Plusieurs méthodes d’estimation des précipitations utilisant les MO ont été développées, divisées en deux catégories principales, à savoir méthodes d’émission et celles de diffusion : — Méthodes d’émission : sont des méthodes micro-ondes à basse fréquence, basées sur l’émission accrue par les gouttes de pluie à ces fréquences, des exemples de cette approche ont été développés par Ferraro et Marks [43] et Berg et Chase [19].
— Méthodes diffusion : sont des méthodes à haute fréquence, fondées sur l’atténuation par diffusion du rayonnement ascendant à ces fréquences par les particules de glace, des exemples de cette approche ont été développés par Ferraro et al. [44] et Grody [54].
L’avantage des méthodes MO est lié au fait que les interactions entre le rayonnement MO et les hydrométéores offrent une mesure plus directe des précipitations, mais, l’inconvénient le plus critique est qu’elles ont une faible résolution spatiale et temporelle en raison de leur grande longueur d’onde et de l’orbite non géostationnaire du satellite.
3.3
Les méthodes hybrides (combinées)
Ces techniques profitent des avantages des deux méthodes précédentes (IR/VIS et MO), en exploitant la bonne résolution spatiale et temporelle des données IR/VIS et la plus grande précision physique des méthodes MO. Plusieurs techniques qui combinent les données IR/VIS et MO ont été développées, la méthode la plus utilisée est celle de Jobard and Desbois [70], connue sous le nom de RACC (Rain And Cloud Classification), qui repose sur une procédure de classification automatique divisée en deux phases. Dans la première phase, la méthode utilise un ensemble d’images du canal IR du satellite MFG et les données MO du radiomètre SSM/I en coïncidence spatio-temporel pour obtenir des classes homogènes caractérisant les différents types de nuages. Dans la deuxième phase toutes les images IR sont utilisées. Chaque pixel de chaque image IR est attribué à une classe de nuages (dans la classification trouvé précédemment). Ensuite, des taux de précipitations obtenus en fonction de la valeur du paramètre MO de chaque classe sont attribués à ces images. Adler et al. [3] ont proposé la méthode de GPI ajusté (AGPI) qui corrige les estimations mensuelles de précipitations de GPI en utilisant un facteur d’ajustement basé sur les données MW et IR. Turk et al. [125] ont proposé une technique mixte MO-IR afin d’estimer les précipitations en temps quasi-réel, la technique consiste à combiner statistiquement des données MO satellitaires en orbite terrestre basse (SSM/I ou TRMM) avec des données coïncidant spatio-temporel de l’un des quatre satellites géostationnaires (GOES-Est / Ouest, GMS et METEOSAT) pour une analyse rapide et à jour des précipitations. Cette technique a été prise comme modèle par plusieurs chercheurs (Kidd et al. [73], Marzano et al. [85]), et par le produit MPE (Multisensor Precipitation Estimate) [63] développé au niveau de EUMETSAT, il représente un étalonnage (calibration) continu des températures de brillance IR du satellite METEOSAT par rapport aux taux de pluie du satellite SSM/I. Le produit MPE est constitué de cartes des taux de pluie en temps quasi réel pour chaque image MSG.
4
Conclusion
Dans ce chapitre, nous avons présenté le satellite MSG d’où proviennent les images sur lesquelles nous avons réalisé notre étude. Ainsi, nous avons décrit les caractéristiques principales de ces images MSG, radiométrique, spatiale, spectrale et temporelle. Ensuite, nous avons présenté les différentes méthodes d’estimation des précipitations à partir des images satellitaires qui ont été développées et en particulier celles qui ont été faites aux images multi-spectrales MSG. Dans ce qui suit, nous présentons les principales méthodes du datamining qui nous permettent l’extraction de connaissances à partir des images satellitaires.
présentées dans le chapitre précédent ont été basées sur l’exploitation des propriétés optiques et microphysiques des nuages telles que leurs épaisseurs optiques, leurs hauteurs, la tem- pérature de leurs sommets, le rayon effectif des particules qui les composent (la taille des gouttelettes) et la phase thermodynamique des nuages (glace ou liquide). . . etc. Ces méthodes ont donné des résultats satisfaisants, néanmoins, ils ne prennent pas en compte les corrélations spectrales et spatiales qui peuvent exister entre les pixels de l’image elle-même, ou bien entre les pixels des différentes images MSG. De plus, ces études classifient les pixels de façon conventionnelle, où un pixel est considéré comme 100 % précipitant ou 0 % (non précipitant), alors qu’en réalité il ne peut pas être classifié de façon claire et sans ambiguïté. De plus, ces méthodes n’utilisent que les données de quelque canaux, ils n’exploitent pas bien toutes les données fournies par ce satellite, alors que ces téraoctets de données sont potentiellement riches en ressources inouïes qui demandent à être exploitées. Les techniques Datamining permettent de les faire apparaître et d’extraire les informations utiles (les connaissances), et de trouver des corrélations cachées entre les données des différentes images MSG grâce à un certain nombre d’outils et techniques notamment des associations, des classifications, des regroupements (Clustering) et des prévisions. Dans ce chapitre, nous allons introduire les notions de bases essentielles de l’extraction de connaissances à partir de données images satellitaires.
2
Extraction de Connaissances à partir de Données
2.1
Définition
L’Extraction de Connaissances à partir de Données (ECD en français) ou Knowledge Discovery in Databases (KDD en Anglais) est défini comme le processus non trivial d’identi- fication de modèles valides, potentiellement utiles et compréhensibles à partir de données volumineuses et complexes [40]. Ce processus doit être automatique ou (plus généralement) semi-automatique. L’objectif fondamental de l’ECD est de découvrir des connaissances utiles, valides, pertinentes et nouvelles à travers l’utilisation de différents algorithmes et méthodes, qui permettent l’amélioration des processus et faciliter la prise de décision. Une confusion subsiste encore entre le Datamining et l’ECD, le Datamining est l’une des étapes cruciales de l’ECD.
2.2
Notions de bases
Le processus d’ECD réside dans l’extraction de connaissances à partir des informations fournies par les données, ces trois notions (donnée, information et connaissance) sont définies comme suit :
— Donnée : les données sont des faits et des chiffres non traités, sans interprétation ou analyse ajoutée. Par exemple, 15, ce chiffre en soi n’a aucune signification particulière. — Information : les informations sont des données qui ont été interprétées de manière à
avoir un sens pour l’utilisateur. Par exemple, la température aujourd’hui à Constantine est égale à 15° donne un sens aux données et est donc considéré comme une information pour une personne qui suit la météorologie.
— Connaissance : la connaissance est une combinaison d’informations, d’expérience et de perspicacité pouvant bénéficier à l’individu ou à l’organisation. Par exemple, lorsque la température baissera à 10° et le taux d’humidité sera supérieur à 75%, il y a une probabilité de 80% qu’il pleut.
litaires
La figure 2.1 montre les différentes étapes du processus d’extraction de connaissances à partir des images satellitaires. Tout d’abord, les images sont prétraitées et restaurées pour améliorer leur qualité. Ensuite, ces dernières subissent diverses transformations. L’étape suivante consiste à appliquer une ou plusieurs méthodes de Datamining selon les besoins de l’utilisateur et les données exploitées afin d’extraire des patterns et motifs, ces derniers seront évalués et interprétés pour obtenir des connaissances finales qui peuvent être exploi- tées et appliquées aux applications des différents domaines. Le processus d’extraction de connaissances à partir des images comprend les étapes suivantes :
FIGURE 2.1 Les étapes du processus d’extraction de connaissances à partir des images