Imagerie météorologique
Détection des nuages bas par étiquetage statistique contextuel
à partir de séquences d'images infrarouges Meteosat

Contact: P. Bouthemy

Description de la démonstration

Nous présentons dans cette démonstration une méthode de détection des nuages bas (brouillard, stratus,...), à partir d'images infrarouges du satellite Meteosat. Ce canal, qui fournit une carte thermique de la scène, est le seul utilisable de nuit pour l'étude des basses couches de l'atmosphère. L'observation d'une seule image ne permet généralement pas de faire la distinction entre un nuage bas et le sol qui peuvent présenter des températures similaires. Pour remédier au caractère peu discriminant de cette seule information spectrale, nous cherchons à allier les avantages d'une détection utilisant le contexte spatial et le gain d'information que procure une analyse du mouvement entre deux images consécutives. La méthode de classification développée s'appuie sur une modélisation markovienne des propriétés dynamique, thermique et spatiale des éléments présents dans les images et mène à l'étiquetage des zones d'intérêt pré-segmentées de l'image en deux classes, dénommées «ciel clair» et «nuages bas». Nous avons défini un schéma d'estimation non supervisée des paramètres du terme d'attache aux données prenant en compte les non-stationnarités spatiales des températures de chaque classe. La minimisation de la fonction d'énergie associée au modèle est effectuée de manière itérative à l'aide d'une méthode de relaxation déterministe (ICM). Elle est intégrée à un schéma de propagation de l'information des zones où les mesures locales de mouvement sont les plus exploitables vers les zones peu contrastées de l'image.

Caractéristiques principales de la méthode

Séquences de résultats

Segmentation de la séquence d'images infrarouges Meteosat du 28/01/98, de 2h00 TU à 7h30 TU.
ciel clair, nuages bas, autres nuages

Segmentation de la séquence d'images infrarouges Meteosat du 07/01/97, de 0h00 TU à 7h00 TU.
ciel clair, nuages bas, autres nuages

Segmentation de la séquence d'images infrarouge Meteosat du 23/01/97, de 0h30 TU à 3h00 TU.
ciel clair, nuages bas, autres nuages

Comparaison des résultats à des «vérités terrains»

Exemple 1
Exemple 2

Classification de la méthode: ciel clair, nuages bas, autres nuages.

Classification «vérité terrain»: terre, nuages bas, mer, bord de nuage, nuages d'altitude élevée.

Nous comparons nos résultats avec ceux issus d'une classification nuageuse ponctuelle basée sur une analyse statique des images NOAA. Cette méthode, développée par le CMS de Lannion, tire notamment parti des caractéristiques propres des canaux en proche infrarouge et en infrarouge thermique pour détecter les nuages bas. De plus, la résolution spatiale de ces images est meilleure, par contre l'intervalle temporel d'acquisition est grand. Ainsi, nous n'avons accès qu'à une seule image NOAA exploitable en cours de nuit. L'apport du canal supplémentaire en proche infrarouge est tel que les classifications nuageuses obtenues à partir de ces images seront considérées comme des vérités terrain acceptables. Notons enfin que les classifications nuageuses NOAA sont présentées dans une projection stéréopolaire, différente de celle associée aux images Meteosat (projection satellitaire). La comparaison entre ces cartes de segmentation doit donc être effectuée prudemment.

L'algorithme mis en oeuvre
  • Utilisation de l'information temporelle.
Les gradients spatio-temporels de l'intensité nous servent à mesurer des quantités liées au mouvement entre deux images successives ainsi qu'à évaluer la qualité de ces mesures. Ce dernier aspect permet de moduler la contribution d'une mesure jugée incertaine, notamment dans les zones relativement uniformes.

  • Schéma d'apprentissage non supervisé des paramètres du modèle d'attache aux données.
Les paramètres thermiques du modèle d'attache aux données sont estimés automatiquement pour chacune des deux classes. Afin de lever les ambiguïtés thermiques spatiales existant entre classes (plusieurs températures distinctes associées à une même classe, même température caractérisant deux classes différentes), nous estimons ces paramètres (moyenne et variance thermiques) pour chacun des blocs issus d'une partition de l'image. Pour chaque bloc, un ensemble d'histogrammes de température jugés caractéristiques des différentes classes sont déterminés et approximés par des mélanges de lois gaussiennes.


  • Schéma de relaxation par propagation spatiale.
Nous sélectionnons, à l'aide de critères dynamique et thermique, les pixels de l'image (en vert sur l'image de gauche), jugés les plus sûrs de correspondre à des nuages bas. Nous propageons l'étiquetage initial contenu dans ces régions, vers les zones moins contrastées, susceptibles d'être mal initialisées par un critère de maximum de vraisemblance. Une phase de relaxation est effectuée à chaque nouvelle propagation (image de droite).

Applications
Cette étude est destinée à fournir aux prévisionnistes de la météorologie une source supplémentaire d'informations numériques sur les phénomènes atmosphériques de basses couches. Une localisation précise des nuages bas, se développant en général durant la nuit, est primordiale afin d'assurer la sécurité des traffics routier et aérien.

Collaborations

Références
  1. C. Papin, P. Bouthemy, G. Rochard. Segmentation of low clouds in Meteosat IR night-time images based on a contextual spatio-temporal labeling approach, AMS 9th Conference on Satellite Meteorology and Oceanography, Vol. 2, pages 370-373, 25-29 mai 1998, Paris, France.
  2. C. Papin, P. Bouthemy, G. Rochard. Detection of low clouds in Meteosat images based on a contextual spatio-temporal labeling approach, IEEE International Conference on Image Processing, ICIP'98, Vol. 3, pages 561-565, octobre 1998, Chicago.
  3. C. Papin. Analyse spatio-temporelle d'images satellitaires météorologiques : détection et suivi de structures nuageuses critiques, Thèse, Université de Rennes 1, Irisa, no 2299, décembre 1999. (résumé)

Webmaster : vista_webmaster@irisa.fr
Last modified: Thu Aug 31 14:51:25 MET DST 2000