Massive hyperspectral images analysis by inverse regression of physical models - Archive ouverte HAL Access content directly
Theses Year : 2021

Massive hyperspectral images analysis by inverse regression of physical models

Analyse massive d'images multi-angulaires hyperspectrales de la planète Mars par régression inverse de modèles physiques

(1, 2)
1
2

Abstract

The objective of the thesis is to develop a statistical learning technique suitable for the inversion of complex physical models. The two main difficulties addressed are on the one hand the massive amount of observations to be reversed and on the other hand the need to quantify the uncertainty on the inversion, which can come from the physical model or from the measurements. In a Bayesian inversion framework, we therefore propose a two-step approach: a learning step of a parametric statistical model (GLLiM), common to all the observations, then a prediction step, repeated for each measurement, but fast enough to support a large dataset. In addition, we explore sampling techniques to refine the trade-off between computation time and inversion precision.Although general, the proposed approach is applied mainly to a complex inverse problem in planetary remote sensing. This involves using a semi-empirical spectrophotometric model (Hapke's model) to analyze reflectance measurements and indirectly find the textural characterization of the material examined. Several datasets are studied, both from laboratory measurements and massive satellite images.Finally, we exploit the versatility of the GLLiM model to explore several issues related to Bayesian inversion. In particular, we propose an indicator to assess the influence of the choice of the direct model on the quality of the inversion. We also extend the GLLiM model to take into account a priori information, making it suitable for solving data assimilation problems.
L'objectif de la thèse est de mettre au point une technique d'apprentissage statistique adaptée à l’inversion de modèles physiques complexes. Les deux principales difficultés adressées sont d’une part la quantité massive d’observations à inverser et d’autre part la nécessité de quantifier l’incertitude sur l’inversion, qui peut provenir du modèle physique ou des mesures. Dans un cadre d’inversion Bayésienne, nous proposons donc une approche en deux temps : une phase d’apprentissage d’un modèle statistique paramétrique (GLLiM), commune à toutes les observations, puis une phase de prédiction, répétée pour chaque mesure, mais suffisamment rapide pour prendre en charge un large jeu de données. De plus, nous explorons des techniques d’échantillonnages pour affiner le compromis entre temps de calcul et précision de l’inversion. Bien que générale, l’approche proposée est appliquée principalement sur un problème inverse complexe en télédétection planétaire. Il s’agit d’utiliser un modèle spectro-photométrique semi-empirique (le modèle de Hapke) pour analyser des mesures de réflectance et retrouver indirectement la caractérisation texturale du matériau examiné. Plusieurs jeux de données sont étudiés, aussi bien provenant de mesures de laboratoire que d’images satellitaires massives.Enfin, nous exploitons la polyvalence du modèle GLLiM pour explorer plusieurs problématiques liées à l’inversion Bayésienne. En particulier, nous proposons un indicateur pour évaluer l’influence du choix du modèle direct sur la qualité de l’inversion. Nous étendons aussi le modèle GLLiM pour prendre un compte une information a-priori, le rendant adapté à la résolution de problèmes d’assimilation de données.
Fichier principal
Vignette du fichier
KUGLER_2021_archivage.pdf (46.43 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03417184 , version 1 (05-11-2021)

Identifiers

  • HAL Id : tel-03417184 , version 1

Cite

Benoit Kugler. Analyse massive d'images multi-angulaires hyperspectrales de la planète Mars par régression inverse de modèles physiques. Traitement des images [eess.IV]. Université Grenoble Alpes [2020-..], 2021. Français. ⟨NNT : 2021GRALM021⟩. ⟨tel-03417184⟩
78 View
9 Download

Share

Gmail Facebook Twitter LinkedIn More