Julien BRAJARD

1. Julien BRAJARD Télédétection de la biologie marine pour l’étude et la modélisation des populations de phytoplancton N°44/04 - 1 Chargé de recherche de 2e classe. Informatique pour l'étude et le traitement des masses de données biologiques. Descriptif du poste Les masses de données biologiques sont liées au traitement de flots croissants de données, à leur nature multi forme. Pour efficacement traiter ces données, des avancées théoriques et technologiques sont nécessaires dans de nombreux domaines notamment dans la modélisation des données et de l’information qu’elles véhiculent, dans la conception de systèmes d’information et dans l’algorithmique sous jacente. Audition CNRS pour le poste 44/04 au LOCEAN

2. Mon profil Julien Brajard Situation actuelle : postdoc CNES à ULCO Télédétection et modélisation des eaux du cas 2 Dernier diplôme obtenu : Doctorat à Paris 6 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 Soutenu le 7 Décembre 2006 Publications : 2006 Journal of advances in space research 2006 Neural Networks 2007 International journal of remote sensing

3. Le phytoplancton dans l’océan • Ordre de grandeurs variables (temporelles et spatiales) • Multiforme • Impact majeur sur l’écosystème marin • Difficiles à observer

4. Télédétection Fréquence d’apparition des diatomées (Bopp et al., 2005) chl-a (SeaWiFS)

5. Grandes bases de données (Mesures in situ, satellites, simulations) Modélisations bio-optique Extraction d’information Ma thèse : chl-a Paramètres biologiques Post-doc : a,b Modélisation bio-géochimique Composition et évolution des population de phytoplancton

6. Mon travail de thèse Contexte : inversion d’image satellite pour retrouver la concentration en chl-a pigment principal et indicateur de la quantité de phytoplancton Méthode innovante : Inversion variationnelle et réseaux de neurones, NeuroVaria

7. x + • Erreurs sur les mesures • Connaissances a priori sur les paramètres • Connaissances expertes du processus physique rcor mesuré J rcor simulé t rA Modèle adjoint mi rw t ni RN RN RN ni mi t chl-a chl-a b0 b0

8. Traitements 14 Septembre 1998 Image en fausses couleurs

9. Traitements SeaWiFS – 14 Septembre 1998 + 56% pixels chl-a

10. chl-a, indice utile mais insuffisant Sortie Pisces : Profil annuel de chlorophylle sur la station Bats de Jgofs (Bermudes)

11. Projet de recherche (2 ans) Adapter et utiliser les méthodologies utilisées dans ma thèse pour estimer des paramètres caractéristiques de l’activité biologique chl-a quantité de matière végétal bb Charge en particule (POC, particulate organic carbon) CDOM DOC (Dissolved organic carbon) – Problème d’oxydation g taille des particules r* espèce de phytoplancton ? Ce travail se fera dans les eaux du cas 2 (eaux côtières) plus riches biologiquement Baie James

12. Projet de recherche (2 ans) Répartition spatiale des populations de phytoplancton en profondeur chl-a SeaWiFS Ex : selon les catégories trophiques Uitz, J., Claustre, H., Morel, A., Hooker, S. (2006).

13. Programme de recherche à plus long terme Grandes bases de données (Mesures in situ, satellites, simulations) • Meilleure connaissance des populations de phytoplancton • Evaluation de l’apport de la télédétection à l’étude de la biologie marine Modélisations bio-optique Paramètres biologiques • Meilleure connaissance des populations de phytoplancton • Evaluation de l’apport de la télédétection à l’étude de la biologie marine Modélisation bio-géochimique Composition et évolution des populations de phytoplancton

14. Impact du phytoplancton