Projet post-doctoral CNES Sciences utilisatrices de moyens spatiaux

1. Projet post-doctoral CNES Sciences utilisatrices de moyens spatiaux Julien Brajard Chaîne de traitement des images de couleur de l’Océan 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 d’ingénieur en Télécommunications (INT) • DESS Traitement de l’information et exploitation des données • Situation actuelle : • Dernière année de doctorat dans l’équipe « Modélisation statistique avancée » du LOCEAN/IPSL sous la direction de Sylvie Thiria (co-directeur : Cyril Moulin).

3. Images de couleur de l’Océan SeaWiFS processing : 4 September 1997 through 18 July 2005

4. Le transfert radiatif Réflectance atmosphérique Hypothèse de l’océan noir : Pour l≥670, rw=0 => 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 l’information 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. PMC PMC PMC PMC NeuroVaria rA Paramètres aérosols (t,…) t géométrie à minimiser Paramètres marins (chla,…) rw J Perceptrons multicouches (réseaux de neurones)

8. t r r t Validation in-situ Campagnes NORBAL et SARHYGOL (2000, golf du Lion)

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 l’Océan atlantique (ouest de la Guinée) et à la mer d’Arabie.

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 l’océan noir : Pour l≥670, rw=0 => rcor(l)=rA(l) Spectres mesurés dans le cadre de l’expérience Boussole (mer Mediterranée) CAS 1 Spectres mesurés par GKSS dans la mer du Nord près des côtes. CAS 2

15. Classification NeuroVaria- poussières NeuroVaria NeuroVaria- eaux du cas 2 Chaîne de traitement Images MERIS images SeaWiFS Images MODIS Indices de confiance glitter nuages eaux du cas 2 type d’aérosol 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 (13+2) • 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 d’une 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 GEP&CO 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 l’Amazone • (Eaux du cas 2) • Collaboration avec Hubert Loisel

20. Calendrier prévisionnel 2007 2008