QRNN
Mise en œuvre d’un réseau de neurones à régression quantile (Quantile Regression Neural Network)
Mission
Estimation des incertitudes via les réseaux neuronaux : récupération du 𝐶𝑂2 atmosphérique et des incertitudes associées
Instruments
IASI, AMSU
Compétences
Radiométrie, développement algorithmique
Date
De 2019 à 2021
Le projet QRNN
L’extraction et l’analyse de paramètres géophysiques à partir de mesures de télédétection jouent un rôle crucial dans la connaissance des phénomènes physiques de la Terre. En effet, les gaz à effet de serre sont responsables d’effets importants sur notre atmosphère, comme le changement climatique de la Terre.
Dans ce contexte, les méthodes basées sur des algorithmes d’apprentissage automatique ont pris une place importante dans la communauté scientifique. Les réseaux de neurones (RN) à percéption multicouches (MLP) ont prouvé qu’ils fournissaient de bonnes estimations des paramètres atmosphériques. Aussi, ils ont prouvé qu’ils étaient plus performants (en termes de coût de calcul et de traitement de systèmes/modèles non-linéaires) que les méthodes classiques d’inversion, comme la méthode d’estimation optimale (OEM).
Cependant, les techniques classiques de RN ne fournissent pas d’informations sur l’incertitude des paramètres récupérés.
Pourtant, cette information sur l’incertitude est essentielle pour l’exploitation des produits scientifiques. Par exemple, elle est importante pour leur utilisation dans les systèmes d’analyse et de prévision de la composition et/ou de la dynamique de l’atmosphère.
Dans ce cadre, l’unité est en charge de comprendre et d’estimer le potentiel de l’obtention de données sur la composition de l’atmosphère thermique, plus précisément, sur le contenu de 𝑪𝑶𝟐 dans la troposphère. Ces mesures sont faites à partir d’instruments de sondage d’hyperspectres infrarouges tels que IASI, IASI-NG ou OCO-2. Aussi, l’unité doit pouvoir déterminer l’incertitude qui y est associée, par le biais de méthodes basées sur les réseaux neuronaux, afin de préparer de futures missions (par exemple, Microcarb).
Ce travail a été réalisé dans le cadre d’un projet du CNES.
Les objectifs de QRNN
-
-
- Mis en place d’un MLP de régression quantile (QRNN) pour l’estimation du contenu 𝑪𝑂2 atmosphérique
-
- Validation de l’incertitude associée aux valeurs inversées de 𝑪𝑂2 fournies par le QRNN
-
- Comparaison des inversions et des incertitudes associées fournies oar le QRNN avec celles de méthodes plus classiques (OEM, Monte-Carlo Markov Chain – MCMC)
-
Les partenaires principaux
CNES, SPASCIA, L’Observatoire de Paris, Laboratoire d’Etude du Rayonnement et de la Matière en Astrophysique (LERMA)
Mots-clés
observation, satellite, terre, études, incertitude, données atmosphériques, CO2, régression, quantile, réseaux neuronaux, GES, gaz à effet de serre, changement climatique, climat
SCIENCE FOR EARTH CARE
L'unité Observation de la Terre de Magellium est experte en missions spatiales optiques et en applications géophysiques et biophysiques. L'unité offre un haut niveau d'expertise et une complète maîtrise sur l'ensemble de la chaîne de traitement, lui permettant de répondre à tous les projets des plus grandes commandes spatiales telles que l'ESA et le CNES.