Utilisation des méthodes neuronales pour l`analyse - SAMA-IPSL

Utilisation des méthodes neuronales
pour l'analyse des images
de 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)
La couleur de l’Océan
Paramètres marins (concentration en chlorophylle)
Propriétés des aérosols (épaisseur optique)
Propriétés des aérosols (exposant d’Angström ou type)
QuickTime™ et un
décompresseur TIFF (LZW)
sont requis pour visionner cette image.
QuickTime™ et un
décompresseur TIFF (LZW)
sont requis pour visionner cette image.
QuickTime™ et un
décompresseur TIFF (LZW)
sont requis pour visionner cette image.
Juin 2003
Le traitement standard des données
412nm
443nm
490nm
510nm
555nm
rtoa(l)=rA(l)+t(l). rw(l)
Identification
des aérosols
Calcul de rA et de t
Correction
atmosphérique
Calcul de rw
Algorithme
bio-optique
Chloro = f(rw(l))
Depuis 5 ans, nous travaillons à
l’amélioration de ce traitement grâce
aux méthodes neuronales
670nm
765nm
865nm
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 numériques de transfert radiatif qui
calculent les r(l) 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 r(l) mesurés.
Cartes topologiques
Classification non-supervisée:
des millions de rtoa(l) mesurés
sont projetés sur une PRSOM
pour en faire la synthèse.
Labellisation des neurones:
des millions de rtoa(l) précalculés
sont projetés sur la PRSOM
pour associer certains neurones à
un type d’aérosols et une épaisseur
optique (concentration).
rtoa(l) « moyen » mesuré
rtoa(l) aérosols côtiers + =0.5
20x20 neurones associés chacun
à un spectre différent de rtoa(l)
Niang et al., RSE, 2003
Identification des aérosols
Epaisseur optique
Typologie
Les PRSOM ainsi produites
permettent une classification
automatique des rtoa(l) des
images SEAWIFS et une
estimation de l’épaisseur
optique et du type d’aérosols.
validation
Niang et al., RSE, 2005
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.
Apprentissage:
Nous avons utilisé les sorties
de modèles de transfert radiatif.
x = 
y = rA(l)
ou
ou
x = Chl
y = rw(l)
Propriétés optiques des aérosols
Janvier
Comme pour les PRSOM, des
millions de rA(l) précalculés
sont utilisés pour l’apprentissage
d’un PMC qui permet d’estimer
l’épaisseur optique et le type
d’aérosols à partir des rA(l)
mesurés dans le PIR.
Avril
Juillet
Octobre
validation
Epaisseur optique
(≈ concentration)
Exposant d’Angström
(≈ taille des particules)
Jamet et al., GRL, 2004
Traitement avancé des données
Jamet et al., JAOT, 2005
Brajard et al., ASR, en révision
x=,Chl
MLP
Obs: rtoa(l)
Brajard et al., NN, accepté
y=
rtoa(l)
Analytic
expression
Quasi-newton
minimizing algorithm
NeuroVaria
Gradient backward
propagation in MLP
Meilleure correction atmosphérique

Chl

Chl
NeuroVaria permet de
retrouver des chloro
réalistes sous les
aérosols absorbants.
6 octobre 1997
(aérosols absorbants)
8 octobre 1997
(pas d’aérosols)
Nouveaux paramètres marins
La dernière partie du traitement
que nous souhaitons améliorer
est l’algorithme bio-optique:
Chloro = f(rw(l)).
Comme pour les aérosols, des
millions de rw(l) précalculés
sont utilisés pour l’apprentissage
d’un PMC qui permet d’estimer la
chloro et d’autres paramètres à
partir de rw(l) mesurés dans le
visible.
Fuco/chloro
a510/a520
Des PRSOM sont aussi utilisées
pour analyser des inventaires de
pigments et des spectres
d’absorption.
Chazottes et al., en prép.
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 biooptiques (détection des groupes phytoplanctoniques).