Utilisation des méthodes neuronales pour l'analyse des images de couleur de l'océan
description
Transcript of Utilisation des méthodes neuronales pour l'analyse des images de couleur de l'océan
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).