éditions des archives contemporaines

Classification automatique neuronale de réflectances satellitaires (niveau L1 B) de la couleur de l'océan

GROSS Lidwine , MOULIN Cyril et THIRIA Sylvie
DOI—
Pages291–307
Paru le26 juin 2003
Citer Lire en PDF · 17 p.

Résumé

Nous proposons une méthode de classification automatique neuronale de réflectances satellitaires de la couleur de l'océan, mesurées au-dessus de l'atmosphère. Ces réflectances sont le résultat de l’interaction du rayonnement solaire avec les composants du système océan-atmosphère. Pour obtenir la réflectance marine, il faut retirer du signal la contribution de l'atmosphère. Le but de notre classification est d'identifier, sur une image de couleur de l'océan, les pixels contaminés par les nuages et les aérosols. Cette information est d'une grande importance au moment de choisir l'algorithme spécifique de correction atmosphérique, notamment en présence d’aérosols absorbants. La méthode de classification, non dirigée, basée sur les cartes auto-organisatrices de Kohonen, permet de tenir compte directement de l'information multibande fournie par les radiomètres. On associe à chaque pixel d'une image de télédétection un vecteur dont les composantes sont les mesures multibandes de réflectances et un paramètre permettant de décrire la structure spatiale autour du pixel. La première phase de notre méthode permet une estimation de la densité des mesures radiométriques, en produisant un certain nombre de vecteurs référents, qui récapitule l'information contenue dans ces mesures. La deuxième phase consiste à identifier les référents en utilisant une connaissance experte. La connaissance experte contient quatre classes géophysiques : nuages, mer claire (aérosols marins) et deux types d'aérosols absorbants. Notre méthode est probabiliste et permet de donner, pour chaque pixel, sa probabilité d'appartenance à chaque classe. Les résultats présentés dans cet article résultent d'une étude sur des mesures du radiomètre couleur de l’océan POLDER, dans la région du Cap-Vert, qui présente une variabilité saisonnière importante en termes d'événement aérosols, de couverture nuageuse et de concentration en chlorophylle-a dans l'océan. La méthode peut être généralisée en augmentant le nombre de classes et incluant plus de longueurs d'onde dans le traitement.

Mots clés
couleur de l’océantélédétectionclassification d’imagesréseaux de neurones

Abstract

In this paper, we propose an automatic neural classification method of top of the atmosphere ocean colour reflectances. These reflectances result from the interaction of the sun radiant energy with the constituents of the ocean-atmosphere system. To obtain marine reflectance, the atmospheric contribution should be removed using atmospheric correction. The purpose of the classifier we present here is to isolate, on a remotely sensed image, pixels contaminated by clouds, from pixels containing mineral dusts and from pixels only containing marine aerosols. This information is of great importance when choosing the specific atmospheric correction algorithm, according to the presence (or the absence) of various absorbing aerosols.
The method is an unsupervised neural network model and is based on the self organizing maps (called Kohonen maps). It associates to each pixel a vector of information, which can be for example the multi-spectral information, added to structure parameters. The first step of the method gives an estimate of the radiometric measurements density, by producing a set of referents vectors, which summarize the information contained in these measurements. The second phase of the method consists of identifying the referent vectors using an expert knowledge. Our expert knowledge consists in 4 subsets of analysed data, coded on the same dimensions that the referent vectors and containing gathered identified geophysical conditions. Our method is a probabilistic method and allows the computation of the probability for each pixel to belong to a class.
To illustrate our neural classification, we focused on a specific region of the globe, centered on the Cape Verde region, which presents an important seasonal variability in term of aerosols transport, cloud coverage and ocean chlorophyll a concentration. The results presented here arise from a preliminary study on the POLDER radiometer reflectances.
The limitation of four geophysical classes is not inherent to the method, and would be easily suppressed for an operational application. The method can be generalized by including more
wavelengths in the treatment, it is thus adapted to the radiometers of the next generation.

Keywords
ocean colorremote sensingimage classificationneural network

Lire l’article

Première page

PDF de 17 pages, tel qu’imprimé dans la revue, pages 291 à 307. En libre accès.

Pas encore de consultation enregistrée.