciences de la terre, des télécommunications, de la navigation aérienne, etc. Le MNT est un concept plus complexe et plus global qui ne traite pas seulement la hauteur et l'élévation mais d'autres éléments géographiques comme les rivières, les crêtes et les bassins versants. Si, dans un premier temps, on a fait usage de photographies aériennes stéréoscopiques, pour la génération des MNT il a fallu attendre 1986 avec le lancement du satellite SPOT et grâce à sa visée latérale, pour pouvoir disposer des couples stéréoscopiques d’images satellitaires et voire se développer des techniques de corrélation automatique intégrées dans des processus de photogrammétrie automatique pour la génération de MNT. Actuellement, les images satellitaires radar de type SLCI et l’exploitation de la différence de phase pour deux acquisitions constituent une source efficace pour l’obtention des MNT. Néanmoins, le traitement de ces données reste très complexe et donne naissance à un axe de recherche à part entière dit interférométrie radar SAR(INSAR). En effet, les techniques interférométriques radar combinent une large

couverture à une haute résolution spatiale. Elles permettent l’estimation de l’altitude d’un point au sol et la détection des faibles mouvements de terrain à partir de la différence de phases de deux signaux radar acquis par deux capteur séparés par une distance dite ‘baseline’. Dans ce contexte, le travail que nous présentons, dans cette communication porte sur l’étape de déroulement de phase dans un processus interférométrique qui consiste à retrouver la phase absolue à partir d’une phase ambigüe (modulo 2π). Nous avons développé , à cet effet deux méthodes. La première est dite locale, elle déroule la phase de proche en proche mais pose le problème de discontinuités des phases dans l’interférogramme qui sont dues aux bruits de diverses sources (géométrie d’acquisition, topographie de la scène éclairée, milieu de propagation de l’onde radar, etc..). La deuxième méthode considère la phase comme une fonction d’énergie d’interactions locales qu’il faut optimiser pour retrouver la vraie phase (absolue). Cette méthode est basée sur une modélisation markovienne. Elle pose le problème de l’initialisation, qui doit être une configuration proche de la solution et du choix de l’algorithme d’optimisation qu’il faut adapter à la nature de l’information interférométrique. Nous les avons testées sur un interférogramme généré à partir d’un couple SLC acquis par les satellites ERS1 et ERS2 de la région d’Alger et la mitidja.

Après cette introduction, nous présenterons, dans la deuxième section le principe et la géométrie d’acquisition interférométrique. Dans la section III, nous exposerons le principe et les approches de déroulement de phase en s’attardant sur les méthodes développées dans ce travail et nous présenterons, ensuite les résultats obtenus en les commentant. Nous terminerons ce papier par une conclusion et les références bibliographiques relative à ce travail.

II. L’INTERFEROMETRIE RADAR SAR

Le principe de l’interférométrie est basé sur l’utilisation de deux images (SLCI : Single Look Complex Image) radar SAR de la même scène, acquises à partir de deux orbites séparés par une distance dite ‘baseline’. La géométrie d’acquisition du couple interférométrique est donnée par la figure 1. Soit P, une cible localisée dans la scène et a une hauteur h, RA et RB sont les distances





respectives entre les capteurs et la cible. Les signaux )( pS Aet )( pSB

des ondes radar rétrodiffusées par la cible P et mesurées par les capteurs radar sont donnés par les expressions suivantes : )()()( pj

AAAeppS φρ= (1)

)()()( pjBB

BeppS φρ= (2) La phase )(, pBAϕ de chaque signal est donnée par :

BAbruit

BApropre

BAtrajet

BA p ,,,, )( ϕϕϕϕ ++= (3)

La phase est composée, principalement de trois termes :

• )(,

pBA

trajetϕ : dépend du trajet aller-retour de l’onde radar entre le capteur et la cible, elle est proportionnelle à l’élévation de la cible.

• )(,

pBA

propreϕ : est une phase proportionnelle aux caractéristiques de réflectivité du terrain.

• )(,

pBA

bruitϕ est une phase due aux bruits introduits par l’électronique du système d’acquisition, le milieu de propagation qui est l’atmosphère et la géométrie topographique de la scène.

Le produit interférométrique complexe est donné par la relation suivante :

⟩⟨⟩⟨

⟩⟨⟩⟨=

−

22

)()(

)(*)(

)(*)()(pSpS

epeppBA

pjB

pjA

BA ϕϕ ρρη (4)

Chaque cible (pixel) doit avoir la même localisation dans les deux images. Pour ce faire, une étape de correction géométrique et de superposition des deux images est effectuée au préalable. La précision de cette étape de traitement conditionne fortement les résultats interférométriques ultérieurs. Les images générées de ce produit interférométriques sont :

• )( pη : qui représente le coefficient de corrélation des deux images, sa valeur est incluse dans l’intervalle [ ]1,0 . Cette image, dite image de cohérence mesure la qualité des données interférométrique. Plus elle est proche de un (1)

meilleurs sont les résultats interférométriques. Cependant la décorrélation entre les deux signaux est due principalement aux changements de l’angle de visé des deux satellites (décorrélation spatiale), aux changements de l’état de surface entre les deux acquisitions (décorrélation temporelle) ainsi qu’aux bruits électronique et atmosphérique (décorrelations termiques)[1].

• )( BA ϕϕϕ −=∆ est l’argument de l’expression du produit interférométrique, il est calculé pour toutes les cibles (pixels) de la scène commune entre les deux images. Cette image ou interférogramme est formée de franges représentant des différences de

phases appartenant à l’intervalle [ ]π2,0 . Ces franges contiennent deux types d’informations : la

première information, dépend de la topographie de la scène (altitude h). Elle est représentée par des franges topographiques. La deuxième information, indépendante de l’altitude h de la cible est appelée phase de terrain plat. Elle est proportionnelle à la composante horizontale du baseline B, est représentée par les franges orbitales. Cette dernière doit être retranchée de la phase globale afin de restituer que la phase proportionnelle à l’élévation h. Nous donnons, à la figure 2 l’image de cohérence interférométrique et à la figure 3 l’interférogramme correspondant.

Nous soulignons que les zones sombres dans l’image de cohérence présentent une décorrélation du couple interférométrique. Nous remarquons aussi que l’interférogramme présente deux régions, une région accidentée, modélisée par des franges très étroites et resserrées (bas de l’image, figure 3) et une région plate modélisée, pratiquement par deux franges larges. Cependant la phase interférométrique (topographique) est mesurée modulo π2 , donc pour connaître l’élévation réelle de chaque point, nous devons passer par une étape de déroulement de phase (unwrapping phase).

III. DEROULEMENT DE PHASE Le principe de déroulement de phase consiste donc à

calculer ou estimer la phase absolue φ pour chaque cible (pixel) à partir de la phase mesurée ϕ . Cela consiste à trouver le facteur K qui vérifie l’équation : πϕφ K2+= (5)

Figure 2 : Image de Cohérence Figure 3 : Interférogramme corrigé des franges orbitales

Avec : B// et B⊥ sont respectivement la composante du baseline parallèle et perpendiculaire verticale, α est l’angle du baseline par rapport à l’horizontal et θ est l’angle de visé.

Figure 1 : Modèle géométrique de l’interférométrie radar SAR

H

SA α

B

P

RA

RB

B

B

θ

SB

h


Plusieurs méthodes ont été étudiées et proposées par les chercheurs du domaine de l’interférométrie radar SAR [2],[3],[4],[5]. Ces méthodes ont été regroupées, essentiellement en trois approches :

• L’approche locale. Elle est basée sur le déroulement de proche en proche selon un parcours d’intégration

• L’approche globale basée sur une minimisation une fonction d’erreur globale.

• L’approche mixte (hybride). Les méthodes de cette approche sont basées sur la minimisation d’une énergie d’interaction dans un voisinage aproprié. Ces méthodes sont itératives et font appel à des algorithmes d’optimisation déterministes, heuristiques ou métaheuristiques [4] [6].

Pour notre part, nous avons développé une méthode locale de déroulement de proche en proche avec évitement de résidus et une méthode hybride avec une modélisation markovienne. III.1. Méthode P.P. avec évitement des résidus

La méthode de proche en proche cherche la phase absolue par la différence de phases de deux points adjacents selon un chemin emprunté. Elle permet d’obtenir un résultat cohérent et identique quelque soit le chemin choisi si l’interférogramme est non bruité (il ne présente pas des irrégularités). Malheureusement, tout interférogramme réel est entaché de phases erronées ou le déroulement de P.P donne des résultats erronés. Pour résoudre le problème des irrégularités plusieurs chercheurs [2][7] ont essayé de modéliser ces bruits, et d’adapter, par la suite les méthodes locales au déroulement des interférogrammes réels. L’idée principale de cette adaptation est de localiser les zones bruitées (quantifier les irrégularités) et les éviter lors du déroulement. En effet, la première étape consiste à détecter les pixels incohérents qui sont appelés résidus [7]. Un résidu est détecté si la somme des dérivés selon un parcours fermé est égale à 1 ou -1, si la somme est nulle on dit que les pixels du chemin emprunté ne sont pas bruités. La figure 4 représente l’image des résidus de l’interférogramme de la figure 3.

Une fois les résidus calculés, la méthode Cut-Brunch proposé par Goldstein [1] consiste à relier les résidus de signes opposés en supposant qu’un bruit sur l’image interférométrique peut engendrer un couple de résidu (+1 et -1). Les lignes les plus courtes qui relient les résidus

sont appelées coupures. Les extrémités des coupures sont reliées aux bordures de l’image si la somme dans une coupure n’est pas nulle (le nombre des résidus positifs est différent au nombre des résidus négatifs dans une coupure). Lorsque tous les résidus sont reliés et les coupures tracées (Figure 5.a), le déroulement devient indépendant du chemin du parcours choisi ; il faut seulement éviter de franchir une coupure (figure 5.b) Malheureusement si les branches se ferment sur elles mêmes, elles créent des zones isolées non accessibles lors du déroulement de phase de P.P. Ce problème est l’inconvénient majeur de la méthode cut-brunch. Pour remédier à ce problème nous avons proposé une procédure d’ouverture des coupures par l’utilisation de l’image de cohérence, en supposant que si un pixel présente une cohérence élevée alors il n’entraine pas d’erreur dans l’image interférométrique. Alors nous pouvons franchir les coupures à travers ces pixels. Nous avons procédé par un choix d’un seuil de cohérence, selon la précision désirée et la nature de la région étudiée (à fort relief ou à relief moyen), le seuil de cohérence est décrémenté, parallèlement au déroulement jusqu’à l’ouverture des branches. Le résultat de notre méthode améliorée est donné par la figure 6, nous remarquons que les discontinuités dans la phase déroulée de la figure 5 sont très atténuées dans l’image de la figure 6 (voir les zones encerclées). III.2. Déroulement de phase par modélisation markovienne

Dans cette approche le déroulement de phase peut être formulé comme un problème d’étiquetage. Les méthodes markoviennes formalisent bien le problème en considérant

Figure 4 : L’image des résidus avec un agrandissement du carré

Figure 5.a : Image des branches

Figure 5.b : Image des étiquettes de l’image déroulé

Figure 6 : Image des étiquettes de l’image déroulé déroulé après l’élimination des coupures fermées


que chaque pixel de l’image est un nœud que l’on doit classer. Les classes sont des étiquettes qui sont, dans notre cas, le nombre ‘K’ correspondant aux multiples de

π2 recherchés sur l’ensemble des sites (pixels) de l’interférogramme. La fonction d’énergie que nous avons utilisée est :

( )∑ ∑∈ ∈

Φ−Φ==ΦCc Cc

c ppVU )()()( 21 (6)

Avec 21, pp les sites (pixels), C est l’ensemble des cliques.

Le système de voisinage que nous avons utilisé est de 4

connexités et le traitement se fait sur les cliques d’ordre 2. Pour trouver la solution la plus optimale, par minimisation de l’énergie de l’expression (6) il faut appliquer un algorithme d’optimisation. Le choix de l’algorithme d’optimisation est lié, d’une part aux caractéristiques de l’interférogramme et d’autre part, au modèle utilisé et à la configuration initiale. Pour les algorithmes d’optimisation déterministes les résultats sont fortement liés à l’initialisation de l’image des étiquettes. Cette image doit être le plus proche possible du résultat attendu. Contrairement aux algorithmes d’optimisation stochastiques, tels que le recuit simulé, ils peuvent garantir, sous certaines conditions, une convergence vers une solution optimale qu’elle que soit l’image initiale mais avec un temps de calcul très important. Pour notre part, puisque nous disposons d’un résultat, obtenu par la méthode P.P présentée ci-dessus et pour optimiser le temps de calcul, nous avons utilisé un algorithme déterministe (ICM) pour retrouver la meilleure configuration qui représentera la solution optimale, il s’agit de l’image de la phase déroulée. Le résultat est donné par la figure 7. La figure 8 représente un zoom des résultats obtenus sur une petite zone. En comparant les résultats de déroulement par rapport à l’interférogramme, nous remarquons que les étiquettes sont mieux organisées dans la figure 8.c (résultat obtenu après l’optimisation markovienne) que dans la figure 8.a (résultat initial obtenu par le cut-brunch).

Représentation 3D de résultat obtenue :

III. CONCLUSION La méthode de proche en proche avec évitement de résidus (cut-branch) peut être bien adaptée au déroulement phase dans les régions moins bruitées et moins accidentées. Néanmoins, la présence de zones piégées par des contours fermés donne des résultats discontinus. La solution que nous avons proposée dans ce travail est une amélioration de l’algorithme de P.P. Nous avons utilisé la valeur de la cohérence comme un moyen de minimisation des résidus et réduction des branches longues et repliées sur elles. D’autres solutions sont envisageables dans des travaux ultérieurs. Pour la deuxième méthode qui est une méthode hybride, elle voit le problème de déroulement de phase comme un problème global (une solution globale) qui est ramené à une solution locale grâce aux propriétés des champs de Markov et son équivalence à un champ de Gibbs. Nous avons initialisé l’algorithme de cette méthode par une solution globale générée par l’algorithme de P.P que nous avons améliorée par la minimisation de l’énergie d’interaction locale entre les différentes phases dans un contexte prédéfini (4-connexité). Les résultats obtenus sont intéressants comme on peut le constater sur le Modèle Numérique de Terrain en 3D (relatif à la première valeur de la phase déroulée).

Figure 6 : Image des étiquettes de l’image

déroulé après l’élimination de toutes les coupures

fermées

Figure7 : résultat de déroulement après l’application de la

modélisation Markovienne

La direction de visée du satellite

Figure 9 : Altitude relative à la phase déroulée en

a b

c

Figure8 : a : Déroulement par le cut-brunch. b :

Interférogramme bruit. c : Déroulement par Markov


REFERENCES

[1] Ramon F. Hanssen: Radar Interferometry. Data Interpretation and errorAnalysis. Kluwer Academic Publishers 2002, 298p.

[2] Sandwell and Evelyn J. Price: Phase gradient approch to stacking interferograms. Institut of geophysics and planetary physics, Journal of Geophysical Research, vol103. N°B12, pages 30.183-204,1998.

[3] Labrousse D. : modélisation markovienne pour le déroulement de phases interférometriques sar. Thèse de doctorat. Université de Nice Sophia Antipolis,1996.

[4] Pritt and Jerome S. Shipman: Laest-Squares Two-Dimentional phase Unwrapping Using FFT. IEEE Transaction onn geoscience and remote sensing, VOL.32, N°3, may 1994.

[5] Igor. L : Unwrapping circular interferograms, Optical Society of America.,2000.

[6] Huot. E & Cohen. I & Herlin. I :Unwrapping Method for interfrometric images, INRIA, 2001.

.[7] Zebker H. A. & Lu Y: Phase unwrapping algorithms for radar interferometry: residue-cut, least squares, and synthesis algorithms, Journal of optical society American, vol. 15, no. 3, pp. 586-598, March 1998


LA SURVEILLANCE MARITIME MODERNE : LA CARTE ELECTRONIQUE (ECDIS)

DERARDJA Djamel(1), khireddine abdelkrim(2) (1) ISM Institut Supérieur Maritime, Bou Ismail, Algérie

[email protected] (2) Faculté de la Technologie, Université A/Mira, Béjaia

[email protected]

Résumé— La ca rte él ectronique (ECDIS) e st un o util fondamental et incontournable pour la surveillance maritime avec des applications diverses, co mplexes, p ermettant l a mise en exergue des co ncepts de v isualisation et i mageries modernes, dont l es utilisations s ont multiples, q ue s e s oit a u niveau de la télédétection, l’évaluation des bases de données et cartographies. D es a pplications p ratiques à t erre co mme en mer permettent d’améliorer la sécurité maritime dans son sens large. (Abstract)

Mots Clés : Ecdis, télédétection, visualisation, l’imagerie, cartographie, surveillance maritime.

I. INTRODUCTION Plus de la moitié du transport de marchandises à travers le monde se fait par voie maritime. Un des outils permettant d’assurer la sécurité de la navigation des navires et de minimiser le risque de collision entre eux, et par conséquent d’éviter des catastrophes de pollution en mer est la carte marine. La problématique est liée à l’intégration de données cartographiques numériques et de données de télédétection, leur présentation assemblée, l’analyse et la production des cartes, cartes image et autres outils de visualisation des zones de navigation. La carte marine est très riche en information et devisée en trois types de data, tels que les informations sur la sécurité maritime (trait de côte, accès aux ports et aux chenaux, laisse de basse mer, etc.), le deuxième point est relatif à la localisation de la cible choisie, comme le positionnement par satellite et observé sur le visu. Sur la frange côtière (Phares, reliefs aperçus en mer sur la côte, etc.) et le type de service attendu du navigateur entrant dans un voisinage d’un port ou son mouillage sont également traités par numérique. Une carte marine de qualité et à jour limite les risques et périls de la mer (collision, naufrage, pollution, autres).

La majorité des officiers de la marine marchande utilisent les cartes marines sous forme « papier », mais depuis quelques années un organisme international (OHI) de cartographie s’est lancé dans la production de cartes numériques qui sont gérées par un système informatique et automatisé, nommé ECDIS (Electronic Chart Display Information). L’événement relatif à la catastrophe du pétrolier Exxon Valdez a mis en exergue les erreurs d’interprétation des cartes marine et leurs conséquences dramatiques sur l’environnement. L’enquête nautique qui s’en est suivie a révélée la nécessité de l’utilisation des cartes électroniques, d’une formation et entraînement à l’intention des utilisateurs auraient pu minimiser ou éviter ce type d’incident ayant abouti à une catastrophe majeure pour l’industrie maritime, l’environnement et les chaînes alimentaires. Les limites d’utilisation des systèmes en se basant sur les tous les modèles et concepts existants, permettent de visualiser et d’interpréter les informations en temps réel, mais le facteur humain et les prises de décisions sont sujets à une multitude de paramètres complexes, affectant la fiabilité et l’efficacité de tels systèmes retenus dans le secteur maritime.

II. PRÉSENTATION DU SYSTÈME ECDIS C’est un système électronique capable de visualiser la position d’un mobile sue la présentation d’une carte à l’écran. Le système est établi par un organisme international (Organisation Internationale Maritime) en qualité de normes à travers une résolution (OMI, A.817 (19)). Ce système peut remplacer la carte de navigation sous forme de papier, mais ce dernier doit être certifié et doit accompagner le système de sauvegarde. Il est à la fois un système d’information géographique et un système d’expertise nautique, capable de :



1. Afficher toutes les informations géographiques nécessaire à la sécurité de la navigation ;

2. Alléger le travail de l’officier de quart à la passerelle par le positionnement continu ; par la flexibilité de la planification et le suivi de son plan de route ;

3. Déclencher des alarmes en fonction des dangers de navigation ;

4. Faciliter la mise à jour des cartes électroniques ; 5. Enregistrer et sauvegarder les informations liées aux

voyages planifiés.

Figure 1. « Objet sur une carte matricielle, exemple de carte matricielle (à gauche) et l’exemple de carte vectorielle avec symbole d’un navire au centre (à

droite) ». 1

Figure 2. « Organigramme des organismes intervenant dans le cheminement des normes ». 2

1 Ces cartes ont été publiées en vue de pouvoir cerner la différence entre carte matricielle et carte vectorielle. Source :

www.iho.int. 2 Les abréviations utilisées dans cet organigramme ont été énumérées comme suit: OHI : Organisation hydrographique internationale OMI : Organisation maritime internationale MSC : Comité de sécurité maritime NAV : Sous-comité de la sécurité de la navigation HGE : Groupe d'harmonisation sur les ECDIS WEND : Base de données mondiale pour la carte électronique de navigation


CHRIS : Comité sur les besoins hydrographiques pour les systèmes d’information CEI : Commission électrotechnique internationale TC80 : Comité de la CEI sur la navigation maritime et sur les systèmes et équipements de radiocommunications WG7 : Groupe de travail de la CEI sur les ECDIS DGIWG : Groupe de travail sur les informations géographiques numériques ISO : Organisation internationale pour la normalisation. Source : www.imo.org.

Il existe deux types de carte électroniques disponibles dans le domaine maritime : Les cartes matricielles (RASTER) et les cartes vectorielles. Une carte matricielle est l’image numérisée scannée, tandis qu’une carte vectorielle correspond à une analyse numérique par objets (points, lignes, région, etc.). L’ECDIS est lié à des capteurs de navigation, de positionnement, de vitesse et de cap en temps réel. Les fonctionnalités du système sont définies par des normes internationales de l’Organisme Hydrographique International (OHI). Le système comprend deux éléments importants: 1. Une base de données, appelée carte électronique de

navigation ou ENC (Electronic Navigation Chart) qui contient sous forme numérique adaptée toutes les informations géographiques nécessaires à la sécurité de la navigation.

2. Le format des ENC est de type vecteur, défini par la norme S57 de l’OHI.

Les ENC sont produites, tenues à jour et diffusés aux utilisateurs avec la responsabilité du service hydrographique (OHI), et sont organisées en gammes d’échelles, de la cartographie détaillée à la cartographie générale. L’utilisateur peut passé d’une ENC à l’autre en temps réel et est transparent au cours de son expédition maritime. Aussi, il est possible de zoomer et de se déplacer sur la zone de la carte affichée sur l’écran en utilisant les différents outils disponibles pour ce système.

III. APPLICATION DU SYSTÈME DANS LE TRANSPORT MARITIME

L’équipement ECDIS est défini de la manière suivante dans les normes de fonctionnement des ECDIS de l’OMI ,(Résolution OMI, A.817 (19)) : Par « S ystème d e visualisation de s c artes é lectroniques e t d’ information (ECDIS) », on e ntend un s ystème de renseignements sur la navigation qui, assorti de dispositifs de sauvegarde appropriés, peut être accepté comme équivalant à la carte tenue à j our requise aux termes des règles V/19 et V/27 de la C onvention SO LAS de 1 974 e t qui , e n af fichant de s renseignements s électionnés d’ une c arte é lectronique de navigation fonctionnelle (SENC), les données sur la position fournies par de s c apteurs de nav igation e t, s i né cessaire, d’autres r enseignements l iés à l a nav igation, aide l e navigateur à planifier et à surveiller la route. Un ECDIS doit satisfaire à quatre types de normes :

• en tant qu'équipement électronique embarqué prévu par les dispositions de la convention internationale sur la sauvegarde de la vie humaine en mer (SOLAS), il relève des normes de fonctionnement de l'Organisation Maritime Internationale (OMI résolution A/817(19) du 15 décembre 1995 - amendée en mars 1999) ;

• en tant que carte marine, il relève des spécifications relatives au contenu cartographique du ressort de l'Organisation Hydrographique Internationale (OHI), objet des publications spéciales S-52 (5ème édition - décembre 1996) et S-57 (3ème édition - novembre 1996) ;

• en tant qu'équipement électronique, il relève des prescriptions et procédures d'essais de la Commission Electrotechnique Internationale (CEI), objet de la publication IEC 61174 (août 1998) ;

• en tant qu'équipement embarqué, il relève des procédures d'homologation définies par les administrations nationales.

Compte tenu des nouvelles capacités technologiques et des besoins d’interopérabilités, on doit pouvoir les utiliser sur toutes les océans et mers du globe terrestre, quelque que soit le système ECDIS approuvé, et dans toutes les conditions météorologiques et climatiques des lieux de positionnements, en tenant compte en temps réel des mouvements relatifs et vrais du navire en déplacement. Le besoin en matière de sécurité maritime a favorisé l’établissement d’un accord général, encadrée par des normes Internationales; celles-ci sont requises pour permettre l’application de la convention Internationale (SOLAS), ratifiée par l’Algérie et qui est relative à la présence de cartes marine à bord sous toutes les formes approuvées. L’acheminement des informations cartographiques à l’échelle Internationale relative à la carte électronique s’articule autour de trois pôles identifiés: 1. L’organisation Hydrographique Internationale (OHI),

qui regroupe plus de soixante agences gouvernementales, produisant des données cartographiques et assurant l’expertise dans le domaine.

2. L’organisation Maritime Internationale (OMI), l’expression des besoins de la navigation et l’établissement des règlements et règles prescrites à mettre en œuvre par les Gouvernements Contractants.

3. Organisations Industrielles, la Commission Electrotechnique Internationale (CEI) et le Comité International Radio Maritime.


http://www.imo.org/

http://www.shom.fr/fr_page/fr_act_cartographie/s52.htm

http://www.shom.fr/fr_page/fr_act_cartographie/s57.htm

IV. L’INTERFACE AVEC AIS- SÉCURITÉ MARITIME Le système ECDIS est lié à autre système d’identification des navires à une portée de 200 nautiques, qui permet aux utilisateurs de visualiser les navires équipés par un équipement nommé, « AIS » (Automatic Identification System) sur la carte électronique et les données affichées sur le système de visualisation. Cet équipement auxiliaire aux systèmes de navigation classique permet le suivi des informations sur des cibles identifiées et leurs enregistrements en temps réel avec de multiples applications en matière de sécurité maritime et de protection de l’environnement, y compris la surveillance maritime le long des côtes d’un pays donné. D’autres capteurs et données ont été injectés dans le système ECDIS, tels que ceux utilisés par l’AIS et LRIT (Long Range Identification Tracking), STS (Ship Tracking System), et autres.

V. RECHERCHE ET PERSPECTIVES Depuis le début du lancement du projet ECDIS, notre agence représentative au sein de l’Organisme Hydrographique International en collaboration avec l’Administration Maritime au niveau des différentes tutelles doivent être actifs dans le développement et la réalisation de ces outils de navigation, de la mise en œuvre effectives des différents instruments ratifiés. La modernisation de l’ECDIS va envisager une meilleur prise en charge de la sécurité maritime, la protection de l’environnement et du littoral algérien, en s’aidant de ces outils modernes à applications multiples, en se basant sur la superposition d’informations complémentaires, permettant une meilleure prise en charge de la sécurité de la navigation et sûreté maritime. La télédétection et les techniques d’imageries satellitaires avec multiples applications en positionnements, tels que le système géodésique (WGI 84), reconnu dans le système ECDIS par l’OMI. Ce système est capable de combiner plusieurs types d’informations textuelles et audiovisuelles qui ouvrent de nouvelles perspectives à une navigation assistée par ordinateurs et traitements divers en qualité d’imageries.

VI. CONCLUSION : SUGGESTIONS ET RECOMMANDATIONS L’utilisation de ce système présente de multiples applications à terre, que ce soit au niveau de la gestion du trafic maritime (VTS et VTMIS), la protection du milieu marin et du littoral le long des côtes algériennes, ouvrant de nouveaux champs de recherches dans des domaines divers de la science et technologie. Recommandations: Collecter les informations nautiques pour enrichir une

base de données fiable, sécurisée et accessible aux chercheurs algériens;

Créer des centres régionaux Est, Centre et Ouest pour la collecte et la mise a jour des cartes marines en s’aidant des nouvelles technologies en la matière ;

Développer la cartographie maritime électronique pour les besoins des plaisanciers et le secteur de la pêche, la surveillance maritime et la protection du littoral;

Développer la télédétection spatiale en Algérie pour l’observation terrestre et maritime, gérer l’information géographique en temps réel pour la mise en place de nouveaux modèles et concepts mathématiques permettant de sécuriser les données diverses s’y référant.

REFERENCES [1] Organisation maritime internationale (OMI) : www.imo.org ; [2] Organisation Hydrographique internationale (OHI) : www.ohi.int ; [3] Commission électrotechnique internationale (CEI) : www.iec.ch ; [4] Convention internationale de 1974 pour la sauvegarde de la vie

humaine en mer (SOLAS), telle qu’amendée ; [5] Résolution OMI A817 (19) : Normes de fonctionnement des ECDIS ; [6] CEI 61174 (2001-10) : Système de visualisation de cartes

électroniques et d’information (ECDIS), [7] conditions requises pour les tests opérationnels et de performance, et

résultats des tests demandés ; [8] OHI S-57 : Normes de l'OHI pour le transfert de données

hydrographiques numériques, édition 3.1 ; [9] OHI S-52: Spécifications pour le contenu cartographique et les

modalités d'affichage des ECDIS, édition 4.2, appendice 2 : Spécifications pour les couleurs et symboles des ECDIS.


http://www.iec.ch/

Classification non supervisée des images satellitaires : de l’algorithme K-means à l’algorithme AntClass

Radja Khedam Laboratoire de Traitement d’Images et Rayonnement (LTIR)

Faculté d’Electronique et d’Informatique (FEI), USTHB. BP. 32, El Alia, Bab Ezzouar, 16111, Alger, Algérie.

[email protected]

Aichouche Belhadj-Aissa Laboratoire de Traitement d’Images et Rayonnement (LTIR)

Faculté d’Electronique et d’Informatique (FEI), USTHB. BP. 32, El Alia, Bab Ezzouar, 16111, Alger, Algérie.

[email protected]

Résumé—Dans cet a rticle, n ous p résentons u n no uvel algorithme d e cl assification automatique des d onnées numériques. I l s’agit d’ un classifieur à b ase d’ une c olonie d e fourmis, a ppelé AntClass. C’ est u ne métaheuristique assez récente inspirée du comportement intelligent des fourmis pour le tri collectif du couvain quand il est dérangé. Contrairement aux a lgorithmes c lassiques, t els q ue K -means qui r equiert e n entrée l ’introduction du n ombre de cl asses re cherchées, AntClass d écouvre a utomatiquement ce n ombre d e cl asses. Après la validation de AntClass en utilisant une image simulée, il a été appliqué sur une image satellitaire multispectrale. Les résultats o btenus p ar AntClass sont sa tisfaisants e t plus intéressants par rapport à ceux obtenus par le K-means.

I. INTRODUCTION La classification fait partie des méthodes couramment

utilisées en télédétection pour exploiter les images satellitaires d’observation de la terre. Elle consiste à affecter à chaque pixel de l’image une étiquette indiquant son appartenance à une classe thématique particulière, telle que, la végétation, l’urbain, le sol, les routes, etc.

Des efforts considérables sont déployés pour élaborer de nouveaux algorithmes de classification, d’une part pour contourner les contraintes des méthodes classiques (connaissance du modèle de distribution des données), et d’autre part pour arriver à des algorithmes classifieurs universels qui supportent tout type de données avec le minimum de paramètres à contrôler. La plupart de ces algorithmes sont inspirés de modèles classifieurs naturels et sont communément désignés par « métaheuristiques ». Les métaheuristiques sont des algorithmes stochastiques itératifs, qui progressent vers l’optimum par échantillonnage d’une fonction dite « objectif ». Elles se comportent comme des algorithmes de recherche, tentant d’apprendre les caractéristiques du problème afin d’en trouver une approximation de la meilleure solution. Il existe un grand nombre de métaheuristiques différentes, allant de la simple recherche locale à des algorithmes complexes de recherche globale. Ces méthodes utilisent cependant un haut niveau

d’abstraction, leur permettant d’être adaptées à une large gamme de problèmes différents. Les métaheuristiques sont souvent inspirées par des systèmes naturels, qu’ils soient pris en physique (ex. le récuit simulé), en biologie (ex. les algorithmes génétiques, le système immunitaire), ou en éthologie (ex. colonies de fourmis, optimisation par essaims particulaires) [1].

Le but de ce travail est d’abord, de présenter le nouvel algorithme AntClass inspiré du comportement intelligent des fourmis face à un couvain dérangé. Par la suite, une adaptation de cet algorithme pour résoudre le problème de la classification non supervisée des images satellitaires sera effectuée. Une étude comparative des résultats obtenus avec ceux obtenus avec l’algorithme classique K-means sera finalement établie. Cet article est structuré comme suit. La prochaine section est consacré à la présentation du problème de la classification d’images satellitaires, et à rappeler les principes de base des méthodes de classification classiques. Dans la troisième section, nous présentons le concept de l’auto-organisation chez les insectes sociaux et l’algorithme AntClass qui en découle. Dans la quatrième et cinquième section, nous exposons le principe de la classification avec les fourmis et l’algorithme que nous avons développé et adapté au problème de la classification non supervisée des images satellitaires. La sixième section est dédiée à l’application, l’évaluation et l’interprétation des résultats obtenus en appliquant notre algorithme sur une image simulée et une image réelle. Dans cette section une étude comparative K-means – AntClass est aussi effectuée. Enfin, nous terminons cet article par une conclusion et les perspectives éventuelles à cette recherche.

II. CLASSIFICATION D’IMAGES La classification est une procédure de décomposition qui

consiste à partitionner l’image en un nombre de sous-ensembles disjoints appelés classes. Les méthodes de classification les plus communes peuvent être séparées en deux grandes catégories : les méthodes de classification




supervisée et les méthodes de classification non supervisée. Si le nombre de classes et leurs règles d’appartenance sont fixés au départ, on parle de classification supervisée. Si, par contre, on désire réaliser une classification sans connaissances a pr iori du nombre de classes ou de leurs caractéristiques, on effectue alors une classification dite non supervisée. Dans les deux cas, le problème de la classification est de construire la procédure adéquate, appelée «modèle décisionnel», permettant d'associer une classe à un objet.

A. Approches de classification supervisée Lors de l'utilisation d'une méthode de classification

supervisée, l'analyste identifie des échantillons assez homogènes de l'image qui sont représentatifs de différents types de classes d'information. Ces échantillons forment un ensemble de données d’apprentissage. La sélection de ces données est basée sur les connaissances a priori de l'analyste sur la région. Les échantillons de chaque classe sont utilisés pour entraîner le système à définir les classes et ensuite reconnaître des régions aux propriétés similaires à chaque classe. Les méthodes de classification supervisée les plus utilisées, sont des méthodes statistiques basées sur la théorie des probabilités associée à la théorie de Bayes. Parmi ces méthodes, figurent la méthode du maximum de vraisemblance et la méthode du minimum de distance de Mahalanobis [2]. L’inconvénient majeur de ces méthodes est la nécessité de connaître le modèle de distribution des pixels dans chaque classe. Pour pallier cet inconvénient, différentes autres méthodes métaheuristiques ont été proposées et qui s’inspirent pour la plupart des mécanismes biologiques des êtres vivants, nous citons par exemple [3] : les réseaux de neurones, les algorithmes génétiques, le réseau immunitaire, etc. Cependant, ces nouvelles méthodes sont fortement dépendantes de plusieurs paramètres de contrôle qui conditionnent la qualité des résultats de la classification.

B. Approches de classification non supervisée Dans les approches non supervisées, l’utilisateur

n’intervient qu’une fois la classification est effectuée pour interpréter le contenu des classes en considérant celles-ci comme étant un ensemble de points de même signature spectrale mais sans faire appel à d’autres hypothèses sur les données. Donc, les méthodes non supervisées ne nécessitent pas (ou très peu) d’information a priori sur les classes. Le groupement des pixels est réalisé d’une manière automatique sur la base d’une fonction de similarité et il est généralement conditionné par le choix du nombre de classes. Les méthodes de classification non supervisée les plus utilisées, sont des méthodes stochastiques basées sur le tirage aléatoire des premiers centroïdes des classes dont le nombre est introduit par l’utilisateur. Le groupement des pixels autour de ces moyennes est effectué suivant une mesure de distance entre les centroïdes des classes et le pixel à classifier. Parmi ces méthodes, nous citons la méthode ISODATA et la méthode des K-means (ou K moyennes) dont le principe est rappelé comme suit [4] :

1. P rendre a léatoirement K premières données d e l’ensemble à partitionner comme centres d e g ravité provisoires de la première partition ;

2. Affecter le reste des données aux classes sur la base du plus pr oche n oyau. A près c haque af fectation, recalculer le nouveau noyau ;

3. Après l’affectation de toutes les données à l’étape 2, il faut prendre les nouvelles par titions comme les noyaux des classes et affecter chaque donnée au plus proche noyau ;

4. L’algorithme s’arrête l orsque de ux i térations successives c onduisent à l a m ême partition a u c ritère d e précision p rès. Ce cr itère peut êt re défini et fixé d e d eux manières :

a). S oit on f ixe a pr iori l e nombre d ’itérations sans regarder les changements de la partition de j-1 à j ;

b). Soit on se base sur les mouvements des pixels entre les classes de l’itération j-1 à l’itération j et on fixe un seuil correspondant au nombre total des pixels ayant changé de classes entre deux itérations successives. Plus ce nombre est petit, plus le nombre d’itération est grand.

L’inconvénient majeur de ce type de méthodes est que le résultat final est fortement dépendant du tirage aléatoire des premiers noyaux, d’où la possibilité du piégeage dans un minimum local. Pour remédier à ce problème, plusieurs autres méthodes ont été proposées et qui s’inspirent également de phénomènes biologiques observés dans la nature chez les animaux, tels que : les fourmis, les insectes volants, les oiseaux, les poissons, etc. Ces phénomènes découlent du concept de l’auto-organisation [5].

III. CONCEPT DE L’AUTO-ORGANISATION L’auto-organisation est un phénomène décrit dans

plusieurs disciplines, notamment en biologie dans la branche qu’est l’éthologie (étude des comportements des espèces animales dans leurs environnements). Une définition a été proposée par Deneubourg [6] : «l’auto-organisation e st un processus dans lequel, un modèle de niveau global émerge uniquement, d ’un grand no mbre d’ interactions e ntre les composants de bas ni veau d u s ystème. D e p lus, l es r ègles spécifiant les interactions entre ces composants sont suivies en ut ilisant un iquement de s informations locales, sans références a u modèle g lobal ». Autrement dit, l’auto-organisation explique l’émergence d’un comportement collectif macroscopique par des interactions simples au niveau microscopique.

L‘auto-organisation n’exclut pas la complexité au niveau individuel. Elle suppose simplement qu’à un certain niveau, les individus se comportent comme des entités simples [7]. Depuis longtemps déjà, des comportements auto-organisés ont été découverts dans la nature. Par exemple : 1) dans une colonie de fourmis, on peut observer différentes castes spécialisées dans un certain nombre de tâches : élevage de couvain, recherche de nourriture, construction de nid, etc. Aussi, le nid est construit sans que les insectes soient dirigés, ils répondent à un certain nombre de stimuli provenant de leur environnement, 2) dans le cas d'une formation d'oiseaux migrateurs, chaque oiseau essaie simplement de rester près de son voisin tout en évitant la collision avec lui. De plus,


contrairement à ce que l'on pourrait penser, il n'y a pas de chef, chaque oiseau pouvant se trouver en tête de formation, au milieu ou à l'arrière de la formation. La forme caractéristique en V de telles populations n'est donc en rien calculée, elle résulte uniquement de l'émergence d'une forme stable étant donné des comportements individuels simples.

D’importantes recherches ont eu pour intérêt principal l’étude de ces comportements intelligents afin de savoir comment ces populations interagissaient, accomplissaient des tâches et évoluaient. Ces recherches ont abouti à des modélisations qui caractérisent ce que l’on dénomme « l’intelligence en essaims » [8]. Ainsi, on retrouve deux types d’algorithmes [1] : 1) les algorithmes à base des fourmis artificielles inspirés du processus d’auto-organisation observé chez les fourmis pour l’organisation collective de la colonie (construction du nid, recherche de la nourriture, tri du couvain, etc.) et 2) les algorithmes d’optimisation à essaim de particules inspirés du processus d’auto-organisation observé chez certaines espèces volantes (oiseaux, criquets, etc.) pour un déplacement harmonieux et ordonné dans un essaim stable.

Dans cet article, nous nous intéressons à l’algorithme AntClass basé sur le concept de l’auto-organisation dans une colonie de fourmis.

IV. CLASSIFICATION AVEC LES FOURMIS Dans la nature, les fourmis réelles offrent un modèle

stimulant pour le problème du partitionnement et de la classification. La constitution de cimetières, le tri collectif du couvain quand il est dérangé, et le rassemblement des œufs en fonction de leur état de développement, sont les exemples les plus marquants.

Certains travaux expérimentaux montrent que certaines espèces de fourmis sont capables d’organiser spatialement divers éléments du couvain : les œufs, les larves et les nymphes. La Fig. 1 illustre, à travers quatre images, l’expérience menée par Deneubourg et ses collègues [6], [7] qui a consisté à analyser dans un couvain, le comportement des fourmis de l’espèce Messor sancta. L’expérience a duré 26 heures.

Ces chercheurs sont arrivés à entrevoir les règles utilisées par les fourmis et qui sont relativement simples : lorsqu’une fourmi rencontre un élément du couvain, la probabilité qu’elle s’en empare est d’autant plus grande que cet élément est isolé. Lorsqu’une fourmi transporte un élément du couvain, elle le dépose avec une probabilité d’autant plus grande que la densité d´éléments du même type dans le voisinage est grande. Ainsi, la classification fait partie de ces problèmes pour lesquels un algorithme à base de fourmis suggère des heuristiques très intéressantes.

A. Algorithme AntClass AntClass est un nouvel algorithme de classification non

supervisée. Il découvre automatiquement les classes dans des données numériques sans connaître le nombre de classes a priori, sans partition initiale et sans paramétrages délicat.

Pour classer des données, ou partitionner un ensemble d’objets, de nombreux algorithmes classiques, tels que les centres mobiles ou Isodata, requièrent qu’une partition initiale soit donnée en entrée. C’est l’inconvénient majeur de ces méthodes : la partition obtenue à partir de cette initialisation risque d’être localement optimale et le seul moyen d’y remédier est de relancer la méthode avec une partition initiale différente. En outre, le nombre de classes exigé par ces méthodes diminue leur intérêt pour un expert cherchant justement à connaître ce nombre de classes.

L’algorithme AntClass utilise les principes exploratoires stochastiques d’une colonie de fourmis. Ces dernières se déplacent sur une grille à deux dimensions et peuvent transporter des objets. La saisie ou le dépôt d’un objet sur un tas dépend de la similarité entre cet objet et les objets du tas.

B. Heuristiques de AntClass [7] 1. Quand la fourmi transporte un objet, elle explore les

huit cases de son entourage. Si elle trouve une case contenant un ou plusieurs objets, sa probabilité Pd (oi, T) de déposer l’objet oi

( )( )( ) ( )( )( )

( )

−

≤

=sinon 1 ,

,min9.01

, si 1

, 2

*

kcenteri

Ocentercenteri

id

Td

TOod

TdTOod

ToP

sur le tas T est donnée par :

(1)

Où k2 est un paramètre réel positif permettant de contrôler la forme de la densité de Pd (oi

a. Si l’objet o, T). Deux cas se présentent :

i transporté par la fourmi est moins éloigné du centre de gravité du tas T que l’objet du tas le plus éloigné de ce centre, elle dépose systématiquement oi

b. Si la capacité de la fourmi est supérieure à 1 et qu’elle transporte plusieurs objets, la probabilité de déposer le tas T

. Sinon, plus la distance entre l’objet et le centre du tas est grande par rapport à la distance moyenne entre les objets de la base, plus la probabilité de le déposer sera faible.

1 qu’elle transporte sur le tas T2 est calculée de la même façon que pour un objet unique en remplaçant oi par le centre de gravité des objets transportés.

Figure 1. Expérience du tri du couvain chez les Messor sancta. 4 images prises (de gauche à droite) à l’état initial, 2 heures, 6 heures et 26 heures

après le début de l’expérience


2. Quand une fourmi ak

( ) ( )( )

( )( )

+

+−

=

=

=

sinon 9.01

2 si 1 ,min

1 si 1

1

*

1

k

Ocenter

Ocenter

kOcenter

p

Td

Td

TTd

Td

T

TP

ε

ε

ne transporte pas d’objet, elle cherche un objet à ramasser en considérant les huit cases de son voisinage. Dès qu’un objet ou un tas d’objet ait été trouvé, sa probabilité de ramasser cet objet ou ce tas est donnée par le système d’équations suivant :

(2) Où T est le nombre d’objets dans le tas, k1 est un paramètre réel positif permettant de contrôler la forme de la densité de Pp 1 ⟩T(T) quand et ε est une valeur positive. La fourmi ramasse l’objet le plus éloigné du centre de gravité du tas. Les cas suivants se présentent :

a. Si la case ne contient qu’un seul objet ( )1=T , il est systématiquement ramassé par la fourmi.

b. Si la case contient un tas de deux objets ( )2=T , la probabilité de ramasser l’un des deux objets dépend de la distance entre les deux objets et le centre de gravité et la distance moyenne entre tous les objets ( ))(Td .

c. Enfin, si le tas se compose de plus de deux objets, la probabilité Pp

C. Structure de AntClass

est proche de 1 quand la distance moyenne au centre est négligeable devant la distance au centre de l’objet le plus éloigné. Si la capacité de la fourmi est supérieure à 1, elle ramasse autant d’objets que sa capacité le lui permet.

La structure générale de l’algorithme AntClass est donnée comme suit :

Début Pour t = 1 à F faire /* F est le nombre de déplacement */ Pour k =1 à N faire /* N est le Nombre de fourmis akDéplacer a

*/ k

Si il y a un tas d’objets T sur la même case que a sur une case non occupée par une autre fourmi

kSi la fourmi a

alors k transporte un objet oi

Déposer l’objet o alors

i sur le tas T avec la probabilité Pd (oisinon /* la fourmi ne transporte pas d’objet */

, T)

Ramasser l’objet o i le plus dissimilaire du t as T jusqu’à ce que la capacité de la fourmi soit atteinte ou que le tas soit vide, selon la probabilité PpFinsi

(T)

Finsi Finpour Finpour Retourner à la grille G. Fin

Dans le but d’accélérer la convergence du processus de classification, les paramètres Tcreate et Tremove

a. Une fourmi ne pourra ramasser un objet d’un tas que si la dissimilitude de cet objet avec le centre de gravité de ce tas est supérieure à un seuil fixé T

ont été rajoutés dans l’algorithme. Ce sont des heuristiques simples mais qui permettent d’obtenir des tas plus homogènes, ce qui limite les erreurs de classification :

remove

b. Une fourmi ne pourra déposer un objet sur un tas que si l’objet qu’elle transporte est suffisamment similaire au centre de gravité du tas par rapport à un seuil fixé T

.

create

c. Le nombre de classes généré par l’algorithme AntClass est toujours surestimé (des petits tas très homogènes), surtout lorsque les données à classifier sont importantes. Pour réduire ce nombre de classes, l’algorithme AntClass prévoit une deuxième étape dans le processus de classification. Cette étape dont le but est l’affinage du résultat de la première étape, consiste à considérer les petits tas comme des objets eux-mêmes et appliquer les fourmis sur ces objets nouvellement définis. Pour traiter les tas d’objets par les fourmis, on a simplement adapté l’algorithme décrit précédemment : les fourmis seront désormais capables de transporter un tas entier d’objets.

.

V. ADAPTATION DE ANT CLASS POUR LA CLASSIFICATION DES IMAGES SATELLITAIRES

L’algorithme AntClass que nous avons adapté à la classification des images satellitaires [1] se déroule en deux étapes.

A. Première étape – AntClass stochastique Cette étape consiste en une application directe de

l’algorithme AntClass décrit précédemment. La colonie de fourmis est disposée suivant une loi aléatoire uniforme sur la grille contenant les pixels de l’image à classifier. Les règles et les heuristiques qui simulent le comportement naturel des fourmis restent sensiblement les mêmes, les principales modifications se situent au niveau des points suivants :

a. La génération de la grille spécifiée initialement par AntClass entraîne un temps de traitement très important. Pour notre application, et dans le but de réduire le temps de calcul, l’image multispectrale à classifier est assimilée à la grille bidimensionnelle sur laquelle se déplaceront les fourmis. Sa taille est donc déterminée automatiquement en fonction des dimensions de cette image.

b. AntClass suggère l’utilisation d’une grille toroïdale de manière à ce que les fourmis passent d’un côté à un autre côté de la grille en un seul pas. Dans le cas contraire, l’algorithme peut provoquer des effets de bords indésirables. Pour simuler la forme toroïdale de la grille, nous avons simplement relié virtuellement les bords de l’image multispectrale. Quand une fourmi atteint un bord de la grille, elle disparaît et réapparaît du côté opposé de la grille.


c. Les paramètres Tcreate et Tremove

Cette première étape est un processus itératif qui s’achève lorsque le taux d’exploration des pixels est de 100% ou égal à un seuil fixé (par exemple 90%, 95%, etc.). A la fin de cette étape une image étiquetée est obtenue. Cependant, cette image risque de présenter les deux problèmes cités précédemment, à savoir : 1) un nombre élevé des classes trouvées, et 2) le déplacement des fourmis étant aléatoire, il y a risque de présence de pixels non classifiés (pixels libres). La réutilisation de AntClass peut s’avérer judicieuse pour la résolution du premier problème, c'est-à-dire, réduire le nombre de tas. Cependant, vu que le déplacement des fourmis reste strictement aléatoire, le problème des pixels libres pourrait réapparaître. La meilleure solution serait d’adapter AntClass aux deux problèmes précédents. Pour cela, nous avons effectué une seconde étape de classification en utilisant toujours les fourmis.

sont déterminés d’une manière empirique relativement à l’image à classifier. La capacité de transport des fourmis est égale à 1.

B. Deuxième étape – AntClass déterministe Cette deuxième étape dont le but est, d’une part,

d’octroyer une étiquette à chaque pixel libre, et d’autre part, de réduire le nombre de classes trouvé initialement, s’effectue à travers un algorithme déterministe à base de fourmis ayant les caractéristiques suivantes :

- La colonie se compose d’une seule fourmi ; - Le déplacement de la fourmi est déterministe ; - La fourmi dispose d’une mémoire interne propre ; - La capacité de transport de la fourmi est infinie ; - Les règles heuristiques de base sont adaptées pour

permettre à la fourmi de manipuler des tas entiers ; - Les paramètres Tcreate et Tremove

VI. APPLICATION, RESULTATS ET EVALUATION

sont aussi considérés.

L’application de Antclass requiert principalement la spécification de trois paramètres : le nombre de fourmis et Tcreate et Tremove. Les fourmis dont le nombre varie selon le nombre d’objet à classer, vont manipuler des pixels de valeurs comprises entre 0 et 255. Donc, la valeur minimale de Tcreate est égale à 0. Quant à la valeur maximale de Tremove, elle est égale à 255(Nb_bandes)1/2 où Nb-bandes est le nombre de bandes spectrales de l’image à classifier. De ce fait, plus Tcreate est faible (tend vers 0), plus la création de tas (ou classes) homogènes est assurée, et plus Tremove

A. Application sur des données simulées

est élevé (tend vers 1), plus la possibilité de destruction de tas (ou classes) homogènes est faible.

Nous avons construit une image multibande qui simule une image à 03 canaux spectraux avec 05 classes distinctes : l’eau, la végétation dense, le sol nu, l’urbain et la végétation moins dense. Lors de la simulation, nous avons essayé de respecter la signature spectrale de chaque classe. Ces données sont présentées par la Fig.2.a La partition initiale de cette image est donnée par la Fig.2.b. Les résultats de la classification en fonction du nombre de fourmis et de Tcreate (0.01) et Tremove

(0.09) sont donnés par les Fig.3.a, b, c et d.

Suite à différents tests, nous avons remarqué, qu’une

fourmi est capable de détecter 19 sous classes contenues dans les 05 classes principale de l’image simulée, mais, elle n’arrive à scruter que 2% des pixels de l’image et laisse, donc, 98% de pixels libres. Avec 100 fourmis (Fig.3.a), le nombre de classes trouvées passe à 30 et le nombre de pixels libres chute à 9%. Avec 300 fourmis tous les pixels sont visités (0% pixels libres), mais le nombre de classes reste constant. Ceci s’explique par le fait que d’une part, une fourmi ne regarde pas un pixel déjà étiqueté par la fourmi précédente, et d’autre part, le mode de fonction de AntClass est décentralisé, c'est-à-dire, chaque fourmi dispose d’une vision locale de son environnement, et ne continue pas le travail d’une autre fourmi. Ainsi, nous avons fixé le nombre de fourmis à 250 (Fig.3.b) et nous avons introduit l’algorithme AntClass déterministe pour d’abord, classifier les quelques pixels libres non encore testés (Fig.3.c), ensuite, fusionner les classes similaires pour diminuer le nombre de classes surestimé et aboutir à la classification finale avec 05 classes uniquement (Fig.3.d).

a). Image simulée

b). Partition initiale

Figure 2. Données de test simulée

b). AntClass avec 250 fourmis

a). AntClass avec 100 fourmis

c). Classification des pixels libres d). Classification finale

Figure 3. Résultats de AntClass sur les données simulées


B. Application sur des données réelles Nous avons choisi une image multispectrale couvrant la

région nord-est de la ville d’Alger, acquise par le capteur ETM+ du satellite Landsat-7, le 03 juin 2001. L’image comporte six bandes spectrales avec une résolution spatiale de 30mx30m et une taille de 256x256 pixels (Fig.4).

La considération de l’image de télédétection a nécessité

d’autres valeurs pour les paramètres Tcreate et Tremove

Avec 250 fourmis, la plus grande partie des pixels est classifiée dans l’une des 123 classes découvertes initialement. Les 0.8% pixels libres dont la majorité est située sur le bord droit et le bord inférieur, sont étiquetés au second tour durant lequel la partition finale est aussi obtenue par l’agrégation des classes similaires (Fig.5) et l’arrivée ainsi, à 07 classes bien séparables. Comparé au résultat de K-means (Fig.6), AntClass présente deux grands avantages : d’abord, il ne nécessite aucune spécification du nombre de classes à l’entrée, et puis les fourmis sont très sensibles aux faibles variations spectrales des classes, d’où la richesse structurelle et texturale du résultat obtenu (notamment la bonne discrimination du réseau routier).

. Nous les avons fixées d’une manière empirique à 0.008 et 0.96 respectivement. Etant donné que le nombre de pixels à classifier est le même que pour l’image simulée (256x256), alors le nombre de 250 fourmis a été retenu. Le résultat final est présenté par la Fig.5 et est comparé au résultat obtenu par l’algorithme K-means (07 classes) donné par la Fig.6.

VII. CONCLUSION ET PERSPECTIVES Dans cet article, nous avons présenté un nouvel

algorithme de classification automatique « AntClass » s’inspirant du comportement d’auto-organisation d’une colonie de fourmis. Suite aux résultats obtenus, nous pouvons dire que AntClass est un classifieur très intéressant. Il découvre automatiquement les classes dans des données numériques sans connaître le nombre de classes a pr iori, sans partition initiale et sans paramétrages délicat. Nous avons de démontré qu’il peut être adapté efficacement à la classification contextuelle (il intègre le contexte spatial) des données satellitaires multispectrales. Cependant, et comme cette efficacité dépend des paramètres Tcreate et Tremove

REFERENCES

, nous proposons pour la suite de nos travaux de recherche, de revoir l’introduction de ces paramètres dans l’algorithme. Il serait, peut être, judicieux de les calculer d’une manière automatique en fonction des données à classifier, ou alors, de les déclarer comme des variables incrémentales avec le passage de chaque fourmi. Aussi, il est important de valider sur le plan spectral la nature thématique des classes obtenues.

[1] R. Khedam, « Contribution au développement de méthodologies de fusion/classification d’images satellitaires multisources », Thèse de Doctorat en Eléctronique, USTHB, 2008, p.200.

[2] J. A, Richards, “Remote Sensing Digital Image Analysis”, An Introduction. 2nd

[3] L. Jourdan, « Métaheuristiques pour l’extraction de connaissances : application à la génomique ». Thèse pour obtenir le grade de Docteur de l’U.S.T.L. Discipline : Informatique. Université des Sciences et Technologies de Lille, Lille, 2003, p. 224.

Edition, Springer-Verlag, Berlin, 1993.

[4] G. Celleux, E. Diday, G. Govaert, Y. Lechevallier, H. Ralambondrainy, « Classification automatique des données.» Editions Dunod Informatique, Paris, 1989.

[5] J. Dréo, A. Pétrowski, P. Siarry, E. Taillard, « Métaheuristiques pour l’optimisation difficile ». Edition Eyrolles, 2003, Chapitre 4, pp. 115-141.

[6] J. Deneubourg, « Application de l’ordre par fluctuations à la description de certaines étapes de la construction du nid chez les termites ». Insectes Sociaux, (1977), pp. 117-130.

[7] N. Monmarché, « Algorithmes de fourmis artificielles : applications à la classification et à l’optimisation ». Thèse de Doctorat de l’université de Tours. Discipline : Informatique. Université François Rabelais, Tours, 2000, p. 231.

[8] E. Bonabeau, G. Theraulaz, Intelligence collective, Hermes, 1994.

Figure 4. Composition colorée de l’image de test

El Hamiz

Bab Ezzouar

Dar El Beida Aéroport

d’Alger

Végétation

Sol nu

Figure 5. Résultat final de AntClass

Figure 6. Résultat de K-means en spécifiant 07 classes et 05 itérations


Modélisation de la pollution marine de la baie d’Alger sous SIG

Mennad Moussa1 Houma Fouzia2. Bachari Nour el islam 1

1)F.S.B Université des Sciences et Technologie Houari Boumediene (U.S.T.H.B) Alger

2)Institut des Sciences de la mer et Aménagement du littoral (I.S.M.A.L) ABSTRACT Ce travail a pour but la mise en place d’un système d’intégration des données multisources pour le suivi de la pollution marine des zones côtières. Le modèle conçu fonctionne en parallèle entre les donné es R ASTER et l es donné es ve ctorielles. Le s ystème de gestion de ba se de donn ées choisie est le MSOFFICE pour faciliter l’application et la rendre disponible à tout utilisateur. En ce qui concerne la partie image nous avons développé une technique qui permet la création du trait de côt e à pa rtir de s ima ges s atellites r apidement. D’autre pa rt l e s ystème dé veloppé es t conviviale pui sque est communication a vec t out l ogiciel S IG pr ofessionnel. P our l ’analyse thématique des cartes de la concentration des métaux lourds sont développées. Une vue directe des différentes cartes nous montre que la partie centrale de la baie d’Alger présente un taux élevé des di fférents pol luants. L’analyse s tatistique es t ef fectuée pa r E xcel en communicant ave c l a banque de données. Key Words : Modélisation, Conception banque de données, Analyse thématique

1 INTRODUCTION

L’Algérie possède une côte de 1300 km de longueur. Pratiquement 60-70% de la population vive dans les zones côtières. Ces zones sont en transformation rapide en occupation du sol cela à des cons équences di rectes s ur l a qua lité de s e aux m arines sous l es ef fets na turelles et act ions humaines. Le suivi des transformations s’effectue :

(i) directement par observation spatiale (photos aériennes ou images satellites)

(ii) indirecte en étudiant les qualités des eaux côtières.

L’approche spatiale offre une vue synoptique globale de la région qui peut servir comme un fond de car te num érique d’ une pa rt m ais aus si ces i mages pe uvent s e t ransformer en certains paramètres indicateurs de la pollution et de la pression démographique. L’utilisation simultanée des i mages s atellites et des m esures l ocales nou s pe rmet d ’effectuer un e ét ude qu antitative et qualitative (Bachari N. I & Houma F., 2006).

2. ZONE D’ETUDE La baie d’Alger se s itue au cœur du l ittoral a lgérois, elle s’inscrit en creux dans la plaine de Mitidja, caractérisée par sa forme semi circulaire, délimitée au nord par la mer méditerranée, à l’ouest par la pointe Pescade (3°00’E) et cap Matifou (3°18’E) à l’est (Fig1). Elle s’étale sur une surface de 7Km de nord au sud et de 18 Km d’est en ouest. Nous avons oued El Hamiz et oued El Harrach, drainent les eaux usées domestiques et industrielles, les eaux de ruissellement et d'irrigation des zones de la Mitidja qu'ils traversent. Les eaux usées urbaines de la ville d'Alger, des vi lles côtières e t d es uni tés indus trielles sont drainées ve rs le po rt ou la ba ie d 'Alger sans traitement : 70 points de rejets dont 26 rejets dans le port d'Alger. Dans cette zone, le facteur de dégradation lié aux act ivités a nthropiques est i mportant. En effet, les rejets di rects pa r l es


émissaires ur bains et i ndustrielles ai nsi que l es r ejets charriés p ar l es oueds, représentent l es facteurs de dégradation.

SITUATION GEOGRAPHIQUE

7 km

18 kmCap Matifou

Pointe Pescade

Port d’Alger

Oued El Harrach

Oued El Hamiz

6.67 KM

2.01 KM

Ras Acrata

Sidi Fredj

Oued Beni

Messous

Figure.1 Baie d’Alger avec toutes les informations spécifiques

3. Modélisation conceptuel des données

3.1 Schéma conceptuel :

Notre but es t l a con ception d’un système d’ analyse d es donné es r elatives à l ’analyse s patiale pour l e s uivi de l a pol lution m arine. P our r éaliser un t el s ystème nous a vons dé veloppé un schéma conceptuel général qui a pour objet l’intégration des données spatiale et données in-situ dans la base de données (Bordins P., 2002.).

Figure.2 Schéma conceptuel du système développé

Acquisition des données

Données spatialement référencées

Données descriptives

Cartes existantes

Capteurs (ex :satellite)

Observation in-situ

Fichier de données Numérisation Digitalisation

Prétraitement

Mise en relation des données spatiales et descriptives

Stockage Manipulation et analyse de données

Edition Mise à jour Requête

Gestion de données

Visualisation

Ecran Imprimante Fichier de données


3.2 Cartes et images satellites :

Les images satellites de la baie d’Alger disponible datent de 1976 réalisée par le satellite LANDSAT MSS sur support papier ; mais les premières vues sur support numérique datent de 1986. Et depuis des différentes prises par des différents capteurs sont disponibles. Les images satellites sont caractérisées par une richesse multi échelle spatiale et spectrale. La banque des images crée selon les deux critères la hiérarchie suivante : Date, Région, Nom du capteur, Spectre, paramètres. Exemple (Avril, 2007, Ikonos, Bleu, Réflectance). L’accès à la banque d’images s’effectue par une requête selon les différentes informations.

3.2.1 Image trait de côte :

Les images satellites disponibles sont toutes callées en premier lieu. S’ajoute à ces images une image t rait de côt e développé par la mr ohologie ma thématique e n ut ilisant le log iciel PCSATWIN ( Bachari et a l, 1997 -2007). Cette o pération est appl iquée s ur une i mage à h aute résolution spatiale avec une vue globale d’Alger. Nous avons utilisés l’image panchromatique du satellite S POT pr ise da ns de ux da tes di fférents 1990 e t 2005. L’image résultante t rait de côte Baie d’Alger est réalisée sur 120 km avec un coût en temps record cinq minutes (Figure.3).

Figure.3 Trait de côte tracé à partir de prétraitement d’image

3.2.2 Cartes fond marin :

Les cartes fond marin sont digitalisées directement à l’aide d’outil numérisation. L’intérêt de la digitalisation numérique est la production d’une carte thématique ou toutes les parties conçues sont présentes avec une option de changer ou d’intégrer d’autres informations comme présence de posidonie (Rebzani-Zahaf C., 2003). Aussi une carte bathymétrique est crée en utilisant l’appui de 200 mesures et l’interpolation spatiale par la technique du Krigeage (Bachari N. I & Houma F., 2006)

Figure.3 Cartes fond marin avec les informations numériques des différentes classes


3.3 Répertoire données.

Pour la partie mesure in-situ l’archivage des données mesurées est hiérarchisées selon le critère suivant : Date de prise d’échantillon, responsable de la sortie, engin de transport (caractéristiques), échantillonnage, paramètres mesurées in-situ, paramètres mesurées au laboratoire (appareillages et technique).

3.2.1 Classification des études :

Pour r éaliser ce t ravail nous avons ef fectué une col lecte de s r ésultats de s di fférents travaux réalisés dans la baie d’Alger. Nous avons pris trois groupes d’études selon la nature de pollution : Pollution biologique, pollution par les métaux lourds et pollution par les hydrocarbures.

3.2.2 Création de la banque de données :

Pour les différentes études, nous avons archivé les stations avec les paramètres mesurés et leurs coordonnées géographiques. P our l es é tudes qui ne pos sèdent p as de s c oordonnées géographiques nous avons utilisé les cartes existantes et nous avons transformé ces dernières en cartes géo- référenciées. Le système d’information géographique utilisé est le MAPINFO7. Les projections en espace de toutes les stations sont présentées dans la figure suivante (Fig.4) :

Figure.4 Intégration des mesures in-situ sur une image satellite

4. Traitement d’information.

4.1 Traitement statistique

Pour t oute a nalyse t hématique nous a vons be soin d’effectuer une analyse s tatistique à t itre quantitative/qualitative. Cette analyse est importante afin d’observer les différentes corrélations et les comparaisons spatiales/temporelles entre les paramètres physico-chimiques.

Figure.5 Schéma d’analyse statistique

ANALYSE DES PARAMETRES PHYSICO-CHIMIQUES

Analyse statistiques: Analyse Thématiques 1- Carte MES

2-Carte o2 ect… 3-Carte Chlorophylle

1-Descreptive 2-Test

3-ANOVA 4-ACP


Pour rendre notre système souple et puissant une communication avec l’outil Excel est effectuée. Cette com munication permet d’ échanger l es don nées ent re l es de ux s ystèmes et i ntégrées l es résultats da ns l e s ystème d’ affichage de s ca rtes t hématiques. A t itre d’ exemple nous a vons comparé l es paramètres physico-chimiques m esurées i n-situ entre le s r égions E st e t O uest pa r l’ANOVA ou les résultats nous donnent un rejet d’égales des moyennes au seuil de 5%.

4.1.2 Analyse de la répartition des métaux traces dans les sédiments superficiels

Afin de mettre en évidence le lien entre les variables et les stations de prélèvement dans la baie d’Alger, une ACP a été réalisée à partir des valeurs des métaux obtenus dans 16 stations.

Variables Pb Cd Cr Zn Cu Mn Pb 1 Cd 0,2757 1 Cr 0,69059 0,10951 1 Zn 0,18798 -0,03366 0,29071 1 Cu 0,92678 0,30143 0,74272 0,20803 1 Mn 0,35713 0,43187 0,48841 0,32164 0,61474 1

Min- Max 17.50-117 0.15- 1.79 11.4- 83.60 71.5- 322.10 14.25- 80.5 108.55- 349.9 Moyennes 43,875 0,8775 34,86875 190,60625 33,10625 234,7625 Ecarts-t 25,96119 0,45654 16,13038 69,50953 15,43661 58,73617 Nb Obs. 16

Cv % 59,17 52,03 46,26 36,47 46,63 25,02

Tableau.1 corrélation inter variables

Les r ésultats de c orrélation m ontrent que t outes l es va riables s ont c orrélées pos itivement, et seulement une corrélation est négative celle du Zinc (Zn) et le Cadmium (Cd). La corrélation est bonne entre l e plomb, l e cuivre e t l e Chrome, l e r este des va riables pr ésentes des corrélations faibles. Le coefficient de va riation nous m ontre, que l a di spersion e st bonne ( distribution homogène autour de la moyenne) pour les va riables Pb, Cd, Cr, Cu e t Zn, e t e lle est modérée pour le Mn (distribution hétérogène autour de la moyenne). Les résultats obtenus montrent que les trois premières composantes principales contiennent environ 86.77 % de l’information (axe I: 53.14%, axe II: 17.98% et axe III: 15.64%).La question suivante est quelle est la variable qui contribue le plus à l a formation des axes. L'examen du t ableau des contributions des variables montre que les variables qui ont un r ôle dominant dans l a formation des axes sont: Axe I : le plomb, le cuivre et le Chrome ; Axe II : Le cadmium ; Axe III . 4.1.3 Interprétation En examinant la projection des variables sur les trois axes principales, on constate : 1. A ucune va riable n'a un r ôle dom inant d ans l 'orientation des ax es f actoriels. Le groupe de s variables Cu, Pb, Cr et Mn semble bien expliqués par l’axe I, par contre les variable Cd et Zn sont bien expliquées par l’axe II et enfin le Zn est bien individualisé par l’axe III.

2. La projection des stations mis en évidence la dominance de la station B3 dans la formation de l’axe I. Cette s tation présente les concentrations maximales des métaux : Cu, Pb, Cr et Mn. La station A2 est bien représentée par l’axe II, elle possède la concentration maximale du cadmium. L’axe III est expliqué par la station CD2, elle aussi présente la concentration maximale du zinc.


L’ACP nous a pe rmis de r essortir l es s tations le s pl us pol luées e t l ’origine des éléments polluants. La station B3 présente un maximum de pollution par les métaux Cu, Pb, Cr et Mn, et les stations A2 et CD2 est plus polluées successivement par le Cd et le Zn.

4.2 Analyse thématique des cartes fond marins

Les SIG nous offrent tous les outils modernes pour créer des cartes, y intégrer des informations résoudre de s pr oblèmes com plexes, présenter e fficacement nos i dées e t m ettre en place d es solutions ef ficaces com me j amais aupa ravant (Borda L . B ., 2003 ). La r eprésentation ou visualisation des résultats sous forme cartographique constitue, en quelque sorte, la finalité de la démarche d’évaluation de la qualité des eaux côtière, qui représente l’information géographique d’une manière visuelle et accessible à tous. La représentation d’un paramètre peut permettre à l’utilisateur de tr ouver r apidement une explication a u ph énomène étudié (AIEA., 2001 ). L’interpolation e st t rès e fficace pour i dentifier l es r égions ou l es c oncentrations s ont particulièrement élevées.

4.2.1. Plomb :

Il ressort d a l a pr emière vue qu e l a r épartition du pl omb e st hé térogène. La c oncentration maximale se situe, au droit de l’embouchure d’oued El Harrach autour de la station B3, ainsi, la partie occidentale et centrale présente des concentrations élevées. La forte variation de ce métal témoigne de s r ejets urbains e t industriels (métallurgie oued Smar, chaudronnerie de l ’Hussein Dey). P lus l es s ources a tmosphériques ( utilisation du pl omb t étraméthyle). Les fortes concentrations sont dans la partie ouest et centrale de la baie.

4.2.2 Cadmium :

Figure 6. Distribution spatiale du plomb dans la baie d’Alger

Figure .7. Distribution spatiale du cadmium dans la baie d’Alger


Les c oncentrations l es plus é levées s e t rouvent a u ni veau du por t d ’Alger, d ans l a pa rtie occidentale ( Bab El O ued) et da ns l a pa rtie or ientale ( Bordj E l B ahri), l a z one cent rale es t caractérisé p ar de s con centrations f aibles. Ce m étal s e r épartie uni formément da ns l a ba ie, il semble être lié aux rejets littoraux (oueds, égouts urbains, métallurgie au niveau de oued Smar, industrie pl astique d’ El-Harrach, papeterie et i mprimerie….) et à la p ollution atmosphérique (production du ciment au niveau d’Alger et Rais-Hamidou).

4.2.3 Chrome :

Les t eneurs m aximales du c hrome s e t rouvent a u ni veau de l a s tation B 3, a u dr oit de l’embouchure d’oued El Harrach, ainsi qu’au niveau de l’embouchure d’oued Hamiz mais avec moins d’ampleur. Les concentrations les plus élevées se situent au niveau de Oued El-Harrach et Oued El-Hamiz. Les fortes concentrations sont issues des rejets industriels di rects ou indirects dans ces O ued des uni tés s uivantes (unité S .N.I.C-Reghaia, Rouïba, métallurgie O ued S mar, céramique Kouba Alger). 4.2.4 Zinc:

Les conc entrations l es p lus él evées s e s ituent da ns l a pa rtie or ientale de l a ba ie autour d e l a station CD2, pas loin de l’embouchure de oued Hamiz, ainsi que dans les stations B3 et B4 au droit de l’embouchure de oued El Harrach. Les teneurs les plus faibles, se situent dans la partie occidentale de l a ba ie e t l es pl us é levées s ’observent a u dr oit de l ’embouchure de O ued E l-Harrach et dans la partie orientale de la baie. Les sources de ce métal sont liées au rejet industriel tel que (industrie plastique El-Harrach, industrie de papier (C E L PAP) Oued Smar, fabrication de câbles électriques Rouïba, Oued Smar).

Figure.8. Distribution spatiale du chrome dans la baie d’Alger

Figure 9. Distribution spatiale du zinc dans la baie d’Alger


4.2.5 Cuivre :

Figure.10. Distribution spatiale du cuivre dans la baie d’Alger

Les t eneurs du cuivre s ont é levées da ns l a pa rtie oc cidentale a u ni veau du por t d’ Alger, e t atteignent le maximum au droit de l’embouchure d’oued El Harrach. Les fortes concentrations à l’ouest de la baie prés des principaux émissaires d’eaux résiduaire et du port d’Alger. Par contre les teneurs les moins élevées sont au centre de la baie. Les industries responsables de rejet de ce métal sont (unité SN metal-Alger ; fondrie-Braki, El-Harrach ; unité CEL PAP du pa pier- Oued Smar).

4.2.6 Manganèse :

Figure.11. Distribution spatiale du manganèse dans la baie d’Alger

A part les teneurs faibles du large, le manganèse se répartir uniformément dans la baie d’Alger. Les fortes concentrations à l’ouest de la baie prés des principaux émissaires d’eaux résiduaire et du port d’Alger. Par contre les teneurs les moins élevées sont au centre de la baie. Les industries responsables de rejet de ce m étal sont (unité SN metal-Alger ; fondrie-Braki, El-Harrach ; unité CEL PAP du papier- Oued Smar).

4.3 Discussion

Les di fférentes c artes r éalisées ( avec di fférentes va riables) ont m ontrés de s f ortes va riations locales pour l e pl omb, l e c hrome, le cuivre et l e z inc, ainsi une r épartition hom ogène pou r l e cadmium et le manganèse. Cette irrégularité de la répartition des métaux peut être expliquée par le comportement spécifique de chaque élément, ainsi que par la provenance et le contenue des rejets dans la baie d’Alger. L’interprétation de s c artes obt enues de la r épartition des m étaux en f onction du faciès sédimentaire, nous a m ontré : L es t eneurs en cuivre et en plomb sont él evées da ns l es va ses.


Pratiquement, i l n’ existe a ucune r elation de concentration du c hrome, du c admium, d u manganèse et du zinc avec le faciès sédimentaire. 5. CONCLUSION Ce travail a pour objet la mise en place d’un système d’intégration des données RASTER avec des donné es ve ctorielles pour l a c réation d’ une ba se de donné es s pécifiques à l ’analyse numérique d es m esures in-situ a vec une r eprésentation c artographique adéquate. Nous a vons conçus un s chéma conceptuel pour l ’intégration des données qui fonctionne en parallèle d’une part l es i mages et d ’autre pa rt l es donné e a cquises i n-situ.. Pour l a réalisation de not re t ravail notre c hoix a é té opt é pour de s l ogiciels M SOFFICE vu l eurs di sponibilités da ns t outes les machines. Nous avons opté à r éaliser de s communications avec d es S IG pr ofessionnels pou r toute ét ude géoréférenciées. Notre appr oche consiste à cr éer de s obj ets SIG p réparées pour l a région pour f aciliter l ’intégration de s donné es n umériques e n donné es c artographiques. Cette étude, nous a permis d’établir une banque de données géoréferenciées sur les concentrations des différents polluants de la baie d’Alger. L’analyse spatiale des cartes des polluants métaux lourds montre que la distribution de ces métaux est hétérogène dans la baie avec une forte concentration au c entre de l a b aie. La f orte concentration da ns l e c entre de ba ie s ’explique pa r l a f orme topographique de la baie et par la circulation de l’eau dans la baie. Notre travail n’est qu’un essai de conception d’un outil qui peut remédier à ce problème, il peut aider l’ utilisateur s ’il d ispose de donné es à le s int égrer facilement, avec la pos sibilité de sécuriser les données, de les mettre à j our et en plus de les représenter et les vi sualiser sur des cartes, effectuer de s analyses s ur c es donné es pour obt enir une ba se de donné e t ouristique enrichie d’informations.

Bibliographie

AIEA., 2001 . T he pe rformance s tudy f or M edpol: de termination of t race e lements a nd methylmercury in estuarine sediment sample Bachari N; Benbadji N et Abdellaoui A., 1997. Développement du logiciel d'analyse spectrale et temporelle des images satellite type SPOT, LANDSAT et METEOSAT. A.M.S.E.J Volume 38, N° 1,2. p 15-38.

Bachari N. I & Houma F., 2006. Approche SIG pour l'analyse de la pollution marine de la baie d'Alger. Proceeding du premier c ongrès M éditerranéen d'Océanologie, du 20 -22 N ovembre 2006, Sidi Fredj- Alger Algérie. P:58.

Bachari N. I & Houma F., 2006. Détermination des cartes bathymétriques des zones côtières à partir des images satellites. Rapport du premier congrès Méditerranéen d'Océanologie, du 20-22 Novembre 2006, Sidi Fredj- Alger Algérie. P:16. Rebzani-Zahaf C ., 2003 . Les peuplements macrobenthiques des milieux por tuaires de l a côt e algériennes: Alger, Bejaia et Skikda. Thèse Doctorat. Océanographie. USTHB, Alger. 244p.

Borda L. B ., 2003. Apport des systèmes d’information géographique (SIG) pour la surveillance et l’évaluation de la qualité des eaux côtières. Une contribution à la gestion intégrée de la zone côtière Colombienne. Thèse de Doctorat en science technique. Ecole Polytechnique Fédérale de Lausanne (EPFL). 213p.

Bordins P., 2002. SIG concepts, outils et données. Lavoisier. 259p


Service Multimedia Mobile Studies of some protocols to implement a new videoconference platform using wired and wireless networks

UAli Hassoune, M.U* , Bouazza M.A. and Mekkakia Z.

Department of Computer Engineering, Faculty of Science, University of Science and Technology. P.O.B. 29031

U.S.T.O., Oran 31036, Algeria.

Fax: 00 213 41 325936 Email: [email protected]

Résumé - Le service multimédia mobile connaît une ex tension

phénoménale surtout dans l e domaine des nouvelles t echnologies de l ’information et d e la co mmunication. P our la mise en œ uvre de ce s ervice, une ét ude comparative des d ifférents protocoles de signalisation, m obilité a insi q ue l es d ifférentes a rchitectures client/ serveur s’avère plus que nécessaire.

Le choix a été orienté vers deux protocoles: Le premier étant SIP p our la s ignalisation, et c ela p our sa s implicité, r apidité et légèreté d’utilisation tout en étant très complet par rapport à ces concurrents ( MGCP et H 323). L e d euxième p rotocole ét ant RTP/RTCP p our l e co ntrôle d es flux m ultimédia en t emps réel, basée sur une architecture point à point.

Notre a pplication SMAV rep résente une p late-forme p our toute application m ultimédia. E lle es t portable s ur l es d ifférents types d e rés eaux ( filaire et s ans f il). E lle est co nstituée d e trois modules disjoints où chacun a une fonction précise.

SMAV peut êt re étendu à une architecture C lient/Serveur en incluant le mode multicast.

L’intégration de l a co nversion d’adresses I P s elon l e mécanisme N AT ren d l a p late-forme o pérationnelle s ur les réseaux étendus.

Mots clés : SIP, RTP/RTCP, Client/Serveur, Mobilité, VoixIP,

visioconférence

INTRODUCTION

La fonctionnalité multimédia impose des exigences au réseau comme (Temps réel , Q oS et ordonnancement … ). Pour satisfaire ces exigences, des protocoles ont vu le jour. Ces protocoles ont été classés selon leur fonction première. Il y a ceux de signalisation tels que SIP (Session Initialisation Protocol), H323, MGCP (Media Gateway Control Protocol), et il y a ceux qui gèrent le contrôle des flux tels que RTP/RTCP (Real Time Protocol / Real Time Control Protocol). Les contraintes citées ci-dessus ne restent pas les seules, vu la migration des réseaux vers de nouvelles technologies de liaisons. Cette migration est caractérisée par l’apparition des réseaux sans fils. Ces réseaux ne cessent de se développer citant les réseaux satellitaires, les réseaux radio et les réseaux WIFI. Toutes ces nouvelles technologies ont entraîné l’apparition d’une nouvelle classe d’utilisateurs, dit les ordinateurs mobiles, qui se déplacent d’un réseau à un autre en entraînant à leur tour de nouvelles contraintes : des problèmes de routage et de transport. Pour palier à ces nouvelles contraintes il fallait aussi développer un protocole

ayant pour fonction la gestion de ces technologies mobiles comme le MIP (Mobile Internet Protocol). Tout au long de ce présent mémoire nous allons citer les mécanismes de fonctionnement de certains protocoles dédiés au transport du multimédia (Audio et Vidéo) et à la gestion de la mobilité. C’est dans cette thématique que vient s’inscrire notre manuscrit qui est « Le Service Multimédia Mobile ». À cet effet, notre présent manuscrit est organisé comme suit : Partie1 : présente les différents protocoles de signalisation Partie2 : présente la notion de la mobilité et les protocoles qui gère la mobilité Partie4 : Conception et implémentation du SMAV Nous concluons notre travail par une synthèse sur l’étude faite, l’approche retenue et d’éventuelles perspectives.

I.1.1 Présentation de MGCP

MGCP est le sigle de Media Gateway Control Protocol, développé par Telecordia et Level 3 Communications. Il est défini dans le RFC 2705 en 1998. C'est un protocole (Client/Serveur) de VoIP (Voice Over IP). Il sert à l'échange de messages de signalisation entre un contrôleur de passerelles de médias et des passerelles réparties dans un réseau IP. Pour l'établissement et la libération des connexions, MGCP se sert de signaux et d'événements.

Les différents éléments qui utilisent MGCP sont: • Le Media GateWay (MGW) : est le point d’entrée ou de sortie des flux média à l’interface avec les réseaux IP et téléphoniques. Le MGW effectue la conversion des médias entre le mode circuit (téléphonique) en le mode paquet (IP). • Le Media Gateway Controller (MGC) ou Call Agent : se charge de l’enregistrement, la gestion et les contrôles des ressources des Media Gateway. Il coordonne l’établissement, le contrôle et la fin des flux média qui transitent par la Media Gateway. • Le Signalling Gateway : qui réalise l’interface entre le réseau de téléphonie (signalisation SS7) et le réseau IP.

La standardisation de MGCP a été stoppée pour faire place à MEGACO/H.248 (MEdia GAteway COntrol protocol).


I.1.2 Présentation de MEGACO/H.248

MEGACO (MEdia GAteway COntrol protocol) et H.248 sont des noms équivalents pour le même protocole étant développé conjointement entre l'IETF(Internet Engineering Task Force) et l'ITU (International Telecommunication Union); MEGACO est le nom de l’IETF et H.248 est le nom de l’ ITU. C’est un standard permettant la communication entre les Media Gateway Controller (MGC) et les Media GateWay (MGW). Il est dérivé de MGCP et possède des améliorations par rapport à celui-ci : • Support de services multimédia et de vidéoconférence. • Possibilité d’utiliser UDP ou TCP. • Utilise le codage en mode texte ou binaire. Une première version de MEGACO a été adoptée en juin 2000 (RFC 3015). L’implémentation de MEGACO permet une grande modularité ; en effet, ce protocole est étendu par des « packages » répondant à des besoins spécifiques. Ce système permet de couvrir un nombre très important d’applications, mais complique aussi grandement les inters fonctionnements d’équipements d’origines différentes. Ainsi un constructeur peut implémenter, suivant ses besoins, tel ou tel « package » qui ne sera pas obligatoirement choisi par un autre constructeur.

Le contrôleur de passerelles contient également la fonctionnalité de passerelle de signalisation. Les passerelles de médias convertissent les flux de paquets IP contenant le signal audio en des flux synchrones à 64 kbit/s, et inversement. La signalisation mise en oeuvre entre le RNIS (Réseau Numérique à Intégration de Service) et la passerelle de signalisation est basée sur le système de signalisation SS7.

I.2 H323 H.323 est un protocole de communication englobant un ensemble de normes utilisé pour l’envoi de données audio et vidéo sur Internet. Il existe depuis 1996 et a été initié par l’ITU. Concrètement, il est utilisé dans des programmes tels que Microsoft Netmeeting, ou encore dans des équipements tels que les routeurs Cisco. Le protocole H.323 est utilisé pour l’interactivité en temps réel, notamment la visioconférence (signalisation, enregistrement, contrôle d’admission, transport et encodage). C’est le leader du marché pour la téléphonie IP. Il s’inspire du protocole H.320 qui proposait une solution pour la visioconférence sur un réseau numérique à intégration de service (RNIS ou ISDN en anglais), comme par exemple le service numéris proposé par France Telecom. Le protocole H.323 est une adaptation de H.320 pour les réseaux IP.

I.3 RTP/ RTCP

RTP (Real Time Transport Protocol) est un protocole qui a été développé par l’ IETF afin de facilité le transport temps réel de bout en bout des flots de données audio et vidéo sur les réseaux IP, c’est à dire sur les réseaux de paquets. RTP utilise le protocole de transport UDP (User Datagram Protocol), qui permet d’atteindre plus facilement le temps réel. Les applications temps réels comme la parole numérique ou la visioconférence constituent un véritable problème pour Internet. Qui dit application temps réel, dit présence d’une certaine qualité de service (QoS) que RTP ne garantit pas.

I.4 Session Initiation Protocol (SIP)

Le SIP est un protocole de signalisation normalisé et standardisé par l’IETF (RFC 3261 et 2543) appartenant à la couche application du modèle OSI. Son rôle est d’ouvrir, modifier et libérer les sessions.

L’ouverture de ces sessions permet de faire de l’audio, vidéo conférence, l’enseignement à distance, de la voix (téléphonie) et de la diffusion multimédia sur IP essentiellement.

Pour ouvrir une session, un utilisateur émet une invitation transportant un descripteur de session permettant aux utilisateurs souhaitant communiquer de s’accorder sur la compatibilité de leur média en utilisant le protocole SDP

I.5 Synthèse

Différents protocoles de signalisation ont été décrits : MGCP - MEGACO/H248, H323, et SIP.

Ils sont conçus pour répondre aux besoins de contrôle de session et de fonctions de signalisation dans une architecture de contrôle d'appel distribuée. Bien qu’ils soient aussi prévus pour permettre à des stations sans intelligence embarquée de communiquer, ils prennent toute leur puissance quand ils sont utilisés par des terminaux performants.

Le tableau ci-dessous donne une comparaison de ces trois protocoles :

Aspect SIP H.323 MEGACO/H.248

Constructeur IETF ITU IETF et ITU

Authentification et sécurité

SIP/SDP et infrastructure

s web H.235 H.248

Signalisation des appels

SIP Q.931 SS7

Transport en support audio/vidéo

RTP RTP TCP, UDP, SCTP sur IP

ou ATM ou MTP

Services et intelligence du réseau

Fournis par les serveurs

(Proxy, Redirect, Registrar)

Fournis par les

gatekeepers Fournis pas les MGC

Modèle Internet / WWW Téléphonie Téléphonie

Protocoles de Transport UDP ou TCP

TCP (UDP est

optionnel dans la

version 3)

TCP et UDP

Nombre d'échanges pour établir la connexion

1,5 aller-retour

6 à 7 aller-retour 11

Maintenance du c ode protocolaire

Simple par sa nature

textuelle à l'exemple de

http

Complexe et

nécessitant un

compilateur

Codage Texte (ABNF) Binaire (ASN1)

Evolution du protocole

Protocole ouvert à de nouvelles fonctions

Ajout d'extension

s propriétaire

s sans concertatio

n entre vendeurs

Protocole ouvert à de nouvelles fonctions

Fonction de conférence

Distribuée Centralisée par l'unité

MCU Distribuée

Détection d'un appel en boucle

Oui

Inexistante sur la

version 1 un appel routé sur

Oui


l'appelant provoque

une infinité de requêtes

Signalisation Multicast

Oui, par défaut Non Oui

Tableau 2. Comparaison entre SIP, H.323 et MEGACO/H.248

I.6 Conclusion

La simplicité, la rapidité et la légèreté d’utilisation, tout en étant très complet, du protocole de signalisation SIP sont autant d’arguments qui pourraient permettre à SIP de convaincre les investisseurs. Pour le contrôle des flux de données audio et vidéo en temps réel sachant qu’ils sont transportés par le protocole UDP, le protocole RTP/RTCP est le mieux adapté.

II. La mobilité II.2 Le protocole Mobile IP (MIP)

C’est un protocole développé par l’ IETF et défini dans le RFC3220. Son objectif principal est le maintien des communications existantes entre la station mobile et ses correspondants, même pendant les déplacements du mobile . Les spécifications de ce protocole cherchent également à optimiser le routage le plus direct possible entre le mobile et ses correspondants ainsi que le support de l’acheminement des paquets multipoint entre le(s) mobile(s) et le reste des participants à une communication de groupe. Quand un mobile se déplace, à l’aide des techniques de transmission sans fil, il est amené à s’attacher à des points d’accès divers situés généralement dans des (sous-)réseaux distincts. Cette contrainte entraîne pour le mobile un changement d’adresse IP. En effet, un équipement IP est généralement identifié par une adresse appartenant au réseau sur lequel il se trouve. Ce changement d’adresse entraîne généralement la rupture des communications au niveau transport. À travers le protocole IP Mobile, l’ IETF permet de masquer ce changement aux applications utilisées entre le mobile et ses correspondants. Ceci consiste en premier lieu en l’utilisation de deux adresses IP pour un mobile: • La ho me a ddress (Adresse m ère): est une adresse permanente utilisée pour identifier de manière unique l'hôte sur l'Internet. • La Care Of Address (COA) : est une adresse temporaire utilisée pour router les datagrammes destinés à l'hôte mobile au point d'attachement actuel de cet hôte.

II.2.2 La Mobilité IP

Chaque station mobile est toujours identifiée par l'adresse (mère) de son point d'attache originel indépendamment de son point de raccordement courant à Internet. Lorsqu'une station mobile est séparée de son point d'attache, elle négocie une adresse temporaire de réexpédition (ou adresse temporaire primaire) qui permet de connaître sa localisation en cours. Les paquets IP à destination de l'adresse mère d'une station mobile sont routés de façon transparente vers son adresse temporaire primaire par l'agent mère de la station mobile. Le protocole permet aux nœuds IP de mémoriser la correspondance entre l'adresse mère d'une station mobile et

son adresse temporaire primaire afin qu'ils puissent envoyer directement les paquets destinés à la station mobile.

II.2.3 Principales Fonctions de MIP On peut décrire les fonctions de MIP comme suit:

• Découverte d'agent • Enregistrement • Le routage

II.3 Hierarchic Mobile IP(HMIP)

HMIP est une amélioration du protocole MIP. Il a été créer à cause des inconvénients de MIP, surtout le temps perdu lorsque un mobile s'enregistre auprès de son agent mère à chaque fois qu'il se déplace. Son but est de compléter les fonctionnalités de MIP pour offrir une micromobilité aux utilisateurs et de réduire le temps d'enregistrement du mobile en utilisant des enregistrements régionaux. Le mobile peut se déplacer à l’intérieur du réseau visité sans informer son agent mère de son déplacement. Le réseau visité dispose d'un GFA (Gateway Foreign Agent) et un ou plusieurs FA (Agent relais – Foreign Agent).

II.4 Conclusion Suite à l’exposé des quelques notions de base de la mobilité, le principe de fonctionnement du protocole MIP et HMIP avec leurs différentes techniques de gestion de la mobilité comme la découverte d'agent, l'enregistrement et le routage, nous avons opté pour le modèle sans infrastructure (point à point) qui semble être le plus approprié vu le manque de ressources matériels.

III Conception & Implémentation de SMAV

III.1 Introduction Suite à notre étude, le protocole SIP a été retenu comme solution pour la signalisation. C’est un protocole complet, simple, modulaire, ouvert et rapide par rapport aux autres protocoles étudiés dans la 1ère partie. Aussi, Nous avons choisi le protocole RTP/RTCP pour le contrôle de flux de données. Notre application multimédia voix/vidéoconférence "SMAV" conçu selon une architecture point à point (sans infrastructure) qui est la plus appropriée où les terminaux sont connectés aux réseaux via une interface Bluetooth.

III.2 Présentation de l'application SMAV

SMAV (SIP Mobile Audio Vidéo) est une application multimédia voix/vidéo sur IP (Voice/Video Over IP) dont la signalisation est basée sur le protocole SIP. L'envoi et la réception des flux audio et vidéo se fait en temps réel grâce au protocole UDP sous RTP/RTCP. Elle est, en même temps, un client (User Agent Client) pour envoyer les requêtes et un serveur pour les recevoir (User Agent Server). Elle a été développée pour fonctionner sur des réseaux filaires ainsi que sur des réseaux sans fils. L'environnement de programmation choisi est Java en utilisant le compilateur NetBeans de Sun MicroSystems . Elle supporte plusieurs formats Audio (G723, GSM, PCMU, DVI4_16000, PCMA, G728, G729) et Vidéo (H263, JPEG, H261).


III.3 Structure modulaire de SMAV

Notre application tourne autour de trois modules dont chacun est responsable d'une tâche précise, tout en communicant entre eux. Ces modules sont: Module principale, SipManager, et MediaManager

III.3.1 Module Principal

Il est constitué de deux sous modules: Le module d' affichage (Interface Utilisateur) et le module NetworkAdressManager qui détecte et gère les adresses IP des participants. Il fait appel à d'autres modules comme le SipManager et le MediaManager.

III.3.2 SIPManager Il est responsable de la signalisation. Il permet de faire des transactions telle que l'ouverture d'une sessions en manipulant les objets SIPFactory, SIPStak, SIPProvider, SIPListener qui représentent les abstractions de l'API "JAIN-SIP".

Figure31. Architecture de SIPManager

III.3.3 MediaManager

Ce module détecte les périphériques de capture de multimédia connectés au terminal qui vont être utilisés comme source de la voix et de la vidéo. Il assure aussi leur transport à travers le réseau. Ce module est composé en deux sous modules: AVTransmitter et AVReceiver AVTransmitter : est responsable de l'envoi des flux audio et vidéo en utilisant le protocole RTP/RTCP.

AVReceiver: est chargé de la réception des flux audio et vidéo.

III.4 SMAV et le modèle OSI Comme nous avons déjà mentionné que "SMAV" est composée de trois modules principaux (Le module principal, le SipManager et le MediaManager). L’application multimédia se situe au niveau de la 7ème couche du modèle OSI. Le SipManager se situe au niveau de la 6ème et 5éme couches, car la signalisation SIP est à ce niveau .Le MediaManager se situe au niveau de la 4ème couche (Couche Transport), car le RTP /RTCP se situe dans cette même couche juste au dessus de UDP. Le média utilisé que soit filaire: un câble réseau, ou sans fil: Bluetooth, se situe au niveau de la 1ère couche (Couche Physique).

Figure32. SMAV sur modèle OSI

III.5 Mise en œuvre de SMAV

Selon la correspondance SMAV/ OSI, nous pouvons déduire que la signalisation et le transfert des données en temps réel sont indépendants du type de réseaux (filaire ou sans fil), car la couche physique est indépendante de la couche application et la couche transport. De ce fait, notre application est portable sur tout type de réseaux.

III.5.1 Sur un réseau filaire Nous avons implémenté notre application sur un réseau LAN dont le câble utilisé est un câble coaxial et les débits de connexions utilisés sont 10 et 100 Mbps. Le délai de transmission de données est négligeable. Nous l'avons implémentée aussi sur le réseau Internet, où les deux postes sont connectés à travers le même fournisseur d’accès à Internet. Nous avons utilisé le même fournisseur car la signalisation avec SIP nécessite que les adresses IP des deux postes utilisés doivent être publiques ou d’un même fournisseur. Nous avons constaté que le délai de transmission de données varie entre 0 et 1 seconde.

III.5.2 Sur un réseau sans fil Pour mettre en œuvre notre application sur un réseau sans fil, nous avons utilisé des clés Bluetooth. Tout d’abord, il faut créer un PLAN (Personal Local Area Network) pour affecter à chacun des deux postes une adresse IP. Pour ce faire, nous avons utilisé le "Bluetooth Soleil d’ IVT Corporation" comme logiciel de gestion de connexion entre les clés Bluetooth. Le délai de transmission de données dans les réseaux sans fil

Figure. Structure modulaire du "SMAV"


varie entre 1 et 3 secondes et cela selon la distance entre les deux nœuds mobiles qui varie entre 0 et 20 mètres.

III.6 Conclusion Notre application "SMAV" de voix/vidéoconférence sur IP est basée sur le protocole SIP. Nous l'avons implémentée sur les réseaux filaires ainsi que sur les réseaux sans fil sur une architecture point à point. Elle est composée de plusieurs modules programmés dans un environnement Java en utilisant plusieurs librairies tels que JMF et JAIN-SIP.

Conclusion générale et perspectives Tout au long de notre travail, nous avons commencé par l’étude du principe de fonctionnement de quelques protocoles de signalisation ayant une relation directe avec le service multimédia mobile, pour choisir les protocoles les plus appropriés à notre thématique à travers une étude comparative. Notre choix a été orienté vers deux protocoles. Le premier étant SIP pour la signalisation, et cela pour sa simplicité, rapidité et légèreté d’utilisation tout en étant très complet par rapport à ces concurrents (MGCP et H323). Le deuxième protocole étant RTP/RTCP pour le contrôle des flux multimédia en temps réel. Ensuite nous avons illustré les différentes architectures client/serveur et leur fonctionnement dans le but de choisir l’architecture la plus appropriée à notre application (SMAV). Ceci fait nous avons opté pour une architecture point à point où les terminaux communiquent entre eux sans intermédiaire (serveur Proxy ou middleware). Dans un soucis de modularité et afin que notre application soit une plateforme pour toute application multimédia portable sur différents types de réseau, nous avons conçu notre environnement selon une architecture point à point basée sur une signalisation SIP en intégrant RTP/RTCP pour le contrôle du flux multimédia temps réel. De ce fait, la conception ne peut être que modulaire. SMAV est décomposée en trois modules disjoints où chacun a des fonctionnalités bien précises. Pour des projets futurs, l’architecture de SMAV peut être orientée vers une architecture client/serveur tout en incluant un mode de communication multipoint (multicast) ainsi la plateforme devient utilisable dans différents domaines d’application des NTIC tel que le E-Learning. De même, le problème de reconnaissance des adresses IP peut être résolu en intégrant un mécanisme NAT rendant SMAV extensible vers des réseaux étendus.

Références

[1] "Media Gateway Control Protocol (MGCP)", RFC 3435, Janvier 2003

[2] "MEGACO Protocol Version 1.0", RFC 3015, Novembre 2000

[3] "Megaco / H.248 Gateway Control Protocol", Marko Pyhäjärvi, University of Helsinki, 11-05-2004

[4] "OPEN H323", « www.openh323.org », 15-09-2005 [5] "H323", L’encyclopédie WIKIPEDIA

«http://fr.wikipedia.org/wiki/H323 », 12-09-2005 [6] "FrameIP TCP/IP",

«http://www.frameip.com/toip »,12-09-2005 [7] "RTP: a transport Protocol for Real-Time Applications",

RFC 1889, Janvier 1996

[8] "Session Initiation Protocol", RFC 3261, Juin 2001 [9] SIP Center, « www.SIPcenter.com », 15-08-2005 [10] SIP Foundry , « www.SIPfoundry.com », 15-08-2005 [11] " IP Mobility Support", RFC 2002, Octobre 1996 [12] "Mobility Support for IPv4" , RFC 3220 , Janvier 2002 [13] Julien Danjou et Renaud Galante, "Mobile IP", 10-05-

2006 [14] "Mobile IP et autres compagnons de voyage", Cartigny

Julien, Université de Lille 1, LIFL / équipe RD2P, 12-05-2006

[15] "HMIPv6: A Hierarchical Mobile IPv6 Proposal", Claude Castelluccia, «http://citeseer.nj.nec.com/castelluccia00hmipv.html»,10-05-2006

[16] "Client- Serveur",«http://fr.wikipedia.org/wiki/client-serveur »,06-12-2005

[17] "Le CLIENT –SERVEUR" , Georges et Oliviers , Eyrolles, 2000

[18] "Client-Serveur",«http://www.pps.jussieu.fr/Livres/ora/DA-OCAML/book-ora188.html»,23-12-2005


Modélisation bidimensionnelle de la propagation du streamer négatif dans l'azote

A. Flitti Département d'Electrotechnique

Université des Sciences et de la Technologie d'Oran Oran, Algeria

A. Hamid Département d'Electrotechnique

Université des Sciences et de la Technologie d'Oran Oran, Algeria

Résumé— La modélisation des s treamers c onsiste à rés oudre les équations de continuité du plasma pour les électrons et les ions. L eur r ésolution s e f ait d ans une c onfiguration bidimensionnelle par la méthode à pas fractionnaires (splitting method) e n utilisant l e s chéma numérique amélioré d e Kulikovsky. Le traitement numérique de l'équation de Poisson pour l e c alcul d u c hamp é lectrique e st r éalisé e n ut ilisant un schéma d'ordre él evé t el q ue l a méthode n umérique Bi-Conjugate G radient S tabilized M ethod. O n pr ésente l'évolution d e l a d ensité él ectronique s uivant l 'axe d e propagation (en une dimension) et en deux dimensions et cela pour différents instants.

I. INTRODUCTION Durant les vingt dernières années, les technologies des décharges filamentaires haute pression (décharges streamers) sont devenues un sujet de recherche intéressant en vue de nouvelles applications telles que le traitement des effluents gazeux contenant les réactifs précurseurs (NOx, SOx

II. MODELE MATHEMATIQUE Le modèle mathématique utilisé pour simuler la propagation du streamer négatif dans l’azote moléculaire N

, COV), la génération de l’ozone bénéfique, le traitement de surface et la stérilisation médicale. Théoriquement, la modélisation des streamers consiste à résoudre les équations de continuité du plasma pour les électrons et les ions. Les paramètres de transport et les termes sources dépendent du champ électrique; l'équation de Poisson fait aussi partie du système à résoudre. L'équilibre avec le champ local est supposé toujours réalisé. La résolution se fait alors dans l’approximation fluide complète. Compte tenu des difficultés, une simplification est apportée d'emblée: la décharge filamentaire est supposée à symétrie de révolution autour de l'axe de propagation de la décharge. Pour tenir compte de l'évolution du rayon, la décharge doit être étudiée dans une géométrie bidimensionnelle [1-4]. Avant de procéder à l'étude de la modélisation bidimensionnelle du streamer négatif ou anode- directed streamer (ADS) dans l'azote, nous présentons le modèle utilisé.

2

2ee e e e e e

n.(w n ) D n n v

t∂

+∇ − ∇ = α∂

est le modèle fluide d’ordre un donné par exemple par Dhali et Williams [5] et Potin [6]. On couple de façon auto-cohérente entre les équations de continuité des particules chargées (électrons et ions positifs) et l'équation de Poisson pour le calcul du champ de charge d'espace:

(1)

p 2p p p p e e

n.(w n ) D n n v

t∂

+∇ − ∇ = α∂

(2)

2e p e 0q (n n ) /∇ Φ = − − ε (3)

e e e p p pn , w ,D ,n , w et D représentent la densité des

particules, la vitesse de dérive et la diffusion pour les électrons et les ions positifs respectivement. ev est le module de ew , α est le premier coefficient de Townsend,

eq la charge de l’électron, Φ le potentiel et 0ε représente la permittivité du vide. On considère aussi que la décharge filamentaire prend naissance entre deux électrodes métalliques circulaires, planes et parallèles et de rayon R. Ces deux électrodes sont espacées d’une distance d. Dans cette configuration cylindrique, il existe une symétrie de révolution autour de l'axe de propagation de la décharge filamentaire.


Figure 1. Domaine de simulation

Les équations de continuité pour les électrons (ions) peuvent s'écrire:

z re

J (rJ )n 1 n v t z r r

∂ ∂∂+ + = α

∂ ∂ ∂ (4)

zJ et rJ représentent dans l'équation (4) respectivement les

composantes axiale (suivant l’axe Oz), et radiale (suivant l’axe Or) du flux électronique ou ionique. On rappelle que le flux J est donné par la formule:

J nw D n= − ∇ (5)

w E= −µ pour les électrons (6)

w E= µ pour les ions (7)

III. DENSITE INITIALE ET PARAMETRES DE TRANSPORT

Dans cette simulation, la décharge est initiée par deux densités électronique et ionique de profil gaussien:

2 2 8exp( ( ) ( ) ) 10− − +σ σ0

z r

z rn(z, r, t = 0) = n

-3 cm140n = 10 , rσ = 0.021 cm et =zσ 0.027cm

En plaçant les densités initiales électronique et ionique à la cathode (z=0, axe de symétrie), on peut simuler la propagation d'un streamer négatif se déplaçant de la cathode vers l'anode.

Les paramètres de transport tels que le coefficient d’ionisation, les mobilités électronique et ionique, les coefficients de diffusion radiale et axiale des électrons sont donnés respectivement par [5] et [6]:

-260P/E5.7 P eα = (cm-1

5e 2.9 10 /P µ =

) (cm-2

5p 2.6 10 /P µ =

/Vs) (cm-2

D/Vs)

A=1800 (cm2

D/s)

R=2190 (cm2

/s)

On néglige la diffusion des ions positifs (pour les ions, les coefficients de diffusion axial et radial sont pris égaux à 10 cm2

Le gaz utilisé est l’azote moléculaire (N

/s. Cette condition est nécessaire pour l'algorithme utilisé). La pression est en Torrs et le champ électrique en V/cm.

2

) à la pression atmosphérique (760 Torrs) et à la température ambiante (293 °K). La distance inter-électrodes est de 0.5 cm et le potentiel U appliqué à l'électrode de droite (anode) est de 26 kV. Cela correspond à un champ de 52 kV/cm (soit 193 Td à la pression atmosphérique) et à une surtension de 47 % par rapport à la tension de claquage statique.

IV. RESOLUTION DE L'EQUATION DE CONTINUITE PAR LA METHODE A PAS FRACTIONNAIRES

La résolution bidimensionnelle des équations de continuité pour les particules chargées est réalisée en utilisant la méthode à pas fractionnaires donnée par Potin [6] et Bessières [7]. Cette méthode consiste à remplacer l’équation bidimensionnelle du transport (4) par une succession d’équations monodimensionnelles dans chacune des directions de l’espace conformément aux expressions suivantes:

z

r

e

J (z, r, t)n(z, r, t) 0t z

(rJ (z, r, t))n(z, r, t) 1 0t r r

n(z, r, t) n vt

∂∂ + = ∂ ∂ ∂∂ + =

∂ ∂∂ = α ∂

(9)

Dans l'équation (9), le flux est calculé numériquement par le schéma amélioré de Kulikovsky SG0 développé dans la communication [8].

r

Anode Cathode

z

R

d

O


V. TEST DE VALIDITE DU SCHEMA SG0 DANS UNE CONFIGURATION BIDIMENSIONNELLE

Pour ces tests de validité, on résout l'équation (9) sans terme source et avec une diffusion des particules chargées négligeable. La densité initiale de profil gaussien utilisée dans ce test est de la forme:

2 20 0

1 2

(z z ) (r r )n(z, r, t 0) n exp

− + −= = σ

(10)

Avec n1 0r, , 0z et 2σ qui prennent respectivement les valeurs 1012

, 0.9, 0.9 et 0.04 (ua).

Figure 2: Profil gaussien de la densité initiale

Figure 3. Propagation du profil de la densité par le schéma SG0

Le profil de la propagation de la densité issu du schéma amélioré SG0 pour un même nombre de points en position

axial et radial égal à 100, un nombre de pas en temps égal à 400 et pour un CFL égal à 0.4 est donné en figure (12). On remarque que le profil de la densité initiale se propage comme convenu suivant la diagonale de l'espace inter-électrodes. Ce profil est quasi identique à la propagation d'une décharge filamentaire haute pression.

VI. ETUDE D'UNE DECHARGE FILAMENTAIRE EN 2D

Dans notre code 2D, les équations de continuité sont résolues par le schéma amélioré de Scharfetter et Gummel d’ordre zéro (SG0). Le domaine de simulation, le gaz utilisé, la densité initiale et les paramètres de transport ont été donnés au paragraphe (3). En plaçant les densités initiales électronique et ionique à la cathode (z=0, axe de symétrie), on peut simuler la propagation d'un streamer négatif se déplaçant de la cathode vers l'anode.

VII. RESULTATS

Les résultats sont présentés sous deux formes: La première consiste à observer l’évolution de la densité électronique et du champ électrique axial sur l’axe de propagation du filament ou streamer. Ces courbes fournissent des informations sur la vitesse de propagation du streamer. Une autre description du filament est apportée par les courbes de niveau en deux dimensions de la densité électronique. La figure (4) montre l'évolution de la densité électronique suivant l'axe de propagation et cela pour différents instants. On voit que la variation de la densité électronique au niveau du front de propagation est extrêmement rapide et que le streamer arrive à l'anode en un temps inférieur à 3 ns.

Position (cm)

0.0 0.1 0.2 0.3 0.4 0.5

Den

sité

éle

ctro

niqu

e (c

m-3

)

107

108

109

1010

1011

1012

1013

1014

1015

Figure 4. Evolution de la densité électronique suivant l'axe de propagation On représente aussi en deux dimensions l'évolution de la densité électronique pour les instants 1.5 et 2.5 ns.

Position radiale (ua)

0.0 0.2 0.4 0.6 0.8

Pos

ition

axi

ale

(ua)

0.0

0.2

0.4

0.6

0.8

0 2e+11 4e+11 6e+11 8e+11 1e+12

Position radiale (ua)0.0 0.2 0.4 0.6 0.8

Pos

ition

axi

ale

(ua)

0.0

0.2

0.4

0.6

0.8

5e+11 1e+12 1e+12 2e+12


Position radiale (cm)

0.00 0.05 0.10 0.15 0.20 0.250.0

0.1

0.2

0.3

0.4

0.5

109

1010

1011

1012

1013

1014

-0.25 -0.20 -0.15 -0.10 -0.05 0.00

Posit

ion a

xiale

(cm

)

0.0

0.1

0.2

0.3

0.4

0.5

Figure 5. Courbe de niveau de la densité électronique à 1.5 ns en cm

-3

Position radiale (cm)

0.00 0.05 0.10 0.15 0.20 0.250.0

0.1

0.2

0.3

0.4

0.5

109

1010

1011

1012

1013

1014

-0.25 -0.20 -0.15 -0.10 -0.05 0.00

Posit

ion a

xiale

(cm

)

0.0

0.1

0.2

0.3

0.4

0.5

Figure 6. Courbe de niveau de la densité électronique à 2.5 ns en cm

-3

Les courbes de niveau (figures (5) et (6)) montrent l'expansion radiale de la décharge. La densité électronique au niveau du front d'ionisation croit de manière régulière. Le nombre d'électrons créés par ionisation va donc augmenter.

VIII. CONCLUSION Nous avons utilisé pour résoudre l'équation de continuité en 2D par la méthode des pas fractionnaires. Nous avons aussi simulé la propagation du streamer négatif dans l'azote moléculaire N2

Références:

par couplage auto- cohérent des équations de continuité des particules chargées (électrons et ions positifs) avec l'équation de Poisson. Nous avons mis en évidence la bonne adaptation de notre code numérique pour

l'étude de la propagation d'une décharge filamentaire en polarité négative et en champ homogène. Les courbes de la densité électronique suivant l'axe de propagation ont montré les variations extrêmement rapides de ces paramètres au niveau du front de propagation. Les courbes de niveaux ont montré l'expansion radiale de la décharge filamentaire.

[1]

N. Y Babaeva et G. V.Naidis,'' Two dimensional modeling of positive streamer dynamics in non uniform electric fields in air'', J. Phys. D: Appl. Phys; Vol 29, pp 2423-31, 1996

[2]

A. A. Kulikovsky,'' The structure of streamers in N2

[3]

: Two dimensional simulation'', J. Phys. D: Appl. Phys. Vol 27, pp 2564-9, 1994

A. A.Kulikovsky '' Two dimensional simulation of the positive streamer in N2

[4]

between parallel-plate electrodes'', J. Phys. D: Appl. Phys; Vol 28, pp1483-93,1995

S. Pancheshnyi et A. Yu Starikovskii, '' Two dimensional modeling of the cathode directed streamer development in a long gap voltage'', J. Appl. Phys., 36, pp 2683-2691,.2003

[5] S. K. Dhali et P. F.Williams,'' Two dimensional studies in gases'', J. Appl. Phys., Vol 62, n°12, pp 4696-4707, 1987.

[6] J. Potin, "Modélisation numérique d’une décharge filamentaire contrôlée par barrière diélectrique dans l’azote à la pression atmosphérique", thèse doctorat, Toulouse, Sabatier, 2001

[7] D. Bessières, "Modélisation des décharges électriques filamentaires", Thèse de doctorat à l'Université de Pau, 2006

[8] A. Flitti et A. Hamid A. " Two dimensional numerical resolution of the drift-diffusion equation: application to negative streamer propagation", International Conference On Electrical Design And Engineering Technologies, ICEEDT'08, 8-10 November, Tunisia, 2008.

Author mailing: [email protected]


theme voip, imagerie satellitaire

Documents