Retour

Intérêt des méta-modèles (ou modèles de substitution) pour la résolution d'un problème inverse en télédétection

Ludovic Villard – Centre d’Études Spatiales de la Biosphère http://www.cesbio.ups-tlse.fr

RÉSUMÉ:

Le problème inverse en télédétection consiste à retrouver les paramètres caractéristiques d'une scène d'intérêt à partir des mesures issues d'un système distant. Les algorithmes d'inversion reposent le plus souvent sur des relations semi-empiriques et/ou théoriques entre les paramètres d'intérêts et les quantités physiques mesurables. Afin de mieux maîtriser ces relations, la modélisation théorique du problème direct constitue un outil puissant, particulièrement pour explorer de nouvelles configurations pour lesquelles les mesures expérimentales ne sont que peu (ou pas) disponibles. Généralement trop complexe pour une formulation analytique, cette modélisation est alors exclusivement abordable par simulation numérique, comme dans le cadre du modèle MIPERS, permettant de simuler la signature Radar de la végétation et plus particulièrement des forêts tropicales. Étant donné le nombre important de paramètres d'entrées (description bio-géo-physique du couvert végétal au moyen de formes canoniques) ainsi que le temps de calcul associé pour chaque réalisation, une inversion basée sur une approche essai-erreur à partir d'itérations tests n'est pas envisageable, d'où l'intérêt pour la méta-modélisation ou la recherche d'un modèle de substitution, réalisant le compromis entre simplicité et fidélité. Différentes approches peuvent être conduites pour sa mise en place, la plus simple étant une analyse de sensibilité des observables mesurables, que nous présenterons dans le cadre de la mission ESA ‘Biomass’, Radar spatial à synthèse d'ouverture en bande P. Nous montrerons alors l'intérêt d'un modèle de substitution, aussi bien pour son utilisation directe dans l'inversion ou afin de déterminer des vecteur tests d’initialisation. En perspective, nous évoquerons également des techniques plus avancées d'apprentissage statistique et de substitution dynamique, afin améliorer la fidélité du méta-modèle.