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.

Présentation au sujet: "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."— Transcription de la présentation:

1 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)

2 La couleur de l’Océan Paramètres marins (concentration en chlorophylle) Propriétés des aérosols (épaisseur optique) Propriétés des aérosols (exposant d’Angström ou type) Juin 2003

3 Le traitement standard des données
412nm 443nm 490nm 510nm 555nm 670nm 765nm 865nm rtoa(l)=rA(l)+t(l). rw(l) Calcul de rA et de t Identification des aérosols Calcul de rw Correction atmosphérique Algorithme bio-optique Chloro = f(rw(l)) Depuis 5 ans, nous travaillons à l’amélioration de ce traitement grâce aux méthodes neuronales

4 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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.

5 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

6 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

7 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 = rA(l) y = rw(l) Apprentissage: Nous avons utilisé les sorties de modèles de transfert radiatif.

8 Propriétés optiques des aérosols
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. Janvier Avril Juillet validation Octobre Epaisseur optique (≈ concentration) Exposant d’Angström (≈ taille des particules) Jamet et al., GRL, 2004

9 Traitement avancé des données
Jamet et al., JAOT, 2005 Brajard et al., ASR, en révision Brajard et al., NN, accepté MLP Obs: rtoa(l) y = rtoa(l) Analytic expression Gradient backward propagation in MLP Quasi-newton minimizing algorithm x=,Chl NeuroVaria

10 Meilleure correction atmosphérique
Chl t NeuroVaria permet de retrouver des chloro réalistes sous les aérosols absorbants. 6 octobre 1997 (aérosols absorbants) t 8 octobre 1997 (pas d’aérosols)

11 Nouveaux paramètres marins
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. La dernière partie du traitement que nous souhaitons améliorer est l’algorithme bio-optique: Chloro = f(rw(l)). Des PRSOM sont aussi utilisées pour analyser des inventaires de pigments et des spectres d’absorption. Fuco/chloro a510/a520 Chazottes et al., en prép.

12 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).