Partie "Atmosphère"

Partie "Applications"
- A. Deschamps (CEA) : Estimation conjointe des aérosols et du CO2 dans un panache de fumée, par imagerie hyperspectrale aéroportée
Les molécules de gaz présentent plusieurs modes de vibration (liés aux liaisons intra-moléculaires), qui entraînent des pics d'absorption -> surtout dans l'IR (proche et thermique).
Les aérosols ont un comportement qui dépend de leur taille (diffusion) et de leur composition (albédo de simple diffusion, indice de réfraction). On utilise la théorie de Mie pour modéliser leur comportement radiatif. Leur réponse ne présente pas de pics, et ils répondent plus fortement dans le visible que dans l'IR.
Couplage aérosols-gaz : les aérosols influent sur la profondeur des pics d'absorption des gaz ; or ceux-ci servent à estimer la concentration en gaz -> biais si l'on en prend pas en compte la concentration en aérosols, ou si l'on utilise un modèle standard.
Algorithme proposé : estimation des propri
étés des aérosols en-dehors des bandes d'absorption des gaz ; interpolation de ces propriétés dans les bandes d'absorption ; estimation sans biais de la concentration en gaz.
Les aérosols de feu de végétation sont modélisés comme des sphères, dont la distribution de taille suit une loi log-normale à un seul mode.
Utilisation de MODTRAN pour calculer la luminance, la transmission et l'albédo atmosphérique à partir des albédo de simple diffusion, épaisseur optique et facteur d'asymétrie donnée par la théorie de Mie.
L'inversion est basée sur l'idée de l'algo L-APOM. L'estimation du
CO2 se fait par JRGE (qui donne conjointement la concentration en gaz ET la réflectance au sol (supposée homogène)).
Une validation a été effectuée sur des données AVIRIS.
- V. Achard (présenté par X. Briottet) (ONERA) : Les outils de correction atmosphérique de l'ONERA, pour l'estimation des propriétés optiques
Les produits recherchés sont des cartes de luminance corrigée, de réflectance, ou de température.
Il y a deux phases : caractérisation de l'atmosphère, et correction de ses effets.
Remarque : une image hyperspectrale est représentée par un hypercube (tenseur x_image, y_image, lambda).

Figure 1 : hypercube représentant une image hyperspectrale (source : http://lac-conakry.blogspot.com)
Outils développés :
- COCHISE : hypothèse de sol plat, mais hétérogène. La difficulté tient dans la bonne estimation du terme d'environnement. Cette estimation se fait par méthode Monte-Carlo dans le cas hétérogène.
-SIERRA : adapté aux zones montagneuses -> prend en compte les effets de pente, et les effets directionnels (le modèle de BRDF de Rahman est utilisé). Il s'agit d'un préliminaire à la classification. Les résultats pâtissent de tout mauvais recalage entre image et MNT, au niveau des crêtes et des thalwegs. Ces résultats sont similaires à ceux obtenus avec ATCOR4, mais devraient être plus précis dans le cas de zones présentant des canyons étroits (à vérifier sur un jeu de données).
- ICARE : adapté au milieu urbain, à très haute résolution spatiale. Il s'agit de prendre en compte l'ombrage (pour améliorer la classification, les ombres étant souvent considérées comme une classe à part). ICARE-V2 (S. Doz) utilise de plus des données multi-angulaires (avec des images qui voient les façades).
Partie "Algorithmes"
- (NOVELTIS) : Modélisation directe du transfert radiatif dans l'atmosphère : 4A/OP
Présentation de l'outil de transfert radiatif 4A "opérationnel".
Les simulations numériques sont indispensables à l'estimation à l'estimation des propriétés optiques.
4A est un code raie par raie, couche par couche. Il utilise des bases de données pré-calculées dans lesquelles il interpole. Il considère une atmosphère sphérique (et non pas plane), utilise la méthode DISORT/SOS, prend en compte la réfraction et la diffusion (aérosols et cirrus).
Il sera très prochainement distribué sous licence GPL.
- S. Valero (Grenoble) : Binary partition tree for hyperspectral remote sensing images
Idée : faire une classification en régions en utilisant le voisinage spatial et le voisinage spectral dans l'hypercube.
Construction de l'arbre : une région est représentée par son histogramme, vu comme une distribution de probabilité. Des critères de similarité et de fusion sont définis (basé sur la corrélation entre les histogrammes).
Coupe de l'arbre : il faut trouver la meilleure coupe de l'arbre construit. On part des feuilles et on utilise un seuil sur l'entropie pour déterminer si on doit couper plus haut ou pas.
L'étape de construction de l'arbre est la plus longue (30 min), la coupe et autres applications sont ensuite rapides.
- A. Huck (présenté par M. Guillaume) (Institut Fresnel) : Séparation des sources et détection d'anomalies
Méthodes existantes : démixage, analyse en composantes indépendantes, poursuite de projection.
Détection d'anomalies au sein d'une image (qu'est-ce qu'on entend par anomalie ici?) : on détermine les statistiques du "fond" pour détecter les anomalies (de petite taille).
- J. Minet (DGA) : Sélection de bandes spectrales pour la détection de cibles
A partir de signatures spectrales de référence, on veut détecter des cibles en temps réel. On suppose que le fond a une distribution gaussienne.
En utilisant les composantes dans les bandes sélectionnées, on utilise le produit scalaire entre pixel testé et cible de référence pour déterminer s'il s'agit d'une cible ou non -> il faut trouver les bandes spectrales qui maximisent le contraste entre la cible et le fond.
Un algorithme Monte-Carlo ayant une convergence trop lente, on utilise un algorithme génétique pour déterminer ces bandes. Le contraste maximal est meilleur si l'on utilise des bandes larges (dont la largeur est estimée également) plutôt que des Dirac.
- Y. Ferrec (Institut d'Optique) : Techniques d'imagerie hyperspectrale par transformée de Fourier statique
Les imageurs hyperspectraux actuels sont à réseaux ou à prismes. On peut également utiliser l'interférométrie.
Par le passé : CAHYD (petit outil de recherche). On garde l'image plus les interférences. Par défilement, chaque point du sol passe par tous les points d'interférence. L'interférogramme de chaque point donne ensuite le spcetre de chaque point.
En cours : instrument SIELETERS de SYSIPHE (dans l'IR).
Avantages de l'utilisation de l'interférométrie : fort RSB (notamment là où le signal est faible), meilleure résolution spectrale.
- V. Lafon (Bordeaux 1) : Surveillance des milieux littoraux et côtiers par télédétection hyperspectrale
Il s'agit d'étudier la "couleur de l'océan". L'image donne accès à la réflectance, qui permet d'estimer les propriétés de l'eau (composition).
Exemple : en Aquitaine, il y a un fort apport en eau turbide dans l'océan, au niveau des embouchures de la Gironde et de l'Adour.
Applications : estimation de la concentration en plancton, estimation de la bathymétrie (par inversion de l'équation donnant l'atténuation exponentielle du signal, sous hypothèse d'une épaisseur optique homogène. La précision relative de cette méthode est de 20%).
L'imagerie hyperspectrale permettrait d'améliorer toutes ces méthodes.
- X. Briottet (ONERA) : Milieu urbain
Les milieux urbains représentent un fort enjeu dans notre société : infrastructures, climatologie (influence locale des propriétés optiques des surfaces).
L'hyperspectral facilite la reconnaissance de signature spectrale.
La résolution spectrale optimale pour la classification : 14 bandes de 10 nm d'après [Herold 2004].
L'IR améliore la classification pour les matériaux de faible albédo.
Perspective : couplage multi-capteur : imageur hyperspectral + LIDAR.