Partie 1 : Télédétection 21
4.1 Présentation de la méthode : LSQ-Grd
4.1.1 Principe de la méthode
4.1.1.1 Idée
La méthode présentée dans le chapitre précédent avait pour but d’estimer les spectres et
les coefficients de la matrice M simultanément. Il fallait donc estimer, pour chaque étoile, tous
les coefficients relatifs à sa FSF (à chaque pixel du champ). En l’absence de contrainte sur
les données (hormis la positivité), cela faisait beaucoup de coefficients à estimer, en plus des
spectres. Les résultats étaient donc assez décevants car la NMF, utilisée ainsi sans contraintes
supplémentaires, ne convergeait pas vers la solution voulue.
A présent nous connaissons le modèle de la FSF (fonction de Moffat présentée en fin de
chapitre précédent (3.8)) et il est donc possible de réduire le nombre de variables à estimer.
L’idée est donc de remplacer l’estimation des valeurs de la FSF en chaque pixel et pour chaque
étoile, par l’estimation des paramètres dont dépend la FSF et qui sont les mêmes pour tous les
pixels et toutes les étoiles : les paramètres(α, β), la position des étoiles étant supposée connue.
Rappelons que ces paramètres (α, β) varient en fonction de la longueur d’onde et peuvent être
considérés constants localement spatialement et donc pour une petite partie du champ (ce qui
sera le cas ici).
L’idée est donc d’estimer, à chaque longueur d’onde, les valeurs (α, β) et les valeurs des
spectres des étoiles.
4.1.1.2 Critère minimisé
Le critère minimisé, pour chaque longueur d’onde, est le suivant dans le cas de données
sans bruit (le critère dans le cas bruité est donné plus bas) :
J = 1
2 ky−M xk
2
= 1
2(y−M x)
T
(y−M x) (4.1)
La norme utilisée est la norme de Frobenius (même si ceci n’apparaît pas sur la notation).
Pour minimiser ce critère nous proposons un algorithme itératif, applicable à chaque longueur
d’onde séparément et dont la description est donnée ci-dessous.
4.1.1.3 Hypothèses
Voici les principales hypothèses ou informations a priori utilisées dans la méthode :
• Les FSF pour chaque étoile sont modélisées par une Moffat qui dépend des paramètres
suivants (expression rappelée ci-dessous) :
– de la position des étoiles −→ connues.
– des (α, β)−→ à estimer.
• L’intervalle dans lequel varient les paramètres (α, β) est connu approximativement (en
fonction de λ), cette information sert uniquement à la première initialisation de
l’algo-rithme.
Rappelons ici l’expression d’un coefficientM
pkde la matriceM en fonction des paramètres
(α, β), c.à.d. en utilisant l’expression de la Moffat donnée dans le chapitre précédent (équation
(3.8)) :
M
pk= β−1
πα
21 + (z
x−z
x(k))
2+ (z
y−z
y(k))
2α
2 −β, avec α≥0 , β >1 (4.2)
151 4.1. PRÉSENTATION DE LA MÉTHODE : LSQ-GRD
étudié sont indexées par z
yet les colonnes par z
x. Notons N
ℓle nombre de lignes du champ
étudié, on a alors
1:
-z
x=ceil(
Npℓ
), où ceilcorrespond à un arrondi vers la valeur supérieure entière la plus proche.
- z
y=mod(p, N
ℓ) , c.à.d. correspond au reste de la division de ppar N
ℓ. Les valeurs nulles de
z
ysont remplacées ensuite par N
ℓ, pour avoir des valeurs entre 1 etN
ℓ.
Les coordonnées z
xet z
ydépendent donc de l’indice pmême si cela ne transparaît pas dans les
notations.
Ces définitions sont dues au fait que, dans notre modèle, la FSF de chaque source est
vectorisée (correspond à une colonne de la matriceM), alors que dans l’expression de la Moffat
les coordonnées spatiales doivent correspondre aux coordonnées d’origine dans le champ.
4.1.1.4 Algorithme proposé
L’algorithme proposé permettra de mettre à jour les estimations de (α, β)et des spectres
des étoiles d’une manière alternée, et pour chaque longueur d’onde indépendamment. Pour cela
on utilisera des moindres carrés avec contraintes de positivité (pour l’estimation des spectres) et
un algorithme de descente de gradient à pas fixe (pour les paramètres). Ce dernier algorithme a
a été choisi pour des raisons de simplicité. Notre algorithme global est donc appelé "LSQ-Grd"
pour Least SQuare - Gradient.
Le but final de cet algorithme est bien sûr d’obtenir les spectres des étoiles contenues dans
le champ étudié.
Algorithme LSQ-Grd
• Initialisation : (α, β)(+ spectres)
• Calcul de la matrice M en utilisant la Moffat pour ces valeurs initiales de (α, β)
• Répéter jusqu’à convergence :
• Estimer x : par moindres carrés avec contraintes de non négativité, avecM fixée :
x←min
x
J, avec x≥0 (4.3)
• Estimer (α, β): par un algorithme de descente de gradient projeté à pas fixe
2, avec
x fixé :
• Répéter jusqu’à convergence de l’algorithme de gradient :
α ←
α−ε ∂J
∂α
P+(4.4)
β ←
β−ε ∂J
∂β
P+(4.5)
où la notation [z]
P+correspond à la projection de z sur l’intervalle P
+.
1. On raisonne par ligne car ce travail a été fait sur Matlab, qui travaille ligne par ligne quand une matrice est vectorisée, ce qui est le cas des plans de nos données et FSF (qui ont été vectorisés).