Utilisation des méthodes neuronales

pour l'analyse des imagesde couleur de l'océan

C. Moulin, C. Jamet (LSCE)

J. Brajard, A. Chazottes, M. Crépon, C. Mejia, A. Niang, S. Thiria (LOCEAN)

Financements: NAOC (UE, 5ème PCRD), TOSCA (CNES)

Paramètres marins (concentration en chlorophylle)

QuickTime™ et undécompresseur TIFF (LZW)

sont requis pour visionner cette image.

La couleur de l’Océan

Propriétés des aérosols (épaisseur optique)

QuickTime™ et undécompresseur TIFF (LZW)

sont requis pour visionner cette image.

QuickTime™ et undécompresseur TIFF (LZW)

sont requis pour visionner cette image.

Propriétés des aérosols (exposant d’Angström ou type)

Juin 2003

Le traitement standard des données

412nm 443nm 490nm 510nm 555nm 670nm 765nm 865nm

toa()=A()+t(). w()

Depuis 5 ans, nous travaillons à l’amélioration de ce traitement grâce aux méthodes neuronales

Calcul de A et de tIdentificationdes aérosols

Calcul de wCorrectionatmosphérique

Algorithmebio-optique

Chloro = f(w())

Méthodes utilisées et développées

Cartes topologiques (PRSOM):Cette méthode de classification automatique nous permet une première caractérisation des aérosols avant d’entrer dans une méthode plus lourde comme NeuroVaria.

Réseaux de neurones (PMC):Cet outil nous permet d’approximer efficacement les modèles numé-riques de transfert radiatif qui calculent les() à partir de paramètres atmosphériques et marins.

Inversion neuro-variationnelle (NeuroVaria):La modélisation directe par PMC est implémentée dans un schéma d’inversion variationnel pour retrouver les paramètres atmosphériques et marins à partir des() mesurés.

Cartes topologiquesClassification non-supervisée:des millions detoa() mesurés sont projetés sur une PRSOMpour en faire la synthèse.

Labellisation des neurones:des millions detoa() précalculés sont projetés sur la PRSOMpour associer certains neurones à un type d’aérosols et une épaisseur optique (concentration).

Niang et al., RSE, 2003

toa() « moyen » mesuré

toa() aérosols côtiers + =0.5

20x20 neurones associés chacun à un spectre différent detoa()

Identification des aérosols

Niang et al., RSE, 2005

Epaisseur optique Typologie

Les PRSOM ainsi produites permettent une classification automatique des toa() des images SEAWIFS et une estimation de l’épaisseur optique et du type d’aérosols.

validation

Perceptrons multi-couches

Les PMC sont un type de réseau de neurones bien adapté pour l’approximation de fonctions non-linéaires. De plus les PMC sont directement adjointisables.

x = ou

x = Chl

y = A()

ouy = w()

Apprentissage:Nous avons utilisé les sorties de modèles de transfert radiatif.

Propriétés optiques des aérosols

Epaisseur optique(≈ concentration)

Exposant d’Angström(≈ taille des particules)

Jamet et al., GRL, 2004

JanvierA

vrilJuillet

Octobre

Comme pour les PRSOM, des millions deA() précalculés sont utilisés pour l’apprentissage d’un PMC qui permet d’estimer l’épaisseur optique et le type d’aérosols à partir desA() mesurés dans le PIR.

validation

Traitement avancé des données

NeuroVaria

Analytic expression

Gradient backward propagation in MLP

Quasi-newton minimizing algorithm

x=,Chl

y =toa()

Obs: toa()Jamet et al., JAOT, 2005Brajard et al., ASR, en révision

Brajard et al., NN, accepté

MLP

Meilleure correction atmosphérique

6 octobre 1997

(aérosols absorbants)

8 octobre 1997

(pas d’aérosols)

Chl

Chl

NeuroVaria permet de retrouver des chloro réalistes sous les aérosols absorbants.

Nouveaux paramètres marins

Chazottes et al., en prép.

La dernière partie du traitement que nous souhaitons améliorer est l’algorithme bio-optique: Chloro = f(w()).

Comme pour les aérosols, des millions dew() précalculés sont utilisés pour l’apprentissage d’un PMC qui permet d’estimer la chloro et d’autres paramètres à partir dew() mesurés dans le visible.

Des PRSOM sont aussi utilisées pour analyser des inventaires de pigments et des spectres d’absorption.

Fuco/chloro a510/a520

Perspectives

Promouvoir l’utilisation des cartes topologiques pour l’analyse des grandes bases de données.

Promouvoir l’utilisation de la méthode NeuroVaria pour la résolution des problèmes inverses.

Utiliser les résultats NeuroVaria pour l’observation de la couleur de l’océan dans des régions « difficiles ».

Poursuivre l’amélioration des algorithmes bio-optiques (détection des groupes phytoplanctoniques).