Diapositive 1

1
Projet post-doctoral CNES Sciences utilisatrices
de moyens spatiaux
Julien Brajard
Chaîne de traitement des images de couleur de
lOcéan Application aux eaux du cas 2
Objectifs Restitution de paramètres aérosols
(épaisseur optique, absorption, ) et marins
(chlorophylle-a, )
2
Mon profil

• Julien Brajard
• Derniers diplômes obtenus (2003)
• Diplôme dingénieur en Télécommunications (INT)
• DESS Traitement de linformation et exploitation
  des données
• Situation actuelle
• Dernière année de doctorat dans léquipe
  Modélisation statistique avancée du LOCEAN/IPSL
  sous la direction de Sylvie Thiria (co-directeur
  Cyril Moulin).

3
Images de couleur de lOcéan
SeaWiFS processing 4 September 1997 through 18
July 2005
4
Le transfert radiatif
Réflectance atmosphérique
Hypothèse de locéan noir Pour l670, rw0 gt
rcor(l)rA(l)
Transmission
Réflectance océanique
5
Principe algorithmique
1. Estimation des propriétés optiques des
aérosols à partir du rapport 765nm / 865nm
2. Extrapolation du spectre atmosphérique dans le
visible
3. Correction atmosphérique
4. Inversion du signal marin
6
Aérosols absorbants
Spectres sans aérosol absorbant
Exemples de spectres avec aérosols absorbants
Extrapolation de rA dans le visible à partir du
proche infra-rouge.
Extrapolation impossible à partir du proche
infra-rouge uniquement.
Solution Le  spectral matching  (Chomko et
Gordon, 1997) qui utilise linformation de tout
le spectre pour estimer la réflectance aérosol
rA NeuroVaria reprend le principe du spectral
matching en combinant une inversion
variationnelle et des réseaux de Neurones.
7
NeuroVaria
rA
Paramètres aérosols (t,)
t
géométrie
à minimiser
Paramètres marins (chla,)
rw
J
Perceptrons multicouches (réseaux de neurones)
8
Validation in-situ
Campagnes NORBAL et SARHYGOL (2000, golf du Lion)
t(865) t(865) rw(443) rw(443)
err rms err rms
SeaWiFS 132 7.1x10-2 37.1 6.8x10-3
Neurovaria 191 8.1x10-2 18.3 3.9x10-3
9
Traitements
14 Septembre 1998 Image en fausses couleurs
10
Traitements
SeaWiFS 14 Septembre 1998
t
chl-a
11
Traitements
NeuroVaria - 14 Septembre 1998
t
chl-a
12
Bilan du doctorat

• Améliorations algorithmiques de NeuroVaria
  (fonction de coût, minimisation)
• Modélisation des aérosols (Junge, aérosols
  désertiques)
• Classification des spectres de réflectance
  (appliqué à MERIS)
• Intégration de NeuroVaria dans la chaîne de
  traitement standard SeaWiFS (Seadas).
• Validations in-situ
• Applications à la Mer Mediterranée, à lOcéan
  atlantique (ouest de la Guinée) et à la mer
  dArabie.

13
Bibliographie

• Revues internationales à comité de lecture
• 2006 J. Brajard, A. Niang, S. Sawadogo, F. Fell,
  R. Santer R., Thiria S., Estimating aerosol
  parameters above ocean from MERIS observation
  using topological maps, International Journal of
  Remote Sensing (in press).
• 2006 J. Brajard, C. Jamet, C. Moulin, S. Thiria,
  Use of a neuro-variational inversion for
  retrieving oceanic and atmospheric constituents
  from satellite ocean colour sensor application
  to absorbing aerosols, Neural Networks, Vol
  19(2), p178-185.
• 2006 J. Brajard, C. Jamet, C. Moulin, S. Thiria,
  Validation of a Neuro-Variational Inversion of
  Ocean color images,, Journal of Advances In
  Spatial Research (in press.).
• 2006 F. Badran, M. Berrada, J. Brajard, M.
  Crépon, C. Sorror, S. Thiria, J.-P. Hermand, M.
  Meyer, L. Perichon, M. Asch, Inversion of
  satellite ocean colour imagery and geoacoustic
  characterization of seabed properties
  Variational data inversion using a semi-automatic
  adjoint approach, Journal of Marine Systems
  (soumis).
• Conférences
• IJCNN (International Joint Conference on Neural
  Networks) Montréal, 2005
• Ocean Optics XVII Fremantle, 2004
• 35th COSPAR scientific assembly Paris, 2004
• Journée d'Etude sur les Méthodes pour les
  Signaux Complexes en Traitement d'Image (INRIA)
  2003

14
Proposition post-doctoraleLes eaux du cas 2
Hypothèse de locéan noir Pour l670, rw0 gt
rcor(l)rA(l)
Spectres mesurés dans le cadre de lexpérience
Boussole (mer Mediterranée) CAS 1
Spectres mesurés par GKSS dans la mer du Nord
près des côtes. CAS 2
15
Chaîne de traitement
Images MERIS
images SeaWiFS
Images MODIS
Indices de confiance
nuages
glitter
eaux du cas 2
type daérosol
paramètres optiques aérosols
matière jaune
Sédiments en suspension
rw
chl-a
16
Bases de données utilisées
Images satellites

• Images SeaWiFS (utilisées pendant le thèse)
• Images MERIS (satellite européen ENVISAT)

• Résolution spatiale supérieure (300m)
• De plus nombreuses bandes spectrales (132)
• Mais forte pollution du glitter

Base synthétique
Base de donnée Océan et atmosphère générée par le
code de transfert radiatif (Code des ordres
successifs) Générée et utilisée dans le cadre
dune proposition TOSCA (THIRIA-SANTER).
17
Apport algorithmique

• Classification
• Utilisation des cartes auto-organisatrices de
  Kohonen
• Nuages Niang et al. 2003, RSE
• Cas 2
• Glitter Brajard et al. 2006, IJRS

• NeuroVaria
• appliqué aux eaux du cas 2 (initialisation,
  modélisation)
• Intégration dans la chaîne de traitement MERIS
• Prise en compte du glitter

• Intercomparaison
• Comparaisons aux algorithmes proposés par GKSS à
  Hambourg (R. Doerffer) et par FUB (J. Fischer)
  dans le cadre de missions de 2-4 mois.

18
Validations
Produits océaniques GEPCO
Produits aérosols Réseau AERONET
19
Applications régionales
Mer Méditerranée (Eaux du cas I test
glitter) Site Boussole/Dyfamed

• Mer du nord
• (Eaux du cas 2)
• Collaboration avec GKSS

• Embouchure de lAmazone
• (Eaux du cas 2)
• Collaboration avec Hubert Loisel

20
Calendrier prévisionnel
2007
Classification Glitter/Cas 2/Nuages 1er trimestre
Application NeuroVaria à MERIS 1er et 2ème trimestre
Validation site boussole 2ème trimestre
NeuroVaria Glitter 2ème et 3ème trimestre
NeuroVaria cas 2 et validations in-situ 2ème et 3ème trimestre
Séjour GKSS/FUB 4ème trimestre
Applications régionales 4ème trimestre
2008
Applications régionales 1er semestre
Séjour GKSS/FUB 1er semestre
Classification des spectres marins retrouvés. (Types deau et espèces de phytoplancton présents) 2ème semestre