1 / 12

Utilisation des méthodes neuronales pour l'analyse des images de couleur de l'océan

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).

glenda
Download Presentation

Utilisation des méthodes neuronales pour l'analyse des images de couleur de l'océan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 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)

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

  3. 412nm 443nm 490nm 510nm 555nm 670nm 765nm 865nm Calcul de rA et de t Identification des aérosols Calcul de rw Correction atmosphérique Chloro = f(rw(l)) Algorithme bio-optique Le traitement standard des données rtoa(l)=rA(l)+t(l). 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 lesparamètres atmosphériques et marinsà partir desr(l) mesurés.

  5. rtoa(l) « moyen »mesuré rtoa(l) aérosols côtiers + =0.5 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). 20x20 neurones associés chacun à un spectre différent dertoa(l) Niang et al., RSE, 2003

  6. validation 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. Niang et al., RSE, 2005

  7. x =  ou x = Chl Apprentissage: Nous avons utilisé les sorties de modèles de transfert radiatif. y = rA(l) ou y = rw(l) 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.

  8. validation 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 Octobre Epaisseur optique (≈ concentration) Exposant d’Angström (≈ taille des particules) Jamet et al., GRL, 2004

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

  10. Chl Chl Meilleure correction atmosphérique 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. Fuco/chloro a510/a520 Des PRSOM sont aussi utilisées pour analyser des inventaires de pigments et des spectres d’absorption. 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)). 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).

More Related