Section 7 : Sciences et technologies de l’information (informatique, automatique, signal et communication) Traitement de signaux satellitaires de couleur de l’océan : Modélisation et optimisation Julien Brajard

Julien Brajard Parcours: 1998 - 2000 : classe préparatoires (MPSI/MP* option informatique) 2001 : licence de mathématiques 2003 : Diplôme d’ingénieur en télécommunications (Institut National des Télécommunications) Master TRIED (Traitement de l’information et exploitation des données) Dernier diplôme obtenu : Doctorat à Paris 6 (2006) Titre : Méthodologie neuronale pour l’inversion des signaux satellitaires de l’océan. Traitement des aérosols absorbants et restitution de la concentration en chlorophylle-a Spécialité : télédétection et méthodes statistiques Préparé au LOCEAN dans l’équipe Modélisation et méthodes statistiques avancées sous la direction de Sylvie THIRIA Situation actuelle : postdoc CNES à ULCO Télédétection, modélisation et inversion des images des eaux du cas 2

Introduction Contexte : Objectif : Ma contribution : Résultats : Analyse de signaux satellitaires de couleur de l’eau Objectif : Développement d’algorithmes et de méthodes pour le traitement de masse données complexes Ma contribution : Comparaison de bases de données Développement de méthodes neuronales (Kohonen, perceptrons) Développement d’une méthode de contrôle optimale Résultats : Chaîne de traitement de la couleur de l’eau en présence d’aérosols absorbants

Les bases de données (hétérogènes) Mesures : satellitaires (taille : 108) in-situ (taille : 102-103) Données synthétiques (taille : 106) codes de calcul à partir de modèles Marion Dufresne n mr mi t qs qv df l rA C b0 l rW ENVISAT 14 Septembre 1998 Image SeaWiFS chl-a (SeaWiFS) glider

Comparaison des bases de données In-situ Synthétique

J Erreurs sur les mesures Connaissances a priori sur les paramètres Bases de données Des observations Erreurs sur les mesures Connaissances a priori sur les paramètres Connaissances expertes du processus physique rcor mesuré J rcor simulé + t Modèle adjoint x rA mi rw t ni Appris avec les bases synthétiques RN RN RN mi t ni chl-a b0 chl-a b0

Traitements SeaWiFS – 14 Septembre 1998 chl-a SeaWiFS NeuroVaria Expliquer les échelles SeaWiFS NeuroVaria

Publications Revues internationales (4) 2007 IJRS (International Journal of Remote Sensing) 2006 NN (Neural Networks) 2006 ASR (Advances in Space Research) 2007 JMS (Journal of Marine Systems) Conférences internationales (4) 2007 : ICANN (soumis) 2005 : IJCNN (International Joint Conference on Neural Networks). 2004 : Ocean Optics XVII. 2004 : 35th COSPAR scientific assembly. Conférences nationales (1) 2003 : Journée d'Etude sur les Méthodes pour les Signaux Complexes en Traitement d'Image (INRIA).)

Projet à 3 ans Chaîne de traitement développée : Eaux du cas 1 + Aérosols absorbants Méthodes : Réseaux de Neurones, Optimisation Nouveaux développements algorithmiques : Eaux du cas 2 , glitter Optimisation sous contrainte Statistiques Classification Contraintes spatiales Eaux du cas 2 Glitter

Cadre de développement Schémas sous forme de graphe modulaire : YAO F2 x2,1 x2,2 x2,3 y2=F2(x2) y2,1 y2,2 Fonctionnalités : Génération de code Paramétrisation de l’optimisation Intégration des réseaux de neurones dans un algorithme gobal F3 y3=F3(x3) F1 x3,1 x3,2 y3,1 y3,2 x1,1 x1,2 x1,3 y1=F1(x1) y1,1 http://www.ipsl.jussieu.fr/groupes/NEURATEL/documents/Yao/YaoAbstract.htm

Thématiques du LOCEAN Laboratoire d’Océanographie et du Climat : Expérimentation et Approches Numériques Equipe : Modélisations et méthodes statistiques avancées Domaines de recherche : la variabilité du système climatique terrestre et ses impacts l'évolution naturelle et forcée du système climatique et ses conséquences aux échelles globales et régionales la compréhension et le couplage des processus physiques et biogéochimiques océaniques l'évolution de l'environnement océanique (hydrologie et chimie) et de ses ressources biologiques (biodiversité, ressources halieutiques) aux échelles régionales en relation avec la variabilité du système naturelle ou forcé Méthodes : Activité expérimentale avec une implication forte dans les campagnes océanographiques, avec une part de développement instrumental Interprétation conjointe des données spatiales et des observations in situ Travaux de modélisation théorique, conceptuelle et statistique avancée liée à l'interprétation des données (observations spatiales et in situ, réanalyses, sorties de modèles, ...) Activité de modélisation numérique 'réaliste' (notamment le développement du système OPA) et d'assimilation des données Méthodes de modélisation : Comparaison de données spatiales et in-situ Contrôle optimal, inversion Modélisation statistique liée à l’interprétation des données Domaines de recherche : Variabilité et évolution du système climatique Evolution de l’environnement océanique Méthodes de modélisation : Assimilation de données Domaines de recherche : Couplage des processus physiques et biogéochimiques océaniques

Perspectives à long terme Energie solaire CO2 Assimilation Nanophytoplancton Phosphate chl-a satellitaire Ammonium Diatomés Production Nitrate Fer Mortalité Broutage Silicium Matière organique dissoute zooplancton Sédimentation

Comparaison de base de données multi-dimensionnelles (1) Le Principe : Base de mesures de Rr Base de simulations de Rr Est-ce que le spectre a une forte probabilité d’être mesuré ? simulation mesures -102 18,8 17,4 13,7 -10 Indice moyen de la base de mesure 15,5 (min = 8,9 ; max = 18,88)

Paramètres de contrôle La fonction de coût Coefficients de poids Paramètres de contrôle 2 fonctions de coût différentes avec des coefficients de poids et des paramètres de contrôle différents : 510, 670, 765, 865 412, 443, 490, 555 Bandes privilégiés (nm) n,t,mi JB « Atmosphère » mi,b0,C JA « Océan » Param. de contrôle x Nom

La « relaxation » JA JB Minimisation A – « Ocean » modèle direct fonction de coût dérivée modèle adjoint ajustement des paramètres dJ/dx dJ/dr Minimisation A – « Ocean » JA x0 x=(mi,b0,C) modèle direct fonction de coût dérivée modèle adjoint ajustement des paramètres dJ/dx dJ/dr Minimisation B – « Atmosphère » JB x=(n,mi,t)

n mr mi t qs qv df l rA C b0 l rW