De l'Intelligence Artificielle pour améliorer les grilles altimétriques
Image du mois - novembre 2021
Vitesse du courant dans la zone du Gulf Stream. De haut en bas et de gauche à droite : sortie haute résolution du modèle considérée dans l'expérience comme la "vérité", mesures altimétriques (configuration à quatre satellites plus Swot), courants issus d'une interpolation optimale (traitement Duacs), et utilisation d'une méthode d'IA basée sur la physique (crédits IMT Atlantique, avec le soutien du Cnes, de l'Idris et de NVidia).
Les nouveaux utilisateurs des données altimétriques sont souvent surpris lorsqu'ils voient des cartes de données le long de la trace pour la première fois. Comme toutes les techniques d'observation de la Terre, mais avec une "empreinte au sol" beaucoup plus petite que la plupart des capteurs, les satellites altimétriques ne peuvent pas voir toute la Terre en même temps. La solution de contournement a été d'utiliser les données de plusieurs satellites, de plusieurs jours (y compris, si possible dans le futur comme dans le passé d'un fichier de données), et la physique des océans pour estimer ce qui manque par une interpolation optimale. C'est ce qui est à l'origine des "données grillées multi-missions" que récupèrent un certain nombre d'utilisateurs de l'altimétrie. Cependant, cette approche a ses inconvénients, notamment celui de ne pas pouvoir retrouver des détails en dessous d'une échelle d'environ 100 km, même quand l'information se trouve au départ dans les mesures le long de la trace.
L'utilisation de méthodes d'intelligence artificielle offre une nouvelle approche de ce problème. Le schéma d'apprentissage profond (deep learning) conçu par l'équipe OceaniX de l'IMT Atlantique/Lab-STICC permet de mieux estimer les gradients entre les mesures, en utilisant une connaissance a priori de la physique impliquée.
L'amélioration du traitement des données pour fournir les ensembles de données les plus précis et les plus détaillés fait partie des études en cours. Les données Swot seront utiles, mais elles ne fourniront pas de données partout et n'importe où, donc de tels traitements continueront à être à l'ordre du jour.
Voir aussi :
- Applications / océans
- Données : données multi-missions Duacs
- Missions : Swot
Autre site sur ce thème
- site web de l'équipe OceaniX
Référence :
- R. Fablet, M.M. Amar, Q. Febvre, M. Beauchamp, B. Chapron, 2021: End-to-end physics-informed representation learning for satellite ocean remote sensing data: applications to satellite altimetry and sea surface currents. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., V-3-2021, 295–302, 2021, https://doi.org/10.5194/isprs-annals-V-3-2021-295-2021
Actualités
- Recherche.
- Actualités à la une.
Image du mois .- 2024 .
- 2023 .
- 2022 .
- 2021 .
- Déc. 2021 : les FSLE aident à la prévision de dispersion de nappe de pétrole.
- Nov. 2021 : de l'Intelligence Artificielle pour améliorer les grilles altimétriques.
- Oct. 2021 : de la neige sur la banquise.
- Sept. 2021 : une bouée spirale sur le haut-fond de Burdwood.
- Août 2021 : Aux Marquises.
- Juil. 2021: Mesures de surface pour les satellites océanographiques : la campagne SUMOS in-situ et aéroportée.
- Juin 2021 : Swot et le vent sur les lacs.
- Mai 2021 : le typhon Surigae sous les yeux des radars.
- Avril 2021 : des simulations de données Swot sur les lacs et étangs du Sahel.
- Mars 2021 : les tourbillons dispersent les sels dans l'océan.
- Févr. 2021: l'altimétrie aide à la surveillance du bassin du Congo.
- Janv. 2021 : une nouvelle "première lumière" dans la famille Jason.
- 2020 .
- 2019 .
- 2018 .
- 2017 .
- 2016 .
- 2015 .
- 2014 .
- 2013 .
- 2012 .
- 2011 .
- 2010 .
- 2009 .
- 2008 .
- 2007 .
- 2006 .
- 2005 .
- 2004 .
- 2003 .
- 2002 .
- 2001 .
- 2000 .
- 1999 .
- 1998 .
- Revue de presse.
- Operational news and status .
- Actualités du CTOH .
- Calendrier des événements à venir.
